AWS今天宣布Amazon Braket量子计算服务现已全面上市。
AWS去年在Re:Invent大会上以预览形式公布了Amazon Braket,这是一项完全托管的服务,让开发者、研究人员和科学家可以使用来自三家硬件提供商的量子计算设备。
量子计算机技术发展迅猛,由于是基于完全不同的架构,所以具有解决极其复杂问题的潜力,甚至是那些现有最强大计算机也无法解决的问题。
量子计算机与经典计算机之间的区别在于,量子处理是同时以多种状态进行的,传统计算机使用二进制数字,也就是表示为1或0的“位”,而量子计算机使用可以“叠加”的“量子位”,表示为1、0或者同时两种状态。
量子位还采用了一种所谓超密集编码的方法,可以同时保留两个“位”,所以一个量子位中保留两个叠加位,就意味着可以处理的数据量是普通计算机的4倍。此外,量子位还可以相互关联,让每个位都了解其他所有位的状态,也就是说,当量子位越来越多的时候,所能提供的性能是呈指数级增长的。
Amazon Braket实际上是一种基于云的测试环境,让研究人员可以用来创建量子算法,并在由合作伙伴(包括D-Wave Systems、IonQ和Rigetti Computing)构建的、基于不同硬件架构的量子计算机上进行尝试。
这一点很重要,因为量子计算领域的竞争才刚刚开始,现在还不清楚哪个架构最好,哪家公司排名第一。很有可能是不同的量子架构适合于解决不同类型的问题,在这种情况下,这三家公司都具有一定的影响力。
D-Wave Systems是第一家以量子退火超导体架构为基础打造量子计算机的公司,并因为被人所熟知。D-Wave Systems的客户包括谷歌等公司,且拥有自己的云服务,研究人员可以在它的云中测试它的平台。
Rigetti的量子计算机则是建立在基于门的超导架构上的,稍有不同,但在这两种情况下,量子电路都是由超导材料制成的,必须保持在接近绝对零度的环境下才能运转。
IonQ可能是这三家公司中最有意思的,因为IonQ使用捕获的离子或悬浮在真空中的带电粒子来创建量子位,因此不需要让硬件保持在极低温度的环境下。
Amazon表示,使用该服务的客户可以利用Braket开发人员工具包设计他们的量子算法,或者从预先构建的算法库中进行选择,而且他们还使用将量子系统与经典计算系统结合在一起的混合算法,克服当前新兴量子技术的局限性。
客户还可以使用Amazon的量子解决方案实验室,该实验室旨在让用户和来自多家量子计算公司的专家共同确定使用量子计算技术的方法。
Amazon表示,现在Braket已经在美国东部(弗吉尼亚北部)、美国西部(加利福尼亚北部)和美国西部(俄勒冈州)的AWS区域上线,并计划未来在更多地区上线。
Braket服务的竞争对手包括微软的Azure Quantum,后者采用了来自IonQ、霍尼韦尔和Quantum Circuits的量子计算机,但是目前仍处于预览阶段。
谷歌和IBM还基于专有硬件构建了自己的量子计算机,并通过他们各自的云服务提供给研究人员。
Constellation Research分析师Holger Mueller认为,Amazon在让Amazon Braket量子服务全面上市的过程中表现出色,因为Amazon在量子计算领域其实是晚于竞争对手的。
Mueller说:“但现在,AWS Braket产品已经跃居领先地位。谁将赢得胜利,这要取决于开发者将现有云资产与量子技术相结合的难易程度,因为这将帮助开发者提高服务,为企业加速做出贡献。”
好文章,需要你的鼓励
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
AI代码编辑器开发商Cursor完成23亿美元D轮融资,估值达293亿美元。Accel和Coatue领投,Google、Nvidia等参与。公司年化收入已突破10亿美元。Cursor基于微软开源VS Code打造,集成大语言模型帮助开发者编写代码和修复漏洞。其自研Composer模型采用专家混合算法,运行速度比同等质量模型快四倍。公司拥有数百万开发者用户,将用新资金推进AI研究。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。