Quantum Computing: Where We Are and Where We’re Headed [S74495]
量子計算：我們現在在哪裡以及我們前進的方向 [S74495]
https://hackmd.io/@tsaicm/rkiILRY31l

NVIDIA GTC 2025：頂尖人工智慧大會
GPU TAIWAN專屬的報名連結: https://www.nvidia.com/zh-tw/gtc/?ncid=ref-inpa-429799
報名跟與會上線雙條件，GPU TAIWAN社群抽4080S、5090等大獎。
活動網址: https://hackmd.io/JjJ0xRPNSwWQFJE3LRhbKg

講者背景與摘要

1. NVIDIA
代表人物：Jensen Huang（黃仁勳），創辦人兼首席執行官
公司介紹：NVIDIA 是一家全球知名的科技公司，總部位於美國加州，主要以設計圖形處理單元（GPU）聞名，廣泛應用於遊戲、人工智慧、資料中心和自動駕駛等領域。近年來，NVIDIA 也積極投入量子計算領域，開發與量子計算相關的模擬工具和軟體，例如 cuQuantum 軟體開發套件，幫助加速量子計算研究。
公司人數：截至2023年，NVIDIA 擁有約 26,000 名員工（全球）。
投資金額：NVIDIA 是一家上市公司，市值在2023年時已超過 1 兆美元。雖然具體在量子計算領域的投資金額未公開，但 NVIDIA 每年在研發上的投入超過 70 億美元（2023財年），其中一部分用於量子計算相關技術。
營業範疇：GPU 設計、人工智慧、量子計算模擬、資料中心解決方案、自動駕駛技術。
量子計算角色：NVIDIA 並非直接製造量子電腦，而是提供量子計算模擬和優化的軟體工具，支持量子計算的發展。
2. D-Wave
代表人物：Alan Baratz，首席執行官
公司介紹：D-Wave 是一家加拿大公司，成立於1999年，是最早專注於量子計算的公司之一，以量子退火技術聞名。D-Wave 提供商用量子計算系統，主要用於解決最佳化問題，例如物流、供應鏈管理和機器學習。
公司人數：截至2023年，D-Wave 約有 200 名員工。
投資金額：D-Wave 已獲得多輪融資，總額超過 2 億美元（截至2023年）。2022年，D-Wave 通過 SPAC 上市，估值約 16 億美元。
營業範疇：量子退火計算系統、量子計算雲服務、最佳化問題解決方案。
量子計算角色：D-Wave 是量子退火技術的先驅，其系統被企業和研究機構用於解決實際問題，但量子退火技術與通用的量子計算有所不同，應用範圍較為特定。
3. Atom Computing
代表人物：Ben Bloom，創辦人兼首席執行官
公司介紹：Atom Computing 是一家美國初創公司，成立於2018年，專注於使用中性原子技術開發通用量子電腦。該公司致力於構建可擴展的量子計算平台，目標是實現量子優勢。
公司人數：截至2023年，Atom Computing 約有 50-70 名員工（估計）。
投資金額：Atom Computing 在2021年和2023年進行了多輪融資，總額超過 6000 萬美元，投資者包括 Draper Associates 和 Innovation Endeavors。
營業範疇：通用量子計算、中性原子量子技術、量子計算硬體開發。
量子計算角色：Atom Computing 是通用量子計算領域的新興參與者，專注於硬體研發，目標是實現可擴展、高保真的量子計算系統。
4. SEEQC
代表人物：John Levy，首席執行官兼聯合創辦人
公司介紹：SEEQC 是一家美國公司，成立於2018年，專注於開發量子計算硬體，特別是超導量子計算系統。SEEQC 的特色是將量子計算與傳統半導體技術結合，開發低溫電子控制系統，減少量子電腦運行的複雜性。
公司人數：SEEQC 約有 50 名員工（截至2023年，估計）。
投資金額：SEEQC 已獲得約 3000 萬美元的融資，投資者包括 Merck 的 M Ventures 和 LG Electronics。
營業範疇：超導量子計算、量子計算硬體、量子控制系統。
量子計算角色：SEEQC 專注於超導量子技術，特別是量子計算的硬體整合和控制系統，目標是降低量子計算的運營成本和複雜性。
5. Microsoft
代表人物：Krysta Svore，技術研究員
公司介紹：Microsoft 是一家全球科技巨頭，總部位於美國華盛頓州，業務涵蓋軟體、雲計算、人工智慧等領域。Microsoft 在量子計算領域的投入主要集中在開發拓撲量子計算技術，並推出了 Azure Quantum 平台，提供量子計算雲服務。
公司人數：截至2023年，Microsoft 擁有約 221,000 名員工（全球）。
投資金額：Microsoft 在量子計算領域的具體投資金額未公開，但其年度研發預算超過 200 億美元（2023財年），其中一部分用於量子計算研究。
營業範疇：軟體開發、雲計算（Azure）、量子計算雲服務、拓撲量子計算。
量子計算角色：Microsoft 專注於拓撲量子計算技術（一種理論上更穩定的量子計算方法），並提供量子計算開發工具和雲服務。
6. Pasqal
代表人物：Loïc Henriet，首席執行官
公司介紹：Pasqal 是一家法國公司，成立於2019年，專注於中性原子量子計算技術，提供量子計算硬體和解決方案。Pasqal 的技術適用於模擬、優化和機器學習等領域。
公司人數：Pasqal 約有 100 名員工（截至2023年，估計）。
投資金額：Pasqal 在2022年獲得了 1 億歐元的融資，投資者包括 Quantonation 和 Saudi Aramco Ventures。
營業範疇：中性原子量子計算、量子計算硬體、量子解決方案。
量子計算角色：Pasqal 是中性原子量子計算的領先公司之一，提供硬體和應用解決方案，特別是在模擬和最佳化領域。
7. Infleqtion
代表人物：Matthew Kinsella，首席執行官
公司介紹：Infleqtion（前身為 ColdQuanta），成立於2007年，是一家美國公司，專注於量子技術，包括量子計算、量子感測和量子通訊。Infleqtion 使用冷原子技術開發量子系統。
公司人數：Infleqtion 約有 150 名員工（截至2023年，估計）。
投資金額：Infleqtion 已獲得超過 1.5 億美元的融資，投資者包括 Breakthrough Victoria 和 In-Q-Tel。
營業範疇：量子計算、量子感測、量子通訊、冷原子技術。
