
CNET科技资讯网 7月3日 大连报道(文/刘克丽):传统计算机产业界不必惊慌,即使量子计算机商业化后也不可能取代传计算机,而是成就传统计算机完成的工作,它们之间关系不是取代关系而是互补,这是昨天、今天在参加了两次达沃斯量子计算机和量子科学分论坛上4个量子科学家们的共识。
有关专家在回答我的问题说,由于传统计算机和量子计算功能域、使用域等不同,所以两者不是取代关系。他说由于在特殊环境下,经典的物理学定律失效,量子物理学定律执行,量子计算机基于这些定律,研制成功的量子计算机用途完全不同传统计算机,主要用于概率性分析,由于量子有纠缠特点适用于点对点保密信息收发。
4次误会走错场,是我参加达沃斯论坛的花絮。
虽然我参加过无数次的国际会议,可参加达沃斯论坛可是第一次,注册时直接到了媒体注册区,拿出身份证被告之我没有注册,这就怪了,那怎么会沒有我呢,当时有位小姐又仔细校对了我的身份证,看了我的生日,提醒了我,应该是不是在媒体领袖处报道,果然在媒体领袖注册处找到了我的名字,顺利注册成功。
事后我把自已是媒体领袖的事儿忘了,更沒注意的入门牌是白色和其他媒体有什么不同,在第一天中午听完李总理的报告后到了午饭时间,先后进不去两个饭区,说我是白牌子不能进,1点一刻了我这吃货还没饭吃,肚子饿得直叫呢,我先喝点水吧,下午一点半的论谈马上开始了,我又问了几个人有人提醒我是媒体领袖应该在领袖村进餐,我才恍然大悟直奔三楼狼吞虎嚥几口慌慌奔向我想参加的分论坛地点。
这可不怪我迷糊,怪大会组织者,头天报道时准备下载会议日程APP,被告之Android系统暂时不行,这真事,要说市场份额只有15%的苹果手机暂时不行可理解,Android不能下载会议日程真的好怪!
注册之后我拿到了印刷精美的日程,也将APP的事抛在脑后,没想到由于有些论谈临时改时间改地点,二次失去我想参于论坛的机会,特別可惜的是超算论坛,误听了两个其他论坛,特別是人体器官再生论坛,尤其是我这个连身检都怕的家伙,看到PPT上出现了逼真的人体器官很不礼貌地逃了出来。
这也不是我糊涂,是瑞士量子科学家教授Janatan的问题,我一直在追量子计算机相关论坛,我发现量子计算机和量子科学两论谈咋用同一PPT呢,我细仔一看是同一个人在讲并用一套PPT,干嘛浪费我时间,忽悠人,我问他你到底见过量子计算机没有,他说他只是学朮研究,之后几圈的分桌讨论他再也没到我在桌上来过。
还好,量子科学论坛后来那主讲的不同。
领袖村有处移动办公区,有5个小空间,有桌椅有电源可充电,有在校大学生在这里当志愿者,手机充电器扦在插座上表示占位,办公座位一般都有人,我看这位子没人,只有充电器,我先坐着边充电边整理稿子,一会儿我看我想参加的论坛时间快到了,我离开了办公区去了论坛,待论坛散了的时候我再次去充电,这样来来回回好几次。
待我昨天下午6点钟再见到小伙子,他慌慌张张地问我看到他苹果充电器没有,我一听这话就不高兴,我说我又不是果粉,要你充电器干么子。
小伙子连忙向我道欠,我至今好奇怪,全球经济论坛领袖村算贵宾室还有贫这小便宜的小偷。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。