注册账号 | 忘记密码
这就是通常会产生突破性技术进步的环境。毫无疑问:量子计算的突破将是一个重大突破。它将给现代企业界带来两个巨大、突然发生的变化:第一个是终结我们现有在公共网络上保障数字隐私和安全的基础设施,让尚未升级基础设施的企业完全无力防范毁灭性攻击。第二个变化更积极,算法能力的爆发能完成如今计算机做不到的事情,并有望重塑我们的世界。具有商业价值的量子计算机会何时面世?自从肖尔算法的原理证明演示以来,时间已经过去了近20年,科学家们在开发大型量子计算机方面仍然面临着无数挑战。怀疑论者认为,站在自身角度,对量子计算的现实应用感到兴奋或焦虑还为时过早。过去可以为我们提供启发:晶体管的发明是在1947年,然而第一个4位处理器是25年之后才出现,在那之后又过了25年,英特尔才推出了带有数百万晶体管的奔腾Pro芯片。技术进步需要时间,量子也不例外。但量子技术正在到来,用不了多久,企业管理者就会考虑它将如何刺激数字投资、重塑行业和激发创新。在短期内,它不会成就或破坏业务,但对量子应用的透彻了解至关重要,它可以让你的公司在未来十年内做好获益的准备,并避免潜在灾难。何为量子计算机?量子力学——在原子和亚原子层面上研究物质和光的行为的科学——的原理是磁共振成像、激光、原子钟和纳米显微镜等创新的核心。可是,利用这些原理制造计算机需要我们掌握一项全新技能:精确控制量子系统的行为,同时保留其“怪异”的量子力学性能。这是一项艰巨的任务,因为量子系统(比如光子和电子)非常脆弱且不稳定,其行为与我们对物理世界的运行方式根深蒂固的看法相悖。可是加以正确利用时,它们的反直觉力量就是解锁新功能的特性,而不是漏洞。制造实用量子计算机最大的障碍之一是量子位不会长时间逗留。振动、温度和其他环境因素可能造成它们失去量子力学特性,从而产生错误。目前量子位的错误发生率限制了算法可以运行的持续时间。科学家们正在努力打造一种环境,许多物理量子位会在这种环境中共同作用,创造出容错逻辑量子位,这种容错逻辑量子位可以留存更长时间,长到足以支持商用应用。生成一个逻辑量子位很可能需要大约1000个物理量子位;当今最先进的量子计算机只有50到100个物理量子位。过去几年里,企业越来越多地参与到量子计算机的制造中。IBM和谷歌这两家在这一领域最乐观的科技公司均认为,逻辑量子位将在两年内面世。就像基于晶体管的计算一样,量子计算的商用不会突然出现,而是会随着逻辑量子位数量的增加和错误率的降低而稳步提升。企业应该如何利用量子计算机没有几家公司会在短期内制造或拥有量子计算机。相反,我们将看到一种云计算式模式,在这种模式中,企业会租用由几家专业提供商主理的量子机器的访问权,类似于今天的公司从AWS、谷歌云和Microsoft Azure购买计算服务。量子计算机不会单独使用,而会成为混合解决方案的一部分,其中的各种任务将被分配给最合适的设备(量子计算机或传统计算机)。量子计算云基础设施将实现资源共享,创造规模经济,降低成本,提升访问量,而这又会推动需求,加快进展。随着量子硬件和软件的改进,算法设计者将有能力对他们的想法和设想进行实验和迭代。他们能够改进现有算法并创建新算法,而无需在实用机器的开发与测试之间等待多年。量子算法与传统计算机使用的算法截然不同。最有可能应用于商业流程的可分为五大类;其中一些可以提升我们完成标准任务的速度,而另一些则为我们提供了全新机会。
何为量子计算机?
企业应该如何利用量子计算机
模拟。当理查德·范曼(Richard Feynman)和保罗·贝尼奥夫(Paul Benioff)等量子先驱最初设想量子计算机时,他们相信它将揭开大自然运作的秘密。我们正开始见证他们的远见卓识。比如:用100个强关联电子模拟一个化学反应(固氮就是这样的反应之一)是强大的传统计算机鞭长莫及的事。不过在2017年,由苏黎世联邦理工学院(ETH Zurich)理论化学教授马库斯·赖厄(Markus Reisher)领导的一个团队计算了这项任务所需的量子系统的规模,并引入了一种可行的方法。该团队发现,如果使用一组先进的机器,每台机器大约有100个逻辑量子位,这一目标是可以实现的。因模拟自然过程而可能出现突破的例子比比皆是。研究人员正在研究量子技术如何为光合作用等化学机制提供新思路。如果量子模拟能够解决材料科学问题,比如找到化合物用于更高效的电池、更好的太阳能电池和更高效传输能量的新型输电线,或许我们可以更好地应对全球变暖。线性系统。线性系统方程是工程、金融、化学、经济学和计算机科学中许多传统计算应用的核心。量子计算为这类方程之解的采样提供了指数级改进的可能性。最有前途的线性系统应用可能在提升后的机器学习领域。神经网络领域的应用——一种训练计算机执行受人脑工作方式启发的任务的方式——出现了爆发式增长,以推动各种各样的应用。与此同时,加强训练计算机模型的需求也与日俱增。以推荐系统为例。奈飞(Netflix)在一个大型矩阵中将订阅者对其档案中所有电影的偏好进行了建模,用来向用户推荐没看过的电影。