量子計算角色：Infleqtion 提供基於冷原子技術的量子計算平台，同時也在量子感測和通訊領域有廣泛應用。
8. QuEra Computing
代表人物：Mikhail Lukin，哈佛大學教授，聯合創辦人
公司介紹：QuEra Computing 是一家美國公司，成立於2018年，起源於哈佛大學和麻省理工學院的研究團隊，專注於中性原子量子計算技術。QuEra 的系統可用於模擬和最佳化問題。
公司人數：QuEra 約有 50-70 名員工（截至2023年，估計）。
投資金額：QuEra 在2022年獲得了約 5000 萬美元的融資，投資者包括 Rakuten 和 DARPA。
營業範疇：中性原子量子計算、量子模擬、最佳化。
量子計算角色：QuEra 是中性原子量子計算的領先公司之一，其技術特別適用於模擬複雜系統。
9. PsiQuantum
代表人物：Pete Shadbolt，聯合創辦人兼首席科學官
公司介紹：PsiQuantum 是一家美國公司，成立於2016年，專注於使用光子技術開發通用量子電腦。PsiQuantum 的目標是構建百萬量子位元的系統，實現量子優勢。
公司人數：PsiQuantum 約有 200 名員工（截至2023年，估計）。
投資金額：PsiQuantum 已獲得超過 7 億美元的融資，是量子計算領域融資最多的公司之一，投資者包括 BlackRock 和 Microsoft 的 M12。
營業範疇：光子量子計算、通用量子電腦、量子硬體開發。
量子計算角色：PsiQuantum 是光子量子計算的領導者之一，目標是實現可擴展的通用量子計算。
10. IonQ
代表人物：Peter Chapman，執行主席
公司介紹：IonQ 是一家美國公司，成立於2015年，專注於離子阱量子計算技術。IonQ 是首家通過 SPAC 上市的量子計算公司，提供量子計算雲服務。
公司人數：IonQ 約有 100 名員工（截至2023年，估計）。
投資金額：IonQ 在2021年上市時估值約 20 億美元，總融資額超過 4 億美元，投資者包括 Samsung 和 Hyundai。
營業範疇：離子阱量子計算、量子計算雲服務、量子應用開發。
量子計算角色：IonQ 是離子阱量子計算的領先公司之一，提供雲端量子計算服務，應用於多個行業。
11. Quantinuum
代表人物：Rajeeb Hazra，總裁兼首席執行官
公司介紹：Quantinuum 由 Honeywell Quantum Solutions 和 Cambridge Quantum Computing 於2021年合併而成，總部位於美國，專注於離子阱量子計算和量子軟體開發。
公司人數：Quantinuum 約有 400 名員工（截至2023年，估計）。
投資金額：Quantinuum 背後有 Honeywell 的支持，總融資額超過 3 億美元。
營業範疇：離子阱量子計算、量子軟體（包括量子機器學習和量子化學）、量子安全。
量子計算角色：Quantinuum 是離子阱量子計算和量子軟體的領導者，提供硬體和軟體解決方案。
12. Quantum Circuits
代表人物：Rob Schoelkopf，首席科學家兼聯合創辦人
公司介紹：Quantum Circuits, Inc.（QCI）是一家美國公司，成立於2015年，起源於耶魯大學，專注於超導量子計算技術，開發高效的量子計算系統。
公司人數：QCI 約有 50 名員工（截至2023年，估計）。
投資金額：QCI 已獲得約 4000 萬美元的融資，投資者包括 Sequoia Capital。
營業範疇：超導量子計算、量子硬體、量子誤差校正。
量子計算角色：QCI 專注於超導量子技術，特別是在誤差校正和系統效率方面有獨特優勢。
13. AWS (Amazon Web Services)
代表人物：Simone Severini，量子技術總經理
公司介紹：AWS 是 Amazon 的雲計算部門，總部位於美國，提供廣泛的雲服務。AWS 通過 Amazon Braket 平台提供量子計算雲服務，與多家量子硬體公司合作。
公司人數：AWS 隸屬於 Amazon，Amazon 總員工數超過 1.5 百萬（2023年），AWS 部門員工數估計在數萬人。
投資金額：AWS 在量子計算領域的具體投資金額未公開，但 Amazon 年度研發預算超過 600 億美元（2023財年），一部分用於量子技術。
營業範疇：雲計算、量子計算雲服務（Amazon Braket）、人工智慧。
量子計算角色：AWS 提供量子計算雲服務，與 D-Wave、IonQ 等公司合作，讓用戶通過雲端訪問量子計算資源。
14. Rigetti
代表人物：Subodh Kulkarni，首席執行官
公司介紹：Rigetti Computing 是一家美國公司，成立於2013年，專注於超導量子計算，提供量子計算硬體和雲服務（通過 Rigetti Quantum Cloud Services）。
公司人數：Rigetti 約有 150 名員工（截至2023年，估計）。
投資金額：Rigetti 已獲得超過 2 億美元的融資，並於2022年通過 SPAC 上市，估值約 15 億美元。
營業範疇：超導量子計算、量子計算雲服務、量子軟體。
量子計算角色：Rigetti 是超導量子計算的領先公司之一，提供硬體和雲服務，應用於多個領域。
15. Alice & Bob
代表人物：Théau Peronnin，首席執行官兼聯合創辦人
公司介紹：Alice & Bob 是一家法國公司，成立於2020年，專注於超導量子計算，特別是開發抗噪聲的量子位元（稱為「貓量子位元」），目標是實現容錯量子計算。
公司人數：Alice & Bob 約有 50 名員工（截至2023年，估計）。
投資金額：Alice & Bob 在2022年獲得了約 2700 萬歐元的融資，投資者包括 Elaia 和 Bpifrance。
營業範疇：超導量子計算、容錯量子計算、量子硬體。
量子計算角色：Alice & Bob 專注於抗噪聲量子計算技術，目標是實現更穩定的量子系統。
總結
這些公司涵蓋了量子計算的不同技術路線，包括超導量子計算（SEEQC、Rigetti、Quantum Circuits、Alice & Bob）、離子阱量子計算（IonQ、Quantinuum）、中性原子量子計算（Atom Computing、Pasqal、QuEra）、光子量子計算（PsiQuantum）、量子退火（D-Wave）以及量子計算雲服務和模擬（AWS、Microsoft、NVIDIA）。它們的規模從初創公司（幾十人）到科技巨頭（數十萬人）不等，融資額從數千萬美元到數十億美元，顯示了量子計算領域的多元化發展。

