过去 50 年间,计算机、互联网和数字化一直是创新的主要推动力,但经典计算架构已经面临其局限性。
量子计算正在成为解决问题的新方案,它能够快速提升处理能力,用于解决特别棘手的难题,比如精确模拟药物对人体的影响,或预测极端天气事件所需的极其复杂的计算。
我不打算深入讨论技术差异,但为了让大家更好理解,这里简单介绍一下基础知识:
经典计算机建立在二进制位的基础上,只能存在开或关(1 或 0)的状态,而量子计算机则使用量子比特处理信息,由于量子层面的奇特物理特性,量子比特可以同时处于 0、1 或两者叠加的状态!
虽然不懂量子物理很难理解这一点,但最终结果就是:量子计算机能够进行远比我们日常使用的经典计算机(笔记本电脑、智能手机、工作站和数据中心)更复杂的运算。
对于那些任务可以通过量子计算加速的企业来说,这是一个巨大的机遇。这意味着我们需要了解量子计算的优势,以便识别未来潜在的应用场景。让我们来看看具体情况。
量子计算机更擅长的领域
构建不受严格开/关逻辑限制的机器,是向更准确模拟极其复杂的真实物理系统迈出的重要一步。毕竟,我们周围的世界、自然、宇宙和人体并不是以二进制方式运作的!
这使得量子计算机在处理涉及大量变量的问题时表现更优,比如复杂的优化问题或计算机密码学。
这些计算在金融领域用于构建投资组合和评估保险风险,在物流领域用于确定最高效的配送路线,在材料科学领域用于开发新型塑料和合金。
更好的药物发现也依赖于我们以更高精度模拟分子的能力。分子层面的化学反应和生物相互作用通常不遵循 1/0 逻辑。
人工智能 (AI) 将成为本世纪最具变革性的技术,而机器学习和数据分析中的许多计算,如模式识别,都可以通过量子计算加速。
另一个预计将产生重大影响的领域是密码学和网络安全。保护世界私密数据的加密技术基于大数分解的难度,这对经典计算机来说需要极长时间才能完成。而量子计算机几乎可以立即破解,这导致了人们担心某些加密方法将被淘汰,并促使开发新的"量子安全"密码学。如果你的业务依赖于信息安全,这绝对是你现在就需要注意的问题!
经典计算机仍然更擅长的领域
尽管量子计算机令人兴奋,但对大多数人来说,经典计算机仍将是我们日常生活的主力。
对于托管和管理电子邮件服务器、运行办公和生产力软件、管理数据库和网络,经典计算机将继续作为 IT 基础设施的支柱。
量子计算的增强算力在运行这些工作负载时并不会带来实际好处。
我们现有的系统,包括结构化数据库、云存储以及大型数据集的存储和检索,将继续由经典计算机主导。
同样,数十亿低功耗的商用设备,如汽车、家用电器、城市基础设施和工业机械中的嵌入式处理器,也将继续使用经典计算。
量子计算机昂贵且脆弱,通常需要在接近绝对零度的环境中运行。因此,对于任何需要在桌面或口袋中进行计算的设备来说,它们都不太实用。
即将到来的量子革命
总的来说,经典计算机将继续作为日常商业技术的主力。而量子计算机则将成为专门用于解决特定复杂问题的高度专业化工具。
量子计算机不会取代经典计算机,它们将协同工作。借助 AI 和自动化,界面最终将对我们变得无形,智能代理会将工作负载分配到最合适的平台上。
如果你在可能被量子计算颠覆的领域或行业工作,这种转变很可能会是戏剧性的。
在金融服务、物流和制造业等许多行业中,对效率的竞争以及由此带来的成本降低都是极其激烈的,毫秒级的差异都很重要。这意味着量子计算等新技术的出现将创造新领导者崛起的机会,打破现有秩序。
现在是时候认识到,不仅科学家和计算机工程师需要了解量子计算的能力。如果专业人士、企业领导者和决策者们想要在竞争中占据先机,他们也应该开始深入了解这项技术。
好文章,需要你的鼓励
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。