微软宣布结束噪声易错量子机器时代,将其庞大资源投入构建容错量子计算机,旨在与人工智能和经典高性能计算协同工作。
在新加坡接受Computer Weekly采访时,微软量子团队高管概述了一项战略,该战略依赖于新型量子比特的突破、成为开放平台参与者的承诺,以及AI让量子编程人人可及的力量。
微软量子业务企业副总裁祖尔菲·阿拉姆指出,行业正处于重大拐点。他表示:"我们越来越多的同事认识到,NISQ(噪声中等规模量子)时代基本结束,逻辑量子比特时代即将到来。"
从NISQ系统向稳定纠错逻辑量子比特的转变是微软量子计算工作的核心。经过17年高风险高回报的技术研究,公司信心倍增,这一努力终于获得回报。最终成果是创造了Majorana 1芯片,通过分裂电子形成本质上免受环境噪声影响的量子比特,使用了一种全新的物质状态。
阿拉姆解释:"量子机器保真度不高,因为其状态不稳定。但当你将电子分裂成两半时,就强制形成了不会被干扰的保护状态。我们改变了问题本质,只需做对一次,就像处理其他存储电路一样,可以逐步重复。"这突显了该技术的可扩展性潜力。
美国国防部高级研究计划局(DARPA)选择微软作为其容错量子计算机原型交付项目最后阶段的两家公司之一,验证了这一进展。
尽管取得进展,微软并不将量子计算机视为经典机器的替代品。相反,它设想了一种混合模型,量子处理单元作为特定问题的强大加速器,与经典CPU和图形处理单元协同工作。
阿拉姆表示:"量子机器不是独立的量子实体。它需要一台强大的超级计算机来控制量子机器,还需要AI引擎来编排工作流程。"
这种集成是技术民主化的关键。微软量子和AI副总裁斯里尼瓦斯·普拉萨德·苏加表示,目标是通过利用AI(特别是GitHub Copilot等工具)来抽象量子物理的复杂性,将自然语言提示转换为复杂的量子电路。
阿拉姆解释:"当你说'设计一种新催化剂来提高XYZ产量'时,AI会设计工作流程,系统会判断问题的哪些部分最适合在经典或量子硬件上运行,执行计算,并为用户综合结果。"
从化学到全行业平台
虽然量子计算的杀手级应用主要在化学和材料科学领域,但微软正在构建服务多个行业的广泛平台。
阿拉姆指出,作为平台供应商,微软的目标是支持不同类型的量子技术,包括第三方技术。Azure Quantum平台已提供来自Quantinuum、IonQ和PASQAL等合作伙伴的量子硬件设备访问,这些设备使用离子阱和中性原子等不同技术。
微软自身的工作显示出巨大前景。苏加引用了一个项目,该项目使用AI和高性能计算大幅缩短新电池材料的发现时间,在80小时计算时间内将3200万个潜在候选材料减少到仅18个。这展示了AI和高性能计算的结合如何已经在解决科学挑战,量子计算将进一步加速这一进程。
在制药领域,量子机器将使研究人员能够模拟大蛋白质和小金属分子之间的相互作用来开发癌症药物,据阿拉姆称,这开启了"医学的全新领域"。在金融领域,重点是"小数据、高计算"优化问题,而非筛选大型数据集。
在安全方面,微软加倍投入后量子密码学(PQC),该技术依赖被认为能抵抗量子计算机的新数学算法,以保护数据免受未来量子攻击,这一方向由政府的强烈需求推动。
阿拉姆表示:"我们给客户的指导是确保在客户端设备上部署PQC,这样数据就会使用连量子机器都无法破解的对称密钥加密。我们对PQC的有效性很有信心。"
随着这些进展,微软向企业传达的信息很明确:现在就是准备的时候。阿拉姆说:"这不是15年后的事情,而是在未来5年左右就会实现。AI在5年前的状态就像我们现在的情况。你需要开始准备利用量子的力量。"
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。