------
以下為AI逐字稿(僅供參考與快速瀏覽)

(前面有一段直播沒有整理到)

講者1：
我們正被帶向一個全新的領域。今天，我們看到的應用（applications），正如我所說的，我們主要聚焦於客戶或合作夥伴所面臨的大問題。我們希望解決什麼呢？比如在化學（chemistry）領域，你會看到一些應用。舉個例子，你如何開發出新的製冷劑（refrigerants）呢？這些製冷劑需要具備一定的可持續特性（sustainable properties），對吧？還有，如何在不需要鉑（platinum）作為催化劑（catalyst）的情況下，更有效率地從水中產生氫氣（hydrogen）？在生物學（biology）領域，我們正在研究肽（peptides）是如何結合（binding）的。這些都是非常具體的例子。

這樣的探索讓我們能夠理解兩件事：首先，你需要什麼樣的演算法（algorithms）來解決這些問題？其次，在某個時間點上，機器需要具備什麼樣的能力（capabilities）？這就引出了一個問題：效能標準（performance standard）是什麼？我來自一個傳統背景（classical background），我們有績效獎勵（performance rewards），也會計算每一美元的效能（performance per dollar）。現在我們走到了一個階段，如果你從解決大問題的角度來看，你希望從根本上解決問題，並以更高的精準度（accuracy）或更少的能量消耗（energy）來實現這一點。這時，我們就需要問：你的計算規模（scale of computation）是什麼？通常這涉及到量子位元（qubits）的數量，但同時也包括你能接受的保真度（fidelity）和錯誤率（error rates），以確保這些量子位元是有用的。

我並不是說現在已經找到了這些要素的完美比例，但這些問題正引導我們思考：你那台強大的量子電腦（quantum computer）到底有多實用？而要回答這個問題，只能通過審視大問題，並思考如何在量子電腦的幫助下解決它們，而不是簡單地用量子電腦取代傳統電腦（classical computer）。不過，我確實有一個疑問：量子計算（quantum computing）的定位是否有些不妥？我來試著解釋一下。在工業中，有許多東西是建立在基礎科學（fundamental sciences）之上的，而量子電腦從廣義上來說，可以是理解這些基礎科學的終極工具（ultimate instrument），進而影響相關產業。然而，因為它被稱為「量子電腦」而不是「量子儀器」（quantum instrument），人們對「電腦」這個詞有一個既定的概念：它應該能自己跑得超快，每個值得尊敬的電腦都應該能再次運行像《危機》（Crisis，一款遊戲）這樣的程式。

這種對電腦的普遍認知——它應該有記憶體（memory）、網路（network）、儲存（storage），能夠讀寫（read and write），並且有一個相關的程式設計模型（programming model）——讓我懷疑，這會不會是一個錯誤的心智模型（mental model）？作為一種科學儀器（scientific instrument），它的表現是非凡的。正如米歇爾（Michelle）你所說的，這種更深入理解科學的機會是無與倫比的。但如果將它定位為一台純粹的電腦（computer per se），並用我們熟知的電腦標準來衡量它，這會不會有問題？

