量子计算近近一段时间来被炒得沸沸扬扬。咨询巨头McKinsey麦肯锡公司称,仍处于起步阶段的量子计算领域有可能为各行业的企业创造800亿美元的收入。
自3月以来,McKinsey在推特上重复了这一说法近20次,McKinsey的目的是促进自己不断增长的量子计算研究各个方面的数据收集,包括从创业和政府资金到使用案例及其对一系列行业的潜在影响。
这家咨询巨头认为,这个800亿美元的数字代表了量子计算参与者的“风险价值”,而不是使用案例可能创造的实际价值。量子计算参与者包括了从事量子计算各方面工作的公司,例如组件制造商、服务提供商等等。
尽管数字非常乐观,但McKinsey的报告确实也是以一些实际的现实为基础。例如,在周三的报告中,McKinsey表示,量子系统的硬件“仍然太不成熟,无法实现大量的使用案例”,进而限制了“刚起步的软件公司的机会”。报告的作者补充表示,这可能是新的量子初创企业进入市场的速度开始放缓的原因之一。
甚至McKinsey关于量子计算的页面顶端也承认,有能力的系统要到2030年才会就绪,这与包括英特尔在内的各个行业参与者的预期是一致的。就像核聚变一样,量子计算始终是十年左右以后的事情。
McKinsey也像所有正在探索量子计算是否具有现实价值的公司一样正试图走精细路线,一方面探索量子计算的可能性,同时又指出量子计算技术与普通企业现实未能接轨的地方。
McKinsey在2021年12月的一篇文章讨论了用例如何才“变得真实”,文章表示,“虽然量子计算有望帮助企业解决传统高性能计算机无法达到的问题和速度,但在目前的早期阶段,使用案例主要是实验性和假设性的。事实上,专家们仍在争论该领域最基础的话题。”
可以说,这份报告对2022年量子行业来说只是某种隐喻,偏向于对未来生态系统的盈利能力的狂热乐观,而实际还没有真正了解量子计算技术将来到底意味着什么和对谁意味着什么以及怎样的规模。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。