量子机器学习（QML）近年来术语泛滥，常与加速算法或类量子启发式方法混淆，导致公众误解其本质。要厘清概念，核心在于信息在量子空间中如何表示、变换及读取，而非单纯追求速度或神经网络结构。 当计算基石从经典比特转为量子态时，QML 才真正成立。首先，数据以复数振幅形式的量子态（如叠加态）存储，而非简单的二进制数值，这赋予了模型处理高维信息的全新维度。其次，模型运算依赖参数化量子线路，即通过量子门对量子态进行幺正变换，这种演化过程构建了与经典模型结构迥异的假设空间。最后，测量是学习过程不可分割的一部分，输出基于多次运行电路的统计结果，具有概率性和破坏性，训练中的梯度更新也受制于测量噪声，这意味着不确定性内嵌于模型之中。 反之，若某算法仅借用量子名词，但数学结构可轻易替换为经典计算而不改变本质，则并非真正的 QML。当前量子硬件仍受限于噪声和低资源，尚未实现大规模实用化，但这正是科研聚焦的良机。QML 的价值不在于短期超越经典机器学习，而在于拓展“学习”的边界，探索量子数据下的新范式，并解决噪声对优化的影响等基础理论问题。 随着容错量子计算机的研发推进，厘清定义有助于剥离炒作，为未来技术突破奠定坚实的概念基础。只有先明确 QML 究竟是什么，才能有效评估其实际应用前景，从而推动该领域向实质进展迈进。