我覺得如果我們能重新定義這個框架，把它視為一種服務於重要產業的科學儀器（scientific instrument），這個行業可能會進展得更快、更遠。

講者2：
是的，我完全同意你的看法。從某種意義上來說，「量子電腦」（quantum computer）這個詞具有誤導性，因為人們會期待它能直接取代傳統電腦（classical computer），但事實並非如此。它更像是互補的（complementary）。我們喜歡把我們的機器稱為「量子處理器」（quantum processors），就像是非常專業的設備（specialized machines），可以在複雜的工作流程中與中央處理器（CPU）和圖形處理器（GPU）一起使用，但主要是針對特定的任務（specialized tasks）。一旦大家都認同這種使用量子電腦或量子處理器的方式，與傳統電腦並肩工作，而不是試圖取代它們，就會變得更容易。

講者1：
雖然現在所有的電腦能力（computer capacities）都已經到位，但我其實還在努力理解這個概念。

講者3：
我不知道該如何把量子電腦當作一種儀器（instrument）來看待，特別是當它被用於材料發現（materials discovery）、區塊鏈（blockchain），甚至被NTT DoCoMo這樣的實體用來提升手機基地台的資源利用率（cell tower resource utilization）。確實，有些應用我絕不會嘗試在量子電腦上運行。但對於那些需要強大處理能力（processing power）的應用，這些機器非常強大，我認為它們遠遠超越了單純的儀器或測量工具（instrumentation or measurement）。

講者 1：
那你覺得這沒問題嗎（How Do You Think It’s OK）？

講者 3：
是的，我來插一句（I’ll Jump In On That）。

講者 1：
我其實只是想幫個忙（I Was Actually Just Trying to Help）。

講者 3：
是的。

講者 1：
因為……

講者 3：
我們看到了你的幫忙（We Saw Your Help）。

講者 1：
你知道的，讓我跟你說最重要的……這整個環節對我來說就像是一場心理治療（Therapy Session）。很久很久以前，有人問我：「加速運算（Accelerated Computing）有什麼用？」我當時說——這是很久以前的事了，因為我錯了——我說：「這會取代電腦（Computers），這將是未來的運算方式（Way Computing is Done）。一切都會變得更好（Everything is Going to Be Better）。」結果證明，我錯了，第一錯得離譜，第二錯得沒必要（Unnecessarily Wrong）。你知道的，專注於某個領域並做到極致（Extraordinarily Good）會更好。但當你越過那條線，開始談論旅行推銷員問題（Traveling Salesperson Problem），就變得多餘了。因為那個問題顯然已經被解決了，就像我們今天知道的那樣。優步汽車（Uber Cars）和計程車（Taxis）都能準時出現，可能晚個 33 秒或 30 秒，隨便啦，但它們總會到。

我就在想，如果我們給自己設定的標準（Hold Ourselves to a Bar）是要解決一個對量子電腦（Quantum Computers）來說不必要解決的問題，坦白說，要改變世界（Change the World），是不是有點多餘？這會把焦點從你獨特擅長的事情（Uniquely Do）上移開。說實話，這種轉變遲早會發生。這只是我的看法（My Swing at It）。請繼續，Peter。

講者 3：
在這次展覽（Show）上，我們其實有幾個應用（Applications）展示量子技術的現況（Quantum is Now）。其中一個是與 Answers 合作的，你可能知道他們的產品之一，LS Dyna，今天顯然比 GPU 用得少。

講者 4：
我們宣布，我們已經將我們的量子電腦（Quantum Computers）與 Alice Dyna 整合，在模擬血泵（Blood Pump）時性能提升了 12%（12% Increase in Performance）。我認為這是第一次（First Time）將量子技術應用於生產軟體（Production Software）。我們還宣布，與美國的 Nvidia 合作，在 AstraZeneca 的化學應用（Chemistry Application）中實現了 20 倍的改進（20X Improvement）。令人驚訝的是，我們在現有系統的 36 個量子位元（36 Qubits）上做到了這一點。到今年年底，我們將擁有 64 個量子位元（64 Qubits）。每增加一個量子位元，計算能力（Computational Power）就翻倍。所以，這一代晶片（Single Generation of Chips）的增長是 2 的 28 次方，大約是 2.6 億倍（260 Million Times More Powerful）的提升。

到今年年底，你可以期待像 Alice Dyna 或化學應用這樣的東西會突然獲得巨大的性能提升（Huge Performance Increases）。我們現在正在開發這些應用，老實說，你們可能都在用這些東西，而現在它們能透過量子電腦產生顯著影響（Significant Impact）。我覺得你提到 10 年（10 Years）的說法有點意思。我們把自己想像成 10 年前的你們（Where You Were 10 Years Ago）。當然，我們希望 10 年後，我們也能像 Nvidia 那樣站上高峰。這可是個不小的俱樂部（Quite a Club）。

講者 3：
但從某個起點走到這一步確實需要很長時間（Takes a Long Time）。

講者 4：
就像從一家新創公司（Start-Up）走到你們現在的位置。完全可以坐下來討論，對電腦產業（Computer Industry）或量子產業（Quantum Industry）來說，可能還需要 10 到 15 年才能達到 Nvidia 和其他巨頭的水平。這不是說它不會開始，而是說它已經開始了，今天就開始了（Starting Today）。

