Allstate和IBM正在探索量子计算能否帮助保险公司构建在价值与风险之间更加平衡的保险组合，方法是处理计算机科学中一种复杂的“背包问题”。这项合作的结果于2026年5月发表在arXiv平台上，IBM则于2026年6月18日介绍了相关细节。
背包问题是指在不超过特定重量或容量限制的情况下，选择一组能够实现最高可能价值的物品。在保险应用中，保险保单代表需要纳入组合的物品，潜在损失代表重量，而组合价值代表预期收益或回报。当物品数量庞大，且重量不是固定数值而是不确定的范围时，问题就会变得困难。
房屋保险组合为何不同？
并非所有风险都以相同方式变化。一起车祸在很大程度上可能与另一名驾驶员遭遇的车祸相互独立，但与天气相关的危险可能会同时影响大量保单。野火、飓风和暴风雪可能损害同一地区的许多房屋，使损失彼此相关，而不是独立事件。
Allstate首席分析与数据官埃里克·霍尔兹表示，房屋保险需要从组合角度思考，而不仅仅是关注单个风险。因此，仅逐一评估每处房产再汇总结果并不够；保险公司还必须估计多项损失同时发生时可能出现的情况，并确保极端情景处于公司能够接受的风险水平之内。
Allstate目前依靠经典模拟来估计可能结果。公司可能运行10万个未来情景，但罕见且代价高昂的事件仍然是一个挑战。如果关注这些情景中最糟糕的1%，剩下的将只有约1000个事件；在分析跨越广泛地理区域的多种风险时，这一数量可能无法提供足够的确定性。
结合量子计算与经典计算的方法
研究团队测试了一种针对房屋保险组合的量子方法。该方法使用运行在IBM Quantum Heron处理器上的量子电路，生成一组候选解，并将计算引向兼具价值且符合预算或可接受损失上限的组合。
随后由经典阶段对结果进行优化。它会修正超出预算的解，学习哪些房屋经常出现在优质解中，然后利用这些信息指导下一轮计算。这样，整个过程以循环方式重复，目标是每次迭代都改善结果。
研究人员还遇到了在大型问题上训练量子电路时的一个已知问题：问题规模越大，学习信号可能越弱。为克服这一点，团队先在问题的小型版本上训练电路，再将学到的内容迁移到更大的版本。
IBM量子计算研究员、论文作者之一维布哈夫·库马尔解释说，当前的经典方法要么依赖多个情景的模拟，这种选择虽然精确但计算成本高；要么关注最坏的可能范围，这种选择更加安全，但可能过于保守。
与传统优化方法的比较
为了衡量新方法的表现，团队将其结果与一种精确解进行了比较。这种精确解如果获得足够时间，就能得出经过证明的最佳答案。团队还将其与四种在速度和准确性之间进行权衡的常见近似方法进行了比较：
每种方法在每个问题上都获得了30分钟。在包含最多75个元素的问题中，所有方法都达到了经过证明的最佳结果。随着问题规模扩大，量子—经典方法仍能与最强的经典启发式方法竞争：其表现接近这些方法，并且在严格约束条件下略有领先。
不过，该方法目前还无法处理那些精确解变慢到失去实用价值的问题规模。因此，这些结果是未来可能实现实际价值的早期信号，而不是量子计算已经在大规模商业环境中解决保险组合构建问题的证据。
Allstate从这次实验中学到了什么？
Allstate认为，目标是搭建一座双向桥梁：了解量子设备目前能够做什么，确定哪些业务问题可能从设备改进中受益，然后找出技术能力与实际需求的交汇点。
霍尔兹表示，商业价值实现时间表尚不明确，并不意味着应该等待，因为那些较早培养相关技能并确定合适问题的公司，可能会在技术进步时做好更充分的准备。霍尔兹和Allstate保险产品组织数据科学家兼技术主管让·奥特克都指出，与其脱离实际用途单独研究技术，不如从一个真正重要的业务问题入手。
这项合作始于IBM面向量子领域新入门组织推出的Quantum Accelerator项目，随后发展为一项持续两年的联合研究。奥特克表示，这项工作具有透明性，研究团队发布了结果、代码和数据，使其他人能够检查并在其基础上继续开展研究。
量子工作流将在保险公司决策和组合构建中发挥何种作用，仍存在开放性问题。但这次实验让Allstate获得了问题表述、任务选择以及将量子处理与经典方法相结合方面的实践经验。随着硬件改进和噪声降低，IBM预计需要在经典侧执行的工作比例将会下降。