谷歌公司日前发表一篇科学论文,表示已经成功在实验室环境中利用53量子比特超导芯片首次证明所谓“量子霸权”理论。
量子霸权是指对量子计算机执行复杂计算能力的实际证明,要求其解决经典计算机所无法解决的计算任务。谷歌方面此次宣布,其Sycamore芯片已经成功达成这项目标。
此次验证的核心,在于利用处理器中的量子比特查找随机数生成模式。Sycamore在约3分20秒之内即给出一组准确的结果。根据谷歌公司的介绍,即使是全球最强的超级计算机(由美国能源部使用的200千万亿次Summit系统),完成这项任务也需要1万年时间。
上个月,这篇论文的副本曾意外流出,而学术界对此做出的评价亦褒贬不一。《纽约时报》采访到的研究人员将谷歌的这一里程碑比作莱特兄弟于1903年首次完成飞机试飞。但着力开发自有量子芯片的IBM公司科学家则对这项突破提出质疑。
IBM专家们在博文当中指出,实际上,Sycamore所做的计算任务完全能够在经典计算机上求解。他们引用了IBM的一项分析结果,表明只要具备充足的存储硬件,Summit在理论上完全能够在合理时间内完成这项计算任务。他们指出,“我们认为,经典系统能够在2.5天之内完成同一任务的理想模拟,且保真度更高。”
事实上,量子计算领域的其他参与者对这条消息也抱持谨慎的乐观态度。红杉资本资助的量子软件初创企业Q-CTRL Pty公司CEO Michael Biercuk表示,“如果能够通过后续严格审查,这一学术成就将具有里程碑式的意义。”而英特尔实验室负责人Rich Uglig则强调,量子计算机远未达到商业可行的水平,但仍对这一消息表示祝贺。
此外,Constellation Research公司分析师Holger Mueller表示此次成果只是万里长征的第一步。
他指出,“这第一步当然是辛勤工作与大量投资的结果,但对量子计算的实际应用并没有多大影响。每项技术都拥有自己的第一步;对于现在的量子计算,最重要的在于降低复杂性、降低总体拥有成本,以及实现下一代量子应用与传统应用间的共存。”
打造一款超越超级计算机的量子芯片绝非易事。位于美国加州圣芭芭拉谷歌实验室(Sycamore即诞生于此)的研究人员开发出一种基于超导金属的新架构,同时采用可靠性更高的量子比特设计以避免计算错误。
谷歌公司量子计算负责人John Martinis与Sergio Boixo解释称,“我们利用一种新型控制旋钮达成了此次目标。该旋钮能够关闭相邻量子比特间的交互,从而极大减少这类多连接量子比特系统中出现的错误。我们还对芯片设计做出优化以减少串扰问题,同时开发出新的量子比特控制校准技术以进一步提高性能水平。”
谷歌公司在商用量子计算机的研发方面已经投入十余年光阴。其早在2006年就加入这场竞争,最早由研究人员Hartmut Neven发起项目,旨在探索如何将量子计算与机器学习结合起来。谷歌现在拥有专门的量子计算工程小组,并与多所高校就相关技术开展积极合作。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。