講者 1：
你們會比 Nvidia 大得多（Much Much Larger than Nvidia）。我們會成為過去的遺物（Relic of the Past）。好吧，如果……有一件事真的很有趣，那就是量子運算（Quantum Computing）有這麼多不同的方法（Different Approaches）。它的方法真是多樣化（Diverse in Its Approaches）。為什麼這個產業沒有很快找到一個更有前景的方法（More Promising Approach）？你們互相看到對方的研究，透過自然進化（Evolution），人們會選出最好的方法（Best Approach），然後整個產業（Whole Industry）一起推進。這種多樣性（Surprisingly Diverse）真是令人驚訝，就像千花齊放（Thousands of Flowers Blooming）。什麼時候會變成一座花園（Become a Garden）呢？

講者 4：
你只需要說，實際上，如果你看看今天的過程（Process），你會聽到很多人使用單獨的原子（Individual Atoms）、雷射（Lasers）等等。所以我們其實比大多數人預期的有更多共性（Commonality）。我認為——或者說我希望——未來能有更多分享（Sharing），甚至能一起合作（Work Together）。因為量子運算（Quantum Computing）的潛力，以及它能為人類（Mankind）做的事，實在太重要了（Significant）。它的影響遠比今天坐在台上任何一家公司都要大。所以，我覺得人類正面臨一系列重大問題（Significant Problems）。我們現在要開始努力了嗎（Do We Work Now）？

我們需要量子運算來解決這些問題。顯然，我們還在探索新的建造方式（New Ways to Build），量子位元（Qubits）的製造方法每天都在進步。但我認為，在未來幾年內，我們會開始凝聚（Coalesce）成大概兩到三種不同的方法（Approaches）。我們有些人可能會走到一起，因為我們基本上共享底層技術（Underlying Technology）。

講者 1：
這對你描述的許多問題（Problems）來說確實有意義。確切的答案（Precise Answer）並不完全清楚，因為你知道，流體（Fluids）相當混亂（Chaotic），很難確切知道什麼是正確答案（Right Answer）。在這類例子中，使用人工智慧（AI）進行模擬（Emulation）可以帶來數萬倍（Tens of Thousands of X）的速度提升（Speed Up），比我們今天用主要解算器（Principal Solvers）達到的速度快了好幾個數量級（Orders of Magnitude）。你們怎麼看這個問題？

當傳統技術（Classical）在未來幾年還有數量級的進步（Orders of Magnitude of Progress）時，解決這個問題的意義（Point of Solving That Problem）在哪裡？

講者 3：
確實，總是會有數量級的進步（Magnitude of Progress）。但與此同時，有些問題……

講者 1：
你知道的，是傳統方法無法解決的（Impossible to Solve Classically）。

講者 3：
今天在藥物發現（Drug Discovery）領域有這樣的問題，在全球氣候建模（Global Weather Modeling）領域也有問題。但即使是我剛才分享的應用——也就是我們一週前論文的基礎——計算材料性質（Computing Properties of Materials），也是如此。我們使用了 Frontier，這基本上是你們的一個系統，是在橡樹嶺國家實驗室（Oak Ridge National Lab）的大規模並行超級電腦（Massively Parallel Supercomputer）。我們花了數百萬年（Millions of Years）來進行計算。所以重點是，仍然有些困難的計算問題（Hard Computational Problems）是傳統方法（Classical）無法觸及的，而人工智慧（AI）也無法解決這些問題。

講者 1：
它們就是傳統方法（Classical）夠不著的（Out of the Reach）。對吧？沒錯。請繼續。

講者 3：
所以我想也許我可以說得更好（I Got That Good）。

講者 1：
其實很有趣，我們花了 30 分鐘才談到人工智慧（AI）。但從我們觀察的角度來看，這挺有意思的。這也是對你剛才問題的延伸——我們到底該不該稱它為電腦（Computer）？這些量子設備（Quantum Devices）、工具（Tools）或儀器（Instruments），正如你所說的，正在擴展我們獲取數據（Access Data）的能力，來訓練這些人工智慧引擎（AI Engines），這在以前是不可能的。如果今天你要解決一個化學問題（Chemistry Problem），人類（Humankind）的極限，比如 Maxa Bela TE，是由密度函數理論（Density Function Theory）或其他量子狀態（Quantum State）的代理測量（Proxy Measures）來定義的。我們還沒有的那些資訊，對我來說，就像試著用 500 平方英尺的城市網格（City Grids）來訓練自動駕駛汽車（Autonomous Vehicles），卻沒有車道（Lanes）或其他細節的數據。

所以我們看到的是這樣一個概念：提到「電腦」（Computer），就會有「我有一台電腦 A 對上電腦 B」（Computer A versus Computer B）的想法。於是 A 必須比 B 跑得快（Run Faster），才算更好，至少技術上是這樣（Technically），對吧？你有沒有跟他們說這東西的價格（Price）是多少？我們不是這樣看的。我們把它看作 A 和 B 一起工作（Working A and B）。如果 A 是已經成熟的傳統前沿模型（Well-Honed Frontier Models），我們怎麼訓練這些模型（Training Those Models）？我們有沒有用數據（Data）來啟用這些模型，讓它們能繼續推理（Continue to Reason）、繼續做事（Continue to Do Things）？不然我們就得被拉回去重新做，對吧？我們把這叫做「生成式量子人工智慧」（Gen QAI），而不是單純的「人工智慧」（AI）。這打破了電腦與電腦競爭（Computer Competing with Another Computer）的範式。現在是兩台電腦以完全不同的方式合作（Working Together）。

