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
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。