11月,IEE Spectrum發(fā)布了一篇題為《The Case Against Quantum Computing(科技行者編譯文章:全球理論物理學泰斗給量子計算機潑冷水:可預見的未來造不出來)》的文章。在文章當中,作者Mikhail Dyakonov提出了自己的觀點,表示由于實現(xiàn)過程中的一系列技術挑戰(zhàn),在可預見的未來,造出實用性的通用型量子計算機的可能性非常小。
在全世界都對量子計算抱有極高的熱情當下,這篇文章的出現(xiàn)引發(fā)了熱烈的討論甚至爭議。
圖片來源:iStockphoto
大致在同一時間,由美國國家科學院、工程院與醫(yī)學院組建的專家委員會也一直在努力試圖找出這個問題的答案——量子計算機到底還需要多久才能發(fā)展成熟,從而帶來實際的商業(yè)價值。更具體地,該委員會正在“對創(chuàng)建出能夠解決實際問題的功能型量子計算機的可行性與影響進行專門的評估”,并估算“完成這項工作所需要的時間與資源,考量如何對成功機率做出準確判斷。”
針對這些問題,上周該委員會正式發(fā)布了一份長達205頁的報告(報告下載地址:https://www.nap.edu/catalog/25196/quantum-computing-progress-and-prospects),并舉辦了一次面向記者的網(wǎng)絡研討會。
該委員會由13位量子計算專家組成,其中包括:來自加州大學圣芭芭拉分校的谷歌量子計算硬件項目負責人John Martinis、來自芝加哥大學的圣芭芭拉分校自旋電子學與量子計算中心前負責人David Awschalom,以及來自加州大學伯克利分校的伯克利量子信息與計算中心聯(lián)合主任Umesh Vazirani等。
面對量子計算的前景問題,這支專家小組更傾向于給出樂觀積極的回答。當然,他們也沒有回避在設計并制造實用性通用量子計算機方面面對的難題。恰恰相反,在報告中,我們多次看到了與Dyakonov類似的,對于量子計算前景持懷疑態(tài)度的重要依據(jù)。
與大多數(shù)主流新聞媒體所認為的,“量子計算機能夠完成各種稀奇古怪的任務處理,并且只需要五到十年即可全面實現(xiàn)”的觀點不同,在報告當中,委員會成員們強調了以下 “重要結論”:
在促進人類理解宇宙的基礎性研究方面,量子計算具有非常重要的意義。與所有基礎科學研究一樣,該領域的發(fā)現(xiàn)可能會帶來變革性的新知識與應用方向。
對此,Dyakonov在他的文章中也表示:“對量子計算的實驗性研究是有益的,這可能幫助我們更好地理解復雜的量子系統(tǒng)。”
總的來說,正如委員會成員們所提到,任何類型的基礎科學研究都具有價值,因為其可能會帶來其它一些非直接,但具有實際意義或者對社會有益的成果。而政府以及其它科學與工程機構的核心目標,在于弄清楚哪些基礎研究比其它研究更具價值。從這個角度來看,這份報告非常具有指導意義,它能激發(fā)大家以更嚴謹?shù)目茖W態(tài)度,去進行量子計算研究。
好文章,需要你的鼓勵
浙江大學團隊提出動態(tài)專家搜索方法,讓AI能根據(jù)不同問題靈活調整內部專家配置。該方法在數(shù)學、編程等任務上顯著提升推理準確率,且不增加計算成本。研究發(fā)現(xiàn)不同類型問題偏愛不同專家配置,為AI推理優(yōu)化開辟新路徑。
清華大學研究團隊提出SIRI方法,通過"壓縮-擴張"交替訓練策略,成功解決了大型推理模型"話多且準確率低"的問題。實驗顯示,該方法在數(shù)學競賽題上將模型準確率提升43.2%的同時,輸出長度減少46.9%,真正實現(xiàn)了效率與性能的雙重優(yōu)化,為AI模型訓練提供了新思路。
南洋理工大學與騰訊聯(lián)合研究團隊開發(fā)出Rolling Forcing技術,實現(xiàn)AI視頻實時流式生成的重大突破。該技術通過滾動窗口聯(lián)合去噪、注意力錨點機制和高效訓練算法三項創(chuàng)新,解決了長視頻生成中的錯誤累積問題,可在單GPU上以16fps速度生成多分鐘高質量視頻,延遲僅0.76秒,質量漂移指標從傳統(tǒng)方法的1.66降至0.01,為交互式媒體和內容創(chuàng)作開辟新可能。
華中科技大學研究團隊發(fā)現(xiàn),通過讓AI模型學習解決幾何問題,能夠顯著提升其空間理解能力。他們構建了包含約30000個幾何題目的Euclid30K數(shù)據(jù)集,使用強化學習方法訓練多個AI模型。實驗結果顯示,幾何訓練在四個空間智能測試基準上都帶來顯著提升,其中最佳模型達到49.6%準確率,超越此前最好成績。這項研究揭示了基礎幾何知識對培養(yǎng)AI空間智能的重要價值。