它們彼此之間有輸入和輸出（Input Output）。量子電腦的輸出（Output of the Quantum Computer）是人工智慧引擎 Zelda 的輸入（Input into the Zelda Lens）和訓練方法（Training Methodology）。所以你能擁有大型語言模型（LLMs），這些模型真的能理解分子（Molecules）的基態能量（Ground State Energy）和基態構型（Ground State Configurations）。然後你可以用它們來做微擾理論（Perturbation Theory），比如：這個分子在我體內會持續存在嗎（Last Inside My Body）？它能在正確的動力學範式（Kinetic Paradigm）下傳遞藥物（Deliver the Drug）嗎？這就是我們如何看待量子技術（Quantum），把它當作一個工具（Tool）或儀器（Instrument）的補充，加入到一台已經在發展、迅速成熟並不斷改進的電腦（Developing and Rapidly Maturing Computer）中。在我們剩下的幾分鐘裡，在加速傳統運算（Accelerated Classical）的世界裡，我們能做什麼來幫助你們（Helpful to All of You），讓我們能更快地推進你們的工作（Advance Your Work Much More Rapidly）？這是個值得思考的事。嗯，也許我先開始吧。好吧，要不我們從中間開始？

來吧，法國先生（Mister Frenchman），我們開始吧！哈哈，謝謝。

講者 2：
是的，我想說，前面提到的真的很重要，就是盡可能最好地結合（Couple as Best as Possible）。不然，像傳統（Classical）和量子（Quantum）這樣的運算模式（Compute Modalities），目前來說，還不是頻寬（Bandwidth）的問題，也不是能不能放在一起（Co-Locate）來快速完成任務（Do Things Fast），因為我們還沒到那一步。這不是什麼令人沮喪的事（Depressing），但某個時候這會成為問題（Will Be a Problem），不過不是現在。現在真正的重點是找出關鍵問題（Key Problems）。

講者 1：
關鍵（The Key）。

講者 2：
我們能在哪些領域（Domains）合作，並充分利用兩個世界的最佳優勢（Leverage the Best of Both Worlds）。我完全同意你剛才說的。實際上，我用量子電腦（Quantum Computer）和量子處理器（Quantum Processor）來處理和創造數據（Create Data），這些數據本身就是量子性質（Quantum）的，傳統方法自然很難處理（Struggles with Naturally）。然後我們利用這個天然優勢（Natural Advantage），在與 CPU 和 GPU 一起運作的更大工作流程（Workflow）中，把它們在軟體層面（Software Level）結合得很好（Couple Quite Well）。

講者 4：
我正想說，我們用你們的 GPU 來設計我們的晶片（Chips），經常做協同模擬（Co-Simulation），確保量子電腦正常運作（Quantum Computers Are Working）。當我們展望量子運算的未來（Future for Quantum Computing），不會是傳統系統（Classical Systems）單純地坐在量子電腦旁邊，兩者來回切換（Going Back and Forth）。這不是一個取代另一個的情況，而是它們一起工作（Working Together）。如果你看看我們今天做的事，我們正在應用機器學習（Machine Learning）來優化（Optimization），不只是為了量子電腦本身或它們的運作方式（How They Run）。這已經是傳統運算（Classical Computing）與量子運算之間的協同關係（Synergistic Relationship）。

奇怪的是，我們的量子電腦幾乎完全是傳統的（Almost Entirely Classical）。唯一的量子部分（Quantum Part）只是中心的一個小晶片（Little Chip）和幾個原子（Couple of Atoms），其他部分全是傳統技術。所以它不會取代（Replace）什麼。我不會在這份清單的最後賣空 Nvidia 的股票（Short Any Nvidia Stock）。我認為你們未來有很強的地位（Strong Position）。但我預期未來會是 QPU（量子處理器）加上 GPU 的組合。

講者 1：
還有 CPU（ACPU），它們一起合作（Working Together）。其實，如果我可以稍微補充一點，我想說，首先，你可能已經觀察到，Nvidia 的加速運算（Accelerated Computing）是世界上最大的並行電腦（Parallel Computer）。但我們不叫它並行電腦。原因就在於此。很久以前，有一個叫做並行電腦（Parallel Computers）或並行運算（Parallel Computing）的產業，相對於循序運算（Sequential Computing）。那個方法的錯誤，那種定位的錯誤（Mistake of That Positioning），其實是這樣的：自然法則（Laws）不是那樣運作的。沒理由去取代一個已經做得非常好的東西（Incredibly Good Job）。你應該是在它之上添加（Add to It），然後乘勢而上（Ride the Wave），利用已經創造的動能（Momentum）。所以我們決定稱它為加速運算（Accelerated Computing）。

但它仍然是一台電腦（Computer）。這真的改變了人們對我們的看法（How People Thought About Us），也改變了我們對自己的認知（How We Thought of Ourselves），以及我們對工作的想法（How We Thought About Our Work）。我認為，把這看成一個量子運算產業（Quantum Computing Industry）或量子電腦（Quantum Computer），不如說它是個量子處理器（Quantum Processor），能讓每台電腦變得更好（Make Every Computer Better）。無論如何，請繼續，Reggie。抱歉打斷了。