量子算法或许能够比传统计算机更快、更准确地做出类似推荐,尤其是在矩阵中涉及许多面的时候。线性系统算法——以及我们会看到的其他类型算法——面临的挑战之一是所谓的数据加载问题:如何将大量传统数据传输到量子计算机中。解决这一问题将是其商用进程的重要里程碑。优化。用于优化的算法可以确认特定场景中最有可能达到特定目标的决策。比如,投资经理会试图通过平衡预期回报和某种风险指标来为客户找到最佳退休策略。量子优化算法可以提升解决方案的质量,提高寻求解决方案过程中的计算速度。优化算法可以使各行各业的企业受益。任何依赖于寻找最佳供应链路线,或提高制造设施生产率的企业都已了解优化在提高业绩方面的重要性。大多数的优化问题都可以使用传统计算机和算法充分解决。设想一下,你希望优化下班回家约30公里的车程,谷歌地图可以估算最佳路线。无论是选择绝对最佳路线还是相差一分钟内的路线,都没有太大的影响。可是,对于更大规模的挑战和那些增量改进非常有价值的挑战,量子计算优化算法可能会改变游戏规则。非结构化搜索。当传统计算机需要在非结构化的数据库中查找精确的信息目标时,它必须逐行搜索,直到找到一个查询匹配项。可是,计算机生成的每一个搜索结果都没有提供额外的信息;也就是说,否定结果不会缩小后续搜索的可能性。这是计算机科学最基本的问题之一。为了更快地查找信息,人可以运行多台传统计算机,每台计算机都进行逐行搜索。有了量子计算,搜索速度可以更快,搜索数据的范围跨度可以更大。依赖于数据库探查的应用包括互联网搜索引擎、信用卡交易的实时处理,甚至是为寻找外星智慧迹象对天文无线电波的扫描。格罗弗算法(Grover’s algorithm)是开发于1996年的一种强大的量子搜索理论,可以极大改善计算机在大型非结构化数据库中查找信息的方式,从而解决所谓“大海捞针”的挑战。看看基因组技术的例子,它们为微生物学提供了变革性的见解——比如,识别遗传性心脏疾病,以及为实时侦测和监测流行病提供了巨大的可能性。这些技术需要大量的计算机能力。每次研究人员将DNA序列映射到参考基因组时,他们都必须在传统计算机上进行大规模搜索。格罗弗算法可以大大加快搜索速度,但它们只能在实用量子计算机上运行。因子分解和加密。正如我们之前讨论的,质因数分解在很大程度上是当前全球互联网安全和隐私基础设施的基础。银行余额、比特币、信用卡、社交媒体密码,以及几乎所有网络罪犯感兴趣的其他东西,都由于因子分解问题而得到保护,传统计算机无法用暴力解决这些问题。量子计算可能会颠覆这种范式,使我们今天所依赖的加密系统变得更容易被破解。2021年4月,负责制定网络安全标准的美国政府机构国家标准技术局(National Institute of Standards and Technology,NIST)警告说,“我们无法预测能够执行肖尔算法的量子计算机何时会被对手利用,但是……当那一天到来时,所有用当前公开密钥算法保护的密钥和私钥——以及受到这些密钥保护的所有可用信息——都将遭到曝光。”不法之徒可能无法破解当前的加密技术,但他们可以轻易获取加密格式的数据(比如,通过侵入互联网服务提供商,并复制流经通信)。想象一下,如果一个黑客获取并存储加密数据,并等待一台足够先进的量子计算机出现,来破解加密技术会怎么样?到那时,所有的数据都将曝光。为了防止这种情况发生,远在量子计算机大规模运行之前就必须转向抗量子加密技术。管理者应如何应对尽管商用量子计算机尚未面世,但现在就可以开始准备。管理者应关注两项关键活动:警觉和预见。警觉意味着要密切关注迈向关键技术里程碑的进展速度。这些里程碑包括第一个逻辑量子位的演示、错误率的降低,以及与传统计算机相比在商业上——而不仅仅是技术上——已得到证实的量子优势。企业可以利用专家小组和预测比赛等渠道来跟踪进展。接下来的数月和数年里,我们可能会发现预测太过保守,量子时代将比我们想象的更早到来。如果到达里程碑的路程坎坷,那么传统计算机的主导地位将会持续一段时间。预见,或者说就量子计算将如何影响公司提出计划和预案,是与警觉相随的。从短期来看,你应该组建一支了解量子计算影响的团队,能够发现公司未来的需求、机会和潜在的缺陷。当管理者开始思考量子计算及其将如何影响企业时,应该问自己以下问题:我们目前在哪些方面受到计算能力局限性的限制,这些领域是否可用量子算法五大类别中的任意一个进行处理?机器学习和其他类型人工智能的主要用途是什么?量子计算对这些领域有多大帮助?最后,我们希望在基础层面上模拟什么样的生物或化学过程?解开自然的秘密是这一领域的先驱们对量子计算设想的首次利用,它仍然是最令人心动的。在21世纪上半叶的某个时间,我们将用量子位来解决这一挑战——以及许许多多其他挑战。乔纳森·鲁安(Jonathan Ruane)安德鲁·麦卡菲(Andrew McAfee)威廉·奥利弗(William D. Oliver)| 文
管理者应如何应对
乔纳森·鲁安(Jonathan Ruane)安德鲁·麦卡菲(Andrew McAfee)威廉·奥利弗(William D. Oliver)| 文