量子计算机由理查德·费曼在1981年提出，目的是高能效地解决困难计算问题。
总的来说，有两种截然不同的量子计算机架构，「退火」(annealing) 和「门模型」(gate model)。目前绝大多数量子计算机公司走的是门模型的路线。
门模型架构里有不同的方向，如超导、离子阱、光子、中性原子等。门模型的难点在于：高效纠错、可拓展、速度快。超导系统比离子/原子快1000倍⸺这是物理学决定的，但离子/原子是天然量子比特，纠错更容易。类比：离子/原子是自行车（简单但慢）；超导是飞机（复杂但快）。
比如，我要在一个三维地形中找到其中的最低点。
经典计算机的做法是，随机找一个点，然后再判断下一步往哪个方向走（梯度下降），不停地按顺序做这样的判断，直到它处于一个四周都比它高的地方停止，但此地也不一定是全局最低点。
门模型的做法就像是在这个地形上空同时丢下无数个网球。计算机能够通过网球的落点同时得到地形上不同点处的高度值，然后对所有或部分值同时进行运算⸺加法、乘法、指数运算、逻辑运算⸺得到最小值。「同时」就是量子计算速度的来源。但问题在于，在这个过程中，我们要对量子系统进行数字计算，而量子系统并不是为数字计算而设计的。所以在某种程度上这是在对抗自然。结果就是，错误会快速积累，所以就需要引入纠错机制，所以门模型非常难以控制。
退火的做法就像是在地形上空下雨，然后看水往哪里汇集。这利用了量子系统的基本性质：系统会自发地趋于低能态。
门模型和退火各有优劣，各自擅长解决不同的问题。门模型擅长量子化学、材料设计等适合同时探索多个方向的问题，但不擅长优化。退火非常擅长优化，但不擅长量子化学或材料设计。
量子计算机能够解决的问题分为四个领域：
一、模拟（门模型擅长）
模拟自然界中发生且当前经典计算机难以或无法表征和理解的过程。
- 航空航天：计算流体动力学、材料发展
- 汽车：空气动力学、材料与结构设计
- 化学：催化剂与酶设计
- 能源：太阳能转换
- 金融：市场模拟（如衍生品定价）
- 制造：药物发现和开发、材料设计。
二、优化 （必须退火）
用量子算法在可行方案中识别最优解。
- 航空航天：航线优化
- 金融：投资组合优化
- 财务：风险管理
- 物流：车辆路线/网络优化
三、机器学习（都可）
识别数据中的模式以训练机器学习算法。
四、密码学（门模型擅长）
破解传统加密技术并实现更强的加密标准。