講者 5：
我想說的是，有些更好的名稱必須改變我們對量子處理（Quantum Processing）或量子運算（Quantum Computing）的思考方式。有人觀察到，如果把人類大腦（Human Brain）的工作方式拿出來看，它比我們對高效能運算（HPC, High-Performance Computing）的傳統想法更接近量子電腦。我們處理的是類比輸入（Analog Inputs）、類比輸出（Analog Outputs），同時處理多個變數（Simultaneous Multiple Variables），就像人類大腦和神經元（Neurons）的運作方式。所以，從根本上說（Fundamentally），如果我們用傳統運算（Classical Computing）的框架來思考量子運算，可能會限制自己（Limiting Ourselves）。我們得開始更廣泛地思考（Thinking Broader）。

那麼，我們能設想什麼樣的事情呢？把量子電腦與高效能運算（HPC）結合起來。還有，針對你的問題：我們如何同時用高效能運算加速量子運算的發展（Accelerate Quantum Computing Development with HPC）？量子運算又能如何幫上忙？Jenny，我想到人工通用智慧（AGI, Artificial General Intelligence）。這些是我們可以用量子電腦來處理的其他更棘手的東西（Trickier Things）。

講者 1：
是的，這將是產業裡一個偉大對話（Great Conversation）的開始。能主持你們所有人，對我來說真是莫大的榮幸（Great Pleasure）。這只是我們系列中的第一場（First of Many），我很期待接下來的討論。Michelle 想結束這部分。

講者 3：
你是的，請繼續完成吧。

講者 4：
是的，我覺得這些都是很好的例子（Great Examples）。我想回到我之前提到的一個觀點（Point I Made Before）。基本上，量子電腦（Quantum Computer）在運算的意義上（Sense of Computation），不是一把鎚子（Hammer），而是一把手術刀（Scalpel）。它是個精密儀器（Precision Instrument），你得知道怎麼用它。這是我們的願景（Vision）：如果你真的想實現大規模（Large Scale）、有用的應用（Useful Applications），你得把整個問題看成一種協同設計（Co-Design）。如果你有個問題想解決，你要盡可能用傳統電腦（Classical Computers）來處理，然後找出困難的量子部分（Hard Quantum Part）。

接著，你得找到一個演算法（Algorithm）、一個好的錯誤校正碼（Error Correcting Code）、合適的編譯器（Compiler）、寫出正確的解碼器（Decoder），這些都得針對特定的量子架構（Quantum Architecture）來優化（Optimized）。在這個過程中，你想做的，是盡可能把任務外包（Outsource）給傳統技術——至少在目前這個階段。這可能是 CPU 或 GPU，具體取決於你想做什麼。當然，最後你想用量子數據的輸出（Output of the Quantum Data）來訓練你的模型（Train Your Models）並改進它們（Improve Them）。這就是我們看到的量子電腦真正價值（Real Value）浮現的方式（Emerging），就像新興的網路（Emerging Internet）。

講者 1：
顯然，這是一個非常高效的用例（Productive Use Case）。謝謝你們。好吧，要不我們快一點，明年這時候（Next Year This Time），我們會談什麼？

那麼，我們快速過一遍。明年這時候，你希望我們談什麼？我會記住的。

講者 3：
量子技術（Quantum）如何幫你以更低的功耗（Lower Power Consumption）進行更好的模型訓練（Model Training）和推理（Inference）。

講者 1：
好的，繼續吧，Peter。

講者 4：
首先，是量子應用（Quantum Applications）在生產環境中（In Production）幫助客戶處理工作負載（Workloads）。我希望我們能看到類似的進展：第一批基於量子的新型人工通用智慧（AGI）的原型（Prototypes）。

講者 1：
就像……

講者 2：
我在說的是我們從所有使用（Usage）中學到的東西（Learning），所有的電腦（Computers）……

講者 1：
今天在現場部署的處理器（Processors），起源（Origin）。我同意前幾位講者的看法。明年我們會看到第一批真實且具體的用例（Real, Tangible Use Cases）：人工智慧代理（AI Agent）與量子電腦協同工作（In Conjunction with a Quantum Computer），做一些以前做不到（Couldn’t Have Otherwise Done Before）或需要大量試錯（Tremendous Amount of Trial and Error）的事。好的，再見。

講者 5：
我希望一年後，我們這裡能對量子運算有些懷疑（Skepticism of Quantum Computing），然後開始討論它在資料中心（Data Center）到底有多大價值（How Exactly Will It Be Valuable）。我們可以展示一些真實案例（Real-Life Cases）。

講者 6：
它會變得過時（Defunct）。我想看到的是物理學（Physics）、化學（Chemistry）、生物學（Biology）的新科學發現（New Scientific Discoveries），也許還有其他領域（Other Areas）。

講者 1：
這些發現會由協同努力（Concussion）帶來。好了，各位，讓我們去實現它吧（Let’s Go Make It Happen）。謝謝你們。謝謝。第二個小組（Second Panel）也謝謝你們。無論如何（Either Way），別擔心（Don’t Worry）。是的，別擔心。

----
講者1：
我們從原子（atoms）開始，可以排列它們，並利用雷射（lasers）做一些有趣的事情。我想，正如Misha在第一場小組討論中提到的，原子是大自然完美的立方體（cubes）。但它們同時也是大自然完美的時鐘（clocks）和感測器（sensors）。因此，我們將這項核心原子技術應用在三個領域：時鐘、感測器和電腦（computers）。你可以把這三者想像成一個複雜度的連續體，用中性原子（neutral atoms）能做到的事情中，電腦是最複雜的，而時鐘則是相對最簡單的。
我們遵循一個經過驗證的商業化和市場開發策略：在當前已經具備真正量子優勢（quantum advantage）的領域，例如時鐘和感測器，進行商業化。這些經驗教訓非常有價值，因為所有底層元件都是相同的。我們利用這些經驗和毛利（gross profit）來推動極限，最終在電腦領域實現量子優勢。這就是我們在做的事情。
同時，我們也在電腦方面與你們優秀的量子團隊合作，例如Johnson Sam、Lisa還有其他人，進行一些有趣的探索。我非常感謝你們。謝謝，非常感謝！請繼續。
我是張莉莉（Zhang Lily），Sikh的執行長。

