霍尼韦尔打造的离子阱系统
量子计算行业再掀新波澜。
日前,霍尼韦尔量子解决方案(HQS)公司宣布将从霍尼韦尔国际中拆分出来,并有意与剑桥量子计算(CQC)进行合并。我们预计合并后的公司最快将于今年年底上市。2015年创立的量子计算初创企业IonQ最近已经公布了上市计划。考虑到量子计算市场的火热前景,霍尼韦尔与剑桥量子的合并很可能成为新的惊爆点。
作为霍尼韦尔国际(市值320亿美元的企业集团,主要面向航空航天、建筑技术、高性能材料及技术,以及安全与生产力解决方案等市场)旗下的业务部门,霍尼韦尔量子解决方案成立于2018年,并坚持以离子阱技术为主体方向探索量子计算机的硬件设计。
剑桥量子计算则是由Ilyas Khan于2014年创立的量子软件公司,先后为量子化学、量子机器学习以及量子增强网络安全等领域开发过相关软件。剑桥量子在美国、欧洲及日本均设有运营分部,目前拥有60多位量子研究科学家,其中包括35位博士,专攻量子计算、化学、分子电子学、物理学、数学、计算机科学与纳米科学。自成立以来,剑桥量子共筹得7280万美元资金,目前的市场估值约为4.5亿美元。
交易与人才
霍尼韦尔国际将向新公司投资2.7亿至3亿美元,并掌握约55%所有权。作为回报,霍尼韦尔国际将获得一份协助霍尼韦尔量子解决方案制造离子阱的长期协议。
新公司名称将稍后公布。目前双方董事会已经批准交易,预计实际合并将在2021年第三季度之内完成。
霍尼韦尔董事长兼CEO Darius Adamczyk也将出任新公司董事长。
剑桥量子创始人兼现任CEO Ilyas Khan则将担任新公司CEO。在建立剑桥量子之前,Khan为斯蒂芬霍金基金会创始主席,同时也是剑桥大学圣埃德蒙学院研究员兼贾奇商学院驻校负责人。此外,他还是剑桥大学技术行业早期投资计划Accelerate Cambridge的重要参与者。
现任韦尼韦尔量子解决方案总裁Tony Uttley则继续担任新公司总裁。在此之前,Uttley曾先后在霍尼韦尔担任多个高层管理职务。而在加入霍尼韦尔前,Uttley为波士顿咨询集团核心高管。他拥有西北大学凯洛格管理学院工商管理硕士学位、休斯顿大学技术管理硕士学位以及明尼苏达大学机械工程学士学位。
霍尼韦尔量子解决方案为何拆分独立
根据霍尼韦尔发布的新闻稿,公司董事长兼CEO Darius Adamczyk表示“自2018年正式建立霍尼韦尔量子部门以来,各投资方一直呼吁直接投资这部分业务。新公司将为资方提供良好的投资通道,希望借此规模化引入新的、更多样化的资本来源,进而推动量子业务快速增长。”
Adamczyk所言非虚,投资者们对于量子计算确实抱有浓厚兴趣。就在几个月前,投资者们才刚刚对IonQ的上市计划抱以热烈响应。IonQ并没有进行首轮公开募股,而是选择与专司收购业务的dMY Technology Group III合并。根据合并协议条款,IonQ将借此获得6.5亿美元现金与新公司64%的股权占比。
量子研究需要长期资金投入
任何一家量子计算机初创厂商都需要庞大的启动资金以支撑量子计算机方案的配置、部署、开发及建造。但这还不是最重要的资金需求——初创企业需要维持稳定且充足的资金来源,由此支撑自身长期发展并最终获得商业成功。考虑到目前的量子计算机总体处于原型试验阶段,其真正的商业应用与市场创收可能还要多年时间。
具体来讲,我们当下还不具备将量子计算机扩展至数百量子比特的能力与知识储备。而在生产环境中执行实用复杂计算的量子计算机,很可能需要数百万个量子比特。
这种将数百量子比特提升至数百万的探索必然需要巨额研究资金。大部分专家认为,我们至少还需要五到十年才能构建起具备实用性及必要容错机制的量子计算机。
霍尼韦尔与剑桥量子各自拥有长期技术发展路线图,而双方合并之后的计划制定与执行工作必然需要雄厚的财力支持。如果继续以霍尼韦尔国际的内部部门存在,那么霍尼韦尔量子解决方案就只能由母公司帮助其完成融资。
合并收益
霍尼韦尔与剑桥量子合并建立的新公司将更强大,对投资者也更具吸引力。更重要的是,合并还将为新公司开启光明的上市融资大门。而如果继续留在霍尼韦尔国际的羽翼之下,显然不可能有这样的机会。
霍尼韦尔国际仍将为新公司提供广泛的技术专业知识,特别是软件、电气与机械工程、光学系统、物理学、真空工程以及精密控制等资源。除了IBM之外,没有哪家企业能够掌握如此全面的专业知识。对于量子计算这个还需要十年甚至更长时间才能成功的领域,如此丰厚的资源正可谓价值无量。
分析师纪要:
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。