我们将在未来几年听到越来越多关于量子计算的讨论。一旦真正的主流应用案例开始出现,量子计算将成为科技界最热门的话题之一,与 AI 齐名。
事态正稳步向这一目标推进。对量子服务提供商和初创企业的大量投资表明业界已经认识到其重要性。同时,越来越多的实际应用案例也在展现量子计算在实验室之外的实际价值。
量子计算机利用量子力学的特性,能够以远超传统计算机数百万倍的速度完成某些任务。这将使它们在金融、网络安全、医学和材料科学等领域产生深远的变革性影响。
下面,我们来看看目前量子计算机究竟在实际应用中扮演着怎样的角色,以了解它们如何不断突破可能性的边界。
优化金融服务中的交易
IBM、Quantinuum、Banca D’Italia 与多所高校合作打造了一套量子计算系统,该系统能够处理极其复杂的优化任务。人们认为,这项技术可以通过减少 TARGET2-Securities 平台上结算股票交易延迟,为金融机构节省数百万美元。
量子计算机非常擅长解决这类涉及寻找众多复杂变量最佳组合的数学问题。在此案例中,优化的目标是找出处理交易最快捷、最高效的方法。
世界经济论坛认为,将量子计算技术应用到金融服务优化问题中,到 2035 年可释放 2 万亿美元的经济价值。
药物研发
量子计算机在模拟现实方面具有独特优势,因为现实世界遵循量子物理规律——而依赖简单二进制逻辑的传统计算机在准确模拟这一规律方面存在不足。
事实上,诺贝尔物理学奖获得者 Richard Feynman 曾表示,“大自然不是经典的,该死的!如果你想模拟大自然,你最好使用量子力学。”
量子计算先驱 Qubit Pharmaceuticals 利用量子计算的这一优势,更准确地模拟和预测人体内药物分子与疾病靶点之间的相互作用。据该公司创始人称,其中 70% 的相互作用复杂度过高,无法在传统计算机上进行建模。这意味着量子计算机更有可能发现潜在的新药和治疗方案。Google 和 IBM 也在构建专为这一任务优化的量子计算技术。
量子安全网络
利用量子技术开发的网络安全协议已在电信和政府通信基础设施等高风险领域得到了应用。三星已将量子密钥分发 ( QKD ) 集成到其 Galaxy Quantum 系列智能手机中,而现代与 Toshiba 则利用该技术构建量子安全网络。中国电信计划在 2027 年前推出全球首个量子安全的通讯网络。QKD 的原理在于量子力学中观测粒子会改变其状态的奇特特性,这意味着任何窃听企图都可以被立即检测到并即时中止。
更优质的电池
电池通常是电动汽车中最昂贵的部件。如何在保证体积、重量和制造成本最小化的前提下,从设备中产生大量能量,这对工程技术提出了巨大挑战。然而,现代与 IonQ 的合作成果带来了能够更好地模拟用于电池阴极的锂化合物性能的技术。这让研究人员能够迅速通过仿真测试候选材料,大幅加快发现新材料的速度。其结果便是生产出续航更长、充电更快且适用材料更广泛的电池。
真正的随机数
银行巨头 JPMorgan Chase 长期以来一直是量子计算研究的重要投资者,而目前初见成效。该银行的研究部门与德克萨斯大学及其他知名院校的学者携手,开发出生成真正不可预测数字的方法。相比之下,传统计算机使用确定性方法生成“随机”数字,这些数字并非真正随机,从理论上讲,足够强大的计算机总能破解或追溯到生成时使用的种子。人们相信,以这种方式生成的随机数字将成为未来更安全加密技术的基础。
走向商用量子计算
这里讨论的一切都已经在现实世界中存在,尽管它们都是由资金雄厚的公司基于定制架构构建的。然而,Google 量子负责人 Hartmut Neven 认为,商用现成的量子应用可能最早在五年内问世。
量子计算真正的变革性在于其强大计算能力将惠及更广泛的企业和组织用户,从而进一步加速创新步伐。
尽管量子计算机不会替代传统计算机在所有任务中的应用,但它们在擅长的高价值、业务关键任务上表现出色。所有涉及的相关领域都应立即做好准备,以迎接这场技术革命全面爆发时带来的剧变。
好文章,需要你的鼓励
这项来自麻省理工和滑铁卢大学的研究质疑了在AI文本排序中"思考过程"的必要性。研究者比较了三种文章重排模型:直接判断的StandardRR、先推理再判断的ReasonRR,以及禁用推理功能的ReasonRR-NoReason。实验结果表明,不仅推理过程没有提高排序质量,有时甚至会降低效果。主要原因是推理导致模型倾向于极端判断,难以表达"部分相关"这种微妙关系。即使应用"自洽性"等改进技术,简单直接的判断方式仍然更为高效有效。研究为信息检索系统设计提供了新视角:有时,少即是多。
TAGS是一种创新的医学问答框架,结合了泛医和专医两种视角,通过层次化检索和不确定性验证机制提升医学AI回答的准确性。该框架由穆罕默德·本·扎耶德人工智能大学等机构的研究团队开发,无需任何模型微调即可显著提升包括GPT-4o和DeepSeek-R1在内的大型语言模型在九个医学问答基准测试上的表现。TAGS通过模拟医疗专家协作、结构化知识检索和质量控制,解决了现有方法在复杂医学推理中的短板,为构建更可靠的医学AI系统提供了新思路。
这篇研究提出了时间抽象值学习(OTA)方法,解决离线目标条件强化学习中的长期规划问题。研究团队发现现有分层方法失败的关键在于高层策略无法生成合适子目标,原因是价值函数在长期规划中估计不准确。OTA通过"选项"概念实现时间抽象,有效缩短规划视野,使价值函数能提供更准确的优势信号。在复杂迷宫导航和视觉机器人操作任务中,OTA显著优于现有方法,证明了该方法在处理长期任务时的有效性。
这项研究探索了大语言模型内部可解释特征的形成过程,分析了它们在训练过程中(时间)、模型层级间(空间)和不同规模模型(尺度)的行为变化。研究团队使用稀疏自编码器技术,成功识别出特定语义概念在神经激活中出现的时间点和位置。研究结果显示,不同领域的知识概念在模型训练和规模扩展中存在明确的激活阈值,且在空间分析中发现了早期层特征会在后期层重新激活的现象,这挑战了对变换器模型表示动态的传统认知。