根据BT发布的一份研究报告,经过数十年的研究和实验,量子技术正在从发现阶段转向部署阶段,而即将到来的一年对于在2035年前建成世界级量子网络的目标至关重要。
BT研究与网络策略总经理Gabriela Styf Sjoman表示,英国量子技术发展的下一阶段关键在于构建量子就绪和量子安全的网络。
到2035年建成世界级量子网络的目标是提供连接量子技术所需的安全基础设施,并实现真实世界的应用。
在BT发布这份报告的同时,英国研究与创新机构正在制定其386亿英镑的预算计划,其中在2026-2030年期间已承诺将10亿英镑投入量子技术领域。
BT表示,全球对量子技术的发展势头正在快速增强。量子计算机正在兴起,投资不断增长,早期应用正显示出真正的价值。该公司声明,量子技术不再是遥远的前沿领域,它正成为下一个十年的定义性技术之一,而英国有着引领发展的关键机遇。
BT认为,2026年在量子任务方面取得进展对于实现英国到2033年获得全球量子技术市场15%份额和全球私募股权投资15%份额的目标至关重要。
然而,该公司补充说,这些技术需要顶级的基础设施才能有效运行。Styf Sjoman说:"尽管量子计算机、传感器和设备令人兴奋且非凡,但如果它们孤立存在,就无法发挥真正价值。只有当它们相互连接——彼此连接、与用户连接、与数据连接、与更广泛的数字生态系统连接时,它们的真正价值才能得以释放。就像AI需要云基础设施,电动汽车需要充电网络一样,量子技术需要既量子安全又量子就绪的网络。这是英国未来量子经济的基础。"
BT将自己的角色定位为提供量子安全和量子就绪网络的服务商,并相信作为英国领先的网络提供商,它在构建这种基础设施方面具有独特的优势。
报告显示,BT正在使用后量子密码学(PQC)、量子密钥分发(QKD)和基于纠缠的安全技术等技术开发量子安全网络,确保数据在今天得到保护,并能抵御未来的威胁。
量子就绪网络将连接量子计算机、传感器和设备,旨在实现量子互联网并释放尚未存在的应用潜力。
为此,2025年BT开始与萨福克大学合作建设一个专为光学空间到地面通信设计的研究设施,该公司表示这对于未来的卫星量子网络至关重要。它还开发了量子传感方面的知识产权,并试验了量子射频接收器。
英国研究与创新机构已选择BT领导Spectra项目,旨在推进量子射频传感技术,并加强英国的主权能力,产生全球影响。
Styf Sjoman说:"制造量子技术与启用、采用和实施这些技术同样重要——这对英国的领导地位至关重要。英国在2016年就已经从强势地位出发,拥有蓬勃发展的初创企业、强大的工业参与者和世界级的研究。现在我们需要加速采用,并建立更深入、更具韧性的供应链。政府需要发挥关键作用:刺激需求、召集行业和用户,并帮助将突破性科学转化为可部署的解决方案。"
Q&A
Q1:BT提到的量子网络建设目标是什么?
A:BT的目标是在2035年前建成世界级量子网络,这将提供连接量子技术所需的安全基础设施,并实现真实世界的应用。
Q2:为什么量子技术需要专门的网络基础设施?
A:虽然量子计算机、传感器和设备本身令人兴奋,但如果它们孤立存在就无法发挥真正价值。只有当它们相互连接——彼此连接、与用户连接、与数据连接、与更广泛的数字生态系统连接时,它们的真正价值才能得以释放。
Q3:英国在量子技术领域的发展目标是什么?
A:英国的目标是到2033年获得全球量子技术市场15%的份额和全球私募股权投资15%的份额,并在2026-2030年期间投入10亿英镑用于量子技术发展。
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。