近日,国内首家从事“相干量子计算及光量子计算”研发的高科技公司——玻色量子再次完成数千万元Pre-A轮融资,本轮融资由海贝资本独家投资,这是继2021年连续获得天使轮与天使Plus轮融资之后,玻色量子获得的第三轮融资。
玻色量子成立于2020年底,是国内稀缺的专注于量子计算的海归创业企业之一。创始人&CEO文凯博士是清华基础科学班毕业,美国斯坦福大学博士。创始团队来自斯坦福大学、麻省理工、清华大学、中科院等顶尖学府。
进入2022年,量子计算再次成为两会的热点词汇,“东数西算”这一国家重大工程项目的提出,都标志着我国对于算力基础的需求进一步提升,量子计算也迎来从研究向落地转折,从学术向工程转化的“跨越鸿沟”阶段。北京、安徽、江苏、四川、广东等地政府也相应出台了一系列布局量子计算领域的相关政策与规划建议,大力推进量子计算等前沿技术与数字经济的协同发展,布局未来算力基础。
在这一战略背景下,起源于清华和斯坦福的玻色量子公司,聚焦“光量子计算平台”的硬科技创新,致力于光量子计算的各类型软硬件全平台研发。玻色量子专家团队在光量子领域十载厚积薄发,完全自主研发并实现光量子计算核心器件、关键组件国产化,在光量子稳定制备、光量子的精密测量和稳定控制等技术储备和工程化实现能力上,比肩国际顶尖水平。在此基础上的第一个里程碑产品定位于基于相干伊辛机的相干量子计算硬件产品——天工量子大脑。
国际市场上,光量子计算的代表企业PsiQuantum也在光量子的规模化制备,调控和纠错进行了布局,其公布的路线图计划中的Q1系统代表着光量子计算技术的重大突破,目标打造室温下稳定运行的100万个光量子比特,并提供纠错、容错的光量子计算机。
对于量子计算的发展前景,创始人&CEO文凯博士认为:“光量子是实现大规模量子计算的最佳途径之一,也是破局NISQ(含噪声的中等规模量子计算)时代的首选技术路线。与超导、离子阱等其他主流量子计算技术路线相比,光量子具有高速操作、稳定室温运行、全连接、工程化成熟等四大优越性。”因此,玻色量子将持续聚焦实现大规模光量子计算平台。
目前,玻色量子已与清华大学、北京量子信息科学研究院、光大科技、国防科技大学、天津大学、北京交通大学等国内十余所顶尖高校和研究机构、知名企业达成学术研究及产业化的联合合作,共建技术平台,聚集科研+产业界进行协同创新,于一年时间内完成近20项量子计算相关专利布局,并于2021年12月入选“北京市颠覆性技术研发和成果转化”核心项目,获得北京市科学技术委员会的全力支持,剑指建造大规模光量子计算平台,实现实用化量子计算这一远景目标。
在产业化应用上,玻色量子已经与光大科技联合发布“量子计算+金融”平台,并在新药研发、军工、交通等多个领域完成了突破性进展,稳步迈向0到1的量子计算实用化。
海贝资本是玻色量子此轮融资的独家投资方。由数名成功企业家、资深金融专业人士和互联网创业家组建而成,涵盖创投、风投、产业、创业服务、投行咨询等几大业务板块。重点关注并投资于消费升级、人工智能、大数据、工业4.0、企业服务、产业升级、文创娱乐等具有良好发展前景的行业和领域。
此轮融资后,海贝资本将以自身丰富的行业资源助力玻色量子在各行业领域的多元化合作发展,玻色量子也将持续专注于可扩展、可编程的光量子计算平台的研发和产业落地,建立上下游生态链和产业链,并不断完善量子计算对AI、大数据、企服等各类问题的计算加速应用,以解决未来时代的算力需求,占领全球前沿硬科技发展先机。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。