量子计算正以前所未有的方式改变基础设施的规划、设计和建设方法,这其中包括数据中心。然而,对于量子计算何时能突破实验阶段,成为数据中心运营中的现实应用,业界意见分歧。
凤凰城大学近期对 1000 名美国 IT 专业人士进行的一项调查显示,量子计算将在 2025 年成为一项重要的新兴技术。
不过,尽管调查中近一半受访者认为量子计算将在十年内对 IT 基础设施产生颠覆性影响,但很多人仍不确定其具体影响到底如何。
在数据中心行业面临对计算能力和能源效率前所未有的需求之际,我们采访了一些专家,听取他们对量子计算时间表及其对该行业潜在影响的看法。
一个复杂的问题
量子计算利用量子力学原理,通过操控量子比特 (qubits) 来进行计算,从而比传统计算机更快地解决复杂问题。
随着计算需求激增以及能源限制日益严格,政府和科技巨头正携手推动量子计算的发展。
2024 年 7 月,IBM 和日本国立先进工业科学技术研究所 (AIST) 联合开展了下一代量子计算机的开发工作。
尽管量子计算对数据中心运营的影响可能深远,例如 IBM 正在为纽约和德国的数据中心引入量子计算技术,但其所面临的挑战同样巨大。
凤凰城大学应用工程副总裁 Todd Johnson 在接受 Data Center Knowledge 采访时表示,与经典计算不同,量子机器需要极为特殊的环境支持——比如低温冷却、电磁屏蔽以及抗震隔离等。
“这些要求绝对会重塑未来数据中心的设计,不仅在物理结构上,而且在其运营方式和工作负载安全性上都会产生重大影响,”他说。
Johnson 指出,诸如 AWS 在内的多家公司已经正通过 Amazon Braket 等服务将量子计算整合到其生态系统中,而 Microsoft Azure 则通过 Azure Quantum 提供灵活的量子资源配置。
这些平台正在为混合量子-经典环境打下基础,减少对现场量子硬件的依赖,这意味着未来的数据中心可能不再局限于物理空间,而更多地依赖云原生编排技术。
IBM 的 Heron 芯片相比之前的 IBM 量子计算机性能提升达 16 倍,速度提升达 25 倍。 图片来源:IBM。
基础设施密集、环境脆弱
Johnson 概述了量子计算如何在数据中心环境中“改写剧本”,改变了对能源消耗和冷却需求的认知。
“虽然实际计算效率更高,但为了使量子机器运行所需要的环境,尤其是要将温度降至接近绝对零度,其能耗非常巨大,”他说。
当企业将其基础设施迁移到云平台,并将 CRM、HCM 和统一通信平台 (UCP) 等关键平台转变为云原生版本时,就能减少 24/7 运行大规模物理服务器所耗费的能量。
“如果量子计算能够在规模上实现商业化,云服务合作伙伴很可能会承担冷却和能量开销,”Johnson 表示,“这对可持续发展和专注核心业务都是一个利好。”
Omdia 高级计算部门首席分析师 Alexander Hallowell 指出,除非当前那些较为前沿的技术方案(例如光子学或基于半导体的某些技术)证明其可靠性,否则量子计算很可能会依然依赖于高强度基础设施并且环境上也会较为脆弱。
“数据中心必须提供对环境干扰的严格隔离,以及诸如低温冷却等全新的支持服务,”他解释道。
他预测,在主流数据中心运营中采用量子计算至少还需五年,可能“远不止如此”。他补充说,目前很难预测这项技术的普及将如何影响下一代数据中心的规模、布局和基础设施优先级。
“可以肯定的是,量子计算将会是大量经典计算能力和 GPU 的补充,而非取而代之,”Hallowell 表示。
量子与经典之间的对话
在 Johnson 看来,一个巨大挑战在于构建一个混合模型,使量子系统与经典系统能够高效对话。
“如今的应用和平台是基于二进制逻辑构建的;而量子引入了概率性逻辑——这完全是另一种玩法,”他说。
整合能够利用量子优势(如优化问题和复杂仿真)同时又能保持其他任务在经典系统上运行的接口、中间件及编排工具,是一大挑战。
“转向云原生应用可能使企业处于有利位置,因为各大平台或许已经开始在其产品路线图中融入量子技术,”他补充道。
这意味着企业可以在不必完全重构现有系统的情况下,享受到量子创新的带来的优势。
“这不是要取代经典计算,而是在适当的场景下对其进行增强,”Johnson 解释道。
空间、时间、专业技能——以及成本
量子计算所涉及的高昂成本起初将成为许多中小型数据中心企业面临的一大挑战。
前 ISACA 董事会主席兼 Crypto Quantique 主席 Rob Clyde 表示,一台量子计算机(包括制冷设备)在规模化部署时可能要耗资高达 1 亿美元。
他补充说,目前具备量子计算操作和编程的专业人士非常稀缺。
“由于我们需要一支合格的队伍来操作及编写这些量子计算机代码,因此这将成为一个重大问题,必须通过培训和教育措施加以解决,”Clyde 指出。
量子计算机也缺乏类似于经典计算机所拥有的高级编程语言——对此,Clyde 指出业界正在努力解决,但这需要时间。
他解释说,数据中心还必须有足够的空间来满足量子计算机的安装需求——由于制冷设备的原因,可能需要占用一百多平方英尺。
“数据中心的设计必须考虑到这一点,”他说,“当然,如果未来的量子计算机不再需要这种极端的冷却条件,情况或许会有所改变。”
他还指出,数据中心的布局设计必须考虑到量子计算机不能与经典计算机系统并置放置,必须有适当的屏蔽措施,否则噪音会影响量子计算机并增加错误率。
此外,数据中心还需要构建一个将量子计算机与经典计算机互联的网络基础设施。
“在最初阶段,这很可能在每个数据中心会以定制化方式进行,但最终市面上会有标准化的现成解决方案,使得这一过程更容易管理,”Clyde 说。
在这个过程中,还会制定相关标准和协议,从而使数据中心和企业能够更好地实现互联。
“很多聪明人正紧锣密鼓地解决这些问题,”Clyde 表示,“未来几年内我们或许能看到显著的进展。”
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。