目前,全球各大IT企业纷纷进行量子计算技术探索绝不是什么偶然。特别是以谷歌、IBM以及英特尔为代表的巨头们正为各自的项目投入大量资源,而这一切也确实在过去几年当中带来了令人瞩目的进展。虽然这三大主要参与者已经吸引到众多媒体的关注与报道,但就目前的情况看,我们还很难断言未来这一新兴市场到底会由谁所主导。
这主要是因为,截至当下,人们对于哪种技术方法能够构建起真正具有商业可行性的通用量子计算能力还没有达成共识。也就是说,IBM、谷歌、英特尔乃至Rigetti都在开发自己的固态量子处理器。虽然这种方法延袭了数十年来各大厂商在硅基半导体和大规模集成电路方面的经验基础,但这种技术要求将芯片冷却到接近绝对零度,并使用主动纠错技术来保持量子位元的正常工作。
不过对量子计算的另类探索,则始于一个名为IonQ的研究项目——其利用悬浮在真空当中的镱原子将捕获的离子作为量子比特。在此项目中,研究人员利用激光束进行处理,包括操纵离子以实现原子量子比特的信息存储与检索、执行逻辑运算并将这些基本粒子连接起来以形成特定电路。在最近与IonQ公司CEO兼联合创始人Chris Monroe的对话当中,他介绍了为什么他坚信这种方法最有可能实现商业量子计算的飞跃式发展。
由于激光速受到编程机制的控制(编程由传统计算机实现),因此这套系统能够动态构建量子硬件以优化实际应用的电路布局。量子计算有望被应用于量子化学、物流、机器学习以及密码学等诸多领域并负责处理各种优化问题,而IonQ采取的前所未有新方式则使得量子计算系统能够以类似于FPGA的方式对硬件与软件进行编码,从而快速调整自身电路组成形式。
如果Monroe和他的公司能够通过这一另辟蹊径的方式超越其它规模更大、资金更充裕的竞争对手,那么原因绝不是InoQ拥有量子物理学知识更扎实的工程师团队。事实上,Monroe表示将处理器扩展至可运行实际生产型应用程序的挑战时,问题的核心并不在于实现质量更高的量子比特——现有原子的表现已经非常完美;相反,他们要做的是对量子比特施以精度更高的光学控制。其中的关键在于减少激光噪声与运动干扰,这要求他们提供更出色的工程技术支持,而非发现新材料或者实现其它物理层面的突破。
IonQ公司目前运行有三种设备。截至目前,他们最出色的系统能够一次运行10到20个量子比特,并成功完成数百次运算。在基准测试当中,他们的平均单量子比特门保真度为99.5%,双量子比特门保真度为97.5%,状态准备与测量结果间的误差仅为0.7%。这意味着他们的方案与迄今为止的任何固态量子器件相比,都能够达到相当甚至更好的水平。Monroe表示,他们坚信只需要改进光学控制系统,这些设备就能够扩展至数百量子比特并执行数万项运算,且完全无需任何纠错操作。
他承认,“从长远角度来看,这样的能力可能还不够好。但我们确实可以解决一些有趣的现实问题。”他们的长期目标是构建起能够数百万甚至是数十亿次运算的系统,为此,Monroe表示他们还是得采用纠错机制。但根据他的介绍,这些系统中每个可用量子比特可能只需要10或20个与之对应的纠错量子比特,这一数字要比使用固态量子器件进行纠错所需要的量子比特数低几个量级。
事实上,Monroe认为对固态量子计算处理器的探索终将是死路一条。如果研究人员无法改善这些系统目前所普遍存在的,高达2%的误差率,那么未来将需要过多的量子比特专门用于纠错,这意味着只有极少量的量子比特可以被真正用于执行逻辑运算。这种方法中的矛盾在于,随着各量子比特之间误差与串扰效应的增加,误差率也将随着量子比特的增加而趋于上升,这又反过来要求研究人员添加更多纠错用量子比特。他表示,“这意味着扩展尝试将变得非常非常困难。”
但IonQ公司也绝非无可匹敌,至少在第三方可用性方面,他们还得尽快缩小差距。目前IBM与谷歌,甚至包括初创企业Rigetti公司,都已经开始为研究人员乃至一部分潜在早期客户提供量子样机。IBM公司在这方面走得最远,其商用Q Network已经开始承接付费客户,并吸引到几家全球知名企业,例如摩根大通、三星以及埃克森美孚等。
自从2016年成立至令,IonQ公司及其35名员工一直致力于构建、测试并进一步完善其初始系统。到目前为止,该公司的战略始终是将全部资源投入到平台的快速发展层面,以避免其对于技术的探索受到妨碍。Monroe表示,该公司此前筹集到的2000万美元风险投资,目前已经花掉了三分之二甚至是四分之三,而这一切都被用在了技术开发当中。
IonQ公司目前已经与学术界保持一定的合作伙伴关系,允许部分科研人员临时访问他们的系统。但在Monroe看来,这还远远不够,他意识到有必要让自己的平台更广泛地接触研究人员与商业组织,以确保这类用户能够根据技术特性有针对性地开发出实际用例。虽然目前还没有发布任何官方消息,但这位CEO表示他们正在制定计划,并暗示称IonQ公司将在未来几个月陆续宣布多项即将与财力雄厚的合作伙伴正式开展的合作项目。
Monroe最后总结称,“人们正在迫不及待地敲门,他们希望早点体验到这些系统。”
好文章,需要你的鼓励
谷歌DeepMind等顶级机构联合研究揭示,当前12种主流AI安全防护系统在面对专业自适应攻击时几乎全部失效,成功率超过90%。研究团队通过强化学习、搜索算法和人类红队攻击等多种方法,系统性地突破了包括提示工程、对抗训练、输入过滤和秘密检测在内的各类防护技术,暴露了AI安全评估的根本缺陷。
西蒙弗雷泽大学和Adobe研究院联合开发的MultiCOIN技术,能够将两张静态图片转换为高质量的过渡视频。该技术支持轨迹、深度、文本和区域四种控制方式,可单独或组合使用。采用双分支架构和分阶段训练策略,在运动控制精度上比现有技术提升53%以上,为视频制作提供了前所未有的灵活性和精确度。
英国国王学院研究团队开发了潜在精炼解码(LRD)技术,解决了AI文本生成中的速度与准确性平衡难题。该方法通过两阶段设计模仿人类思考过程:先让AI在连续空间中"深思熟虑",保持多种可能性的混合状态,然后"果断行动",逐步确定答案。实验显示,LRD在编程和数学推理任务中准确性提升最高6.3个百分点,生成速度提升最高10.6倍,为AI并行文本生成开辟了新路径。
清华大学团队开发的ViSurf是一种创新的大型视觉语言模型训练方法,巧妙融合了督导式学习和强化学习的优势。该方法通过将标准答案整合到强化学习过程中,让AI既能从正确答案中学习又能保持自主推理能力。实验显示ViSurf在多个视觉任务上显著超越传统方法,特别是在处理模型知识盲区时表现突出,同时有效避免了灾难性遗忘问题,为AI训练提供了更高效稳定的新范式。