量子计算机会成为数据中心领域的下一个重大事件吗?大多数量子乐观主义者(即那些相信量子计算机或多或少已经准备好用于现实世界的人)都会说是的。
随着量子计算机从实验系统发展成为企业大规模利用的生产就绪型资源,数据中心显然是它们能够生存下来的地方,但这并不一定意味着大多数数据中心很快就会成为量子设备的最终归宿。
量子计算机进入传统数据中心的速度,或者数据中心发展以适应量子设备的速度,可能会很慢。
量子计算机的现状
截至2024年,量子计算机利用量子力学执行操作的速度要比传统计算机快数千倍,与几年前相比已经取得了长足的进步。
虽然我们还没有足够可靠的、足够便宜的、足够可扩展的量子计算机来处理日常工作负载,但谷歌和IBM等大型科技公司已经在运行可以处理现实世界任务的量子设备了。
出于这个原因,很多观察家认为我们正在接近于实现量子实用性——意味着可以广泛部署量子计算机。
量子计算机和量子数据中心
尽管量子计算技术取得了进步,但量子计算机和数据中心行业之间几乎没有融合。大多数量子设备仅用于专用数据中心,而不是托管传统基础设施的日常数据中心。
可以肯定的是,一些量子计算机运营商将这些设施(例如谷歌位于圣巴巴拉的量子实验室)称为“量子数据中心”,但其实并不是传统意义上的数据中心;而是专门为容纳量子计算机而建造的建筑物。
然而,我们有充分的理由期待传统数据中心(目前这种数据中心的主要工作是托管传统服务器,而不是量子计算机)也将成为量子设备的家。毕竟,在空间、能源和冷却设备方面,量子计算机与传统计算机都有相同的基本需求。在数据中心部署量子设备和x86或者ARM服务器一样是有意义的。
这方面的计划已经在制定中了:去年,Equinix宣布与量子计算厂商Quantum Circuits合作,在Equinix数据中心部署量子计算机。Equinix表示,部署工作将在“2023年底”完成,但两家公司似乎并未实现这一目标。尽管如此,他们的这一举措意义重大,因为这代表了将量子计算机引入传统数据中心的首批努力工作之一。
数据中心量子面临的挑战
尽管在把数据中心转变为量子计算机之家方面取得了一些进展,但我们可能看不到不久的将来有大规模的此类部署。量子计算行业和数据中心行业仍然面临着严峻的挑战。
在量子计算方面,在我们可能会看到更多企业对数据中心内部署量子计算机表现出兴趣之前,对现实环境中量子设备的需求需要提升起来。尽管近年来量子计算机取得了重大飞跃,但大多数仍然仅用于实验或概念验证目的。有分析师预测,随着企业对量子基础设施进行大规模投资(其中大部分可能是在数据中心内的),这种情况将在未来几年发生变化,但目前这还没有发生。
对于数据中心行业来说,许多设施需要进行一些物理改造才能成为量子计算机的理想家园。目前,传统数据中心提供了量子设备运行所需的核心空间和资源,但量子计算机有一些独特的需求,例如针对电磁干扰的额外保护,这是大多数数据中心目前无法提供的。
好消息是,在大多数情况下,满足这些要求不需要从头开始重建数据中心。数据中心可以进行改造以变得对量子友好,但几乎还没有哪个数据中心经历过这样的变化——而且鉴于在数据中心部署量子设备的需求较低,很少有数据中心运营商有强烈的动力去优化他们的量子计算设施。
因此,在量子数据中心成为普遍现实之前,必须克服先有鸡还是先有蛋的问题:在更多企业希望在数据中心内部署量子计算机之前,数据中心运营商不太可能投资于适应量子硬件所需的变革。但在此之前,企业也没有理由把数据中心改造成量子计算机之家。
量子数据中心缓慢但稳定取得进展
我们正在一步步形成一个世界,在这个世界中量子计算机在数据中心中变得司空见惯,但这至少还需要好几年的时间。
在不久的将来,我们最接近于实现量子数据中心的情况可能就是进行小规模的概念验证,例如Equinix的量子计算机部署试点。预计这种情况会发生改变,但还不会太快。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。