英特尔研究院推出英特尔量子软件开发工具包的测试版
量子计算既有望显著加快复杂问题的解决速度,也可能助力材料、化学品和药物设计、金融和气候建模以及密码学领域的重大突破。虽然量子比特方面的进展是量子计算迈向实际应用的重要一步,但是要充分实现这项技术的潜力,还需要在整个硬件和软件栈上都取得大幅进展。

英特尔采用全系统架构方法,涉及完整的计算堆栈,从量子比特架构和算法研究到电控设备(control electronics)、互连、量子软件工具链和编译器,一直到应用层。(图片来源:英特尔公司)
为了推进这个过程,英特尔研究院开发了一个名为英特尔®量子软件开发工具包(Intel® Quantum SDK)的全栈软件开发工具包,可与英特尔的量子计算堆栈相连接。该工具包允许开发者编写新的量子算法,以便未来能在模拟和真实的量子硬件上运行量子比特。目前,测试版用户已在用它探索化学、材料和流体动力学模拟,以及求解线性方程组的算法,这些算法可用于金融建模等现实场景。
英特尔量子软件开发工具包有着直观的用户界面,提供基于LLVM的C++语言编译器工具链,专门针对混合量子-经典算法(hybrid quantum-classical algorithms)优化了量子运行环境,以及高性能的英特尔®量子模拟器(IQS)作为以量子比特为目标代码的后端(qubit target backend)。工具包的未来版本将采用不同的以量子比特为目标代码的后端,包括一个量子点量子比特模拟器,最终还将提供以英特尔量子点量子比特设备作为目标代码的后端。

英特尔量子软件开发套件(SDK)有着直观的用户界面,提供基于LLVM的C++语言编译器工具链,专门针对混合量子-经典算法优化了量子运行环境,以及高性能的英特尔量子模拟器作为以量子比特为后端的目标代码。未来,这个软件开发工具包将与英特尔量子比特硬件相连接。(图片来源:英特尔公司)
此外,英特尔也致力于打造量子生态系统。通过使用行业标准的LLVM编译器,英特尔正在降低量子开发者的门槛,因为LLVM编译器的界面更友好,为传统计算开发者所熟悉。英特尔量子软件开发工具包测试版的用户包括位于德国慕尼黑的代根多夫应用技术大学和Leidos公司。代根多夫应用技术大学正在利用英特尔量子软件开发工具包,研究对空气动力学和流体力学很重要的流体动力学问题,Leidos正在探索的应用领域则包括计算化学和材料建模,以及分布式计算的隐私保护和安全。

QuTech量子计算实验室的稀释冰箱。代尔夫特理工大学的 QuTech是英特尔公司在荷兰的量子计算研究合作伙伴。(图片来源:英特尔公司)
此外,英特尔还在支持课程开发,促进开发者生态系统的构建,以探索量子计算在编程上的应用。大学将开发和分享量子课程内容,从而扩大英特尔量子软件开发工具包的使用。今年获得英特尔支持的大学包括俄亥俄州立大学、宾夕法尼亚州立大学、宾夕法尼亚大学、代根多夫应用技术大学以及庆应义塾大学。
英特尔量子软件开发工具包的推出是英特尔在推进全栈量子开发上的初步努力。作为测试过程的一部分,英特尔将收集用户反馈,据此调整计划于明年早些时候推出的1.0版本。英特尔量子软件开发工具包的测试版本现在已经可以在英特尔开发者云平台(Intel Dev Cloud)上获取。
好文章,需要你的鼓励
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
各行业企业存储的数据量持续攀升,5PB以上已成常态,10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长:更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展,企业将意识到非结构化数据管理对AI投资回报率的关键作用。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。