量子计算是未来计算领域的重要突破。尽管围绕它的宣传声势浩大,但我相信它有可能解决一些极其重要的问题。
从大幅缩短新药研发时间到创造更环保的能源,企业将拥有突破性发展的巨大机遇。
然而,这里存在一个重大问题:具备企业实现量子计算全部潜能所需技能的人才严重匮乏。
例如,英国国家量子战略就明确指出,这一技能缺口是量子计算要实现繁荣与安全面临的一项挑战。
那么,需要哪些技能?企业需要填补哪些岗位?为什么在实用的量子计算技术可能还需数年才能真正到来之时,领导者必须立即采取行动?
量子如何影响劳动力技能?
量子计算利用量子物理中令人难以置信的可能性,以远超传统计算机速度执行某些计算,这对企业具有深远的影响。
企业需要在量子硬件与软件、量子算法以及如何在量子能够处理的大规模数据下解析数据的科学领域中,吸纳相关专家。对于某些计算而言,这种速度可能比传统计算机快上数亿倍。
除了这些硬性技术技能外,医疗、医药、金融、物流与网络安全等多个领域的专家,也需要了解量子技术为他们带来的新可能性。
这并不意味着他们必须成为量子科学家。但人们必须对使用新一代量子工具与技术抱有信心。
在数据分析和模拟构建方面,应用量子计算的专业知识对那些涉及生物系统、气候模式及金融市场建模的企业来说,将至关重要。
企业高管和领导者也需要理解,量子计算的到来将如何影响他们所需的技能。市场上对领导岗位人才的需求将大幅提升,这些领导不仅需要了解量子所能实现的功能,还得能够营造有利于创新的企业文化,并将其应用于实现战略目标。
企业现在可以做些什么?
有些人(如 Nvidia CEO Jensen)认为,实用的量子计算技术可能还需很长时间才会成熟。然而,整个行业并不完全认同这一观点,因为相关研究与技能的投资在稳步增长,且实际应用案例也开始浮现。
在我看来,任何可能受量子计算影响的企业现在应采取几个重要措施。
首先,制定量子战略。这意味着评估其对所在行业的影响,并确定推动业务增长或改善成果的机遇。
其次,加大在教育与培训上的投入。这包括对现有员工进行技能提升,使他们理解量子技术带来的影响与机遇。可利用在线课程、内部培训或与教育机构合作的方式进行培训。Google, Microsoft 与 IBM 等公司均提供面向企业专业人士的相关课程。
此外,企业也不应忽视与专家建立联网与合作关系所带来的好处。确认行业内在量子技术应用方面的领军人物,建立合作伙伴关系,并考虑聘请外部顾问。
最后(就当前而言),要为营造一种鼓励全面、多学科量子探索的企业文化奠定基础,这其中包括今天我们所讨论的技能培养要素。意思是要鼓励每个人分享他们的工作经验和所学到的教训。
以上这些都是企业在“学习阶段”应该立即采取的步骤,以防错失未来机会。
现在就应对技能挑战,为量子时代做好准备
世界经济论坛今年的一份报告发现,大多数组织对于量子驱动的未来准备严重不足。
那些等到技术普及之后才开始弥补技能缺口的企业,将使自己处于竞争对手的劣势之中。
我认为,将量子计算仅仅视为另一项新兴技术是一个错误的看法。
AI 依赖于庞大的计算能力,很多 AI 计算在量子硬件上可获得显著的加速。所以,将来可能会出现这样一个局面:处在 AI 前沿的竞争,也必然需要拥有量子领域的专业知识。
如果没有能力培养和吸引合适的人才,也缺乏他们发挥作用的框架,企业必然会错失机遇。而那些了解未来趋势,并现在就开始建立正确的技能体系和培训计划的企业,将迎来成功。
好文章,需要你的鼓励
本文探讨如何使用生成式AI和大语言模型作为倾听者,帮助用户表达内心想法。许多主流AI如ChatGPT、Claude等被设计成用户的"最佳伙伴",或试图提供心理健康建议,但有时用户只想要一个尊重的倾听者。文章提供了有效的提示词技巧,指导AI保持中性、尊重的态度,专注于倾听和理解,而非给出建议或判断。同时提醒用户注意隐私保护和AI的局限性。
北京大学团队开发出WoW世界模型,这是首个真正理解物理规律的AI系统。通过200万机器人互动数据训练,WoW不仅能生成逼真视频,更能理解重力、碰撞等物理定律。其创新的SOPHIA框架让AI具备自我纠错能力,在物理理解测试中达到80.16%准确率。该技术将推动智能机器人、视频制作等领域发展,为通用人工智能奠定重要基础。
人工通用智能和超级人工智能的出现,可能会创造出一种全新的外星智能形态。传统AI基于人类智能模式构建,但AGI和ASI一旦存在,可能会选择创造完全不同于人类认知方式的新型智能。这种外星人工智能既可能带来突破性进展,如找到癌症治愈方法,也可能存在未知风险。目前尚不确定这种新智能形态是否会超越人类智能,以及我们是否应该追求这一可能改变人类命运的技术突破。
香港大学和蚂蚁集团联合推出PromptCoT 2.0,这是一种让AI自动生成高质量训练题目的创新方法。通过"概念-思路-题目"的三步策略,AI能像老师备课一样先构思解题思路再出题,大幅提升了题目质量和训练效果。实验显示该方法在数学竞赛和编程任务上都取得了显著提升,为解决AI训练数据稀缺问题提供了新思路。