講者2：
Sikh代表的是可擴展（scalable）、節能（energy efficient）的量子計算（quantum computing）。今天我們聽到了很多。

講者1：
建造量子電腦（quantum computers）的方法有很多，可以使用不同類型的立方體（cubes）。

講者2：
但我們也知道，單靠立方體本身無法構築一個完整的堆疊電腦（full stack computer）。

講者1：
你需要能夠做到讀取（readout），

講者2：
控制（control）、多路復用（multiplexing）、重置（reset）、錯誤修正（error correction），

講者1：
還有GPU整合（GPU integration）。

講者2：
也就是完整的堆疊（full stack）。這就是Sikh在追求的。

講者1：
這是我們的工作。

講者2：
我們實際上已經打造出數位控制的電腦（digitally controlled computers）。舉個例子，這就是Sikh，橙色的，它是全球首款數位控制（digitally controlled）且數位多路復用（digitally multiplexed）的量子電腦。我們將量子電腦的所有核心功能都整合在一個晶片（chip）上。

講者1：
而我們能做到這一點的唯一方法，

講者2：
是因為我們的能源效率極高。你在主題演講中提到節能系統（energy efficient systems）的重要性。如果你要建造一台普通的量子電腦，比如使用超導技術（superconducting），你可能需要2到5瓦（watts）的功率，才能控制單一立方體（cubic）。

講者1：
我們已經把這個數字降到3奈瓦（nano watts）的功率。所以我們非常節能。最後一點是，我們的系統完全數位化（digital）。

講者2：
這讓我們能夠避開量子電腦中一個主要的噪音來源——串擾（crosstalk）。同時，這也讓我們能與其他數位晶片，例如GPU和CPU，進行連接。

講者1：
我們的理念是打造一個異構計算（heterogeneous computing）的平台。你在之前的小組討論中提到計算（computing）和加速計算（accelerated computing），我們基本上就是把這個想法付諸實踐。

講者2：
我們認為，加速計算的方式在於無縫整合（seamlessly integrate）。

講者1：
就像你在系統連結（link）中所做的那樣。

講者2：
還有GPU和CPU的整合。

講者1：
這就是我們正在建設的基礎設施（infrastructure）。

講者2：
真的很了不起。謝謝你！非常感謝！

講者1：
謝謝。

講者3：
阿德萊德（Adelaide），來自辛巴威（Zimbabwe），我們是超級連接晶片（super connecting chips）的設計者。我們設計了卓越的超級連接立方體（super connecting cubes）來進行錯誤修正（error correction）。在量子領域，錯誤修正就是你所需的一切。我們的技術——貓量子位元（cat qubit），將我們的方程式直接內建在量子位元中。它的功能非常強大，硬體效率極高。它能將實現影響所需的立方體數量最多削減204個。

請想一想，這不僅降低了系統的成本和複雜性，還大幅縮短了時間表。如果用摩爾定律（Moore's Law）的角度來看，這幾乎是十年的領先優勢。這就是我們正在取得的成果。所以，青春期的鮑勃（Adolescent Bob），這就是我們如何將幾十年的進展濃縮到兩年的方式。

講者2：
是的，太棒了！

講者4：
嗨！謝謝你邀請我們，Jensen。這真的是個很有趣的活動。我是羅布·肖克（Rob Schock），我是量子電路公司（Quantum Circuits）的創始人之一兼首席科學家。我們的公司位於康涅狄格州紐黑文（New Haven, Connecticut），是從耶魯大學（Yale University）衍生出來的。耶魯是一個培訓了很多超導技術（superconducting）人才的地方，很多主要的想法也是從那裡來的。我很高興你提到了錯誤修正（error correction）的問題，我認為這是一個很值得討論的話題。
在量子電路公司，我們相信錯誤修正是實現有用的量子計算（quantum computation）的關鍵。我們的看法有些特別，雖然和Bob他們追求的方向有些相似，但也有不同。我們的座右銘是「先修正，再擴展」（Correct First, Then Scale）。我們不想製造一台有數百萬個非常吵雜的量子位元（qubits）的機器，然後再去想怎麼編程，或是把錯誤修正當成頂層的軟體層（software layer）來處理。
我們正在做的是，在超導電路（superconducting circuits）中引入一個新的範式，想想看像是雙軌量子位元（dual rail qubit）。這種設計本質上在硬體層面內建了錯誤檢測（error detection）。這帶來了幾個優勢：我們能獲得超導設備的速度和可擴展性（scalability），但現在我們的性能開始能與離子（ions）和原子（atoms）技術媲美。這就像是試圖解決一個難題，讓我們同時擁有這兩種不同技術的優勢。
我們認為，通過檢測錯誤來提升保真度（fidelity），能在短期內實現一些有趣的應用場景，尤其是之前小組討論中提到的科學發現（scientific discovery）。這也是一種更有效擴展容錯機器（fault-tolerant machines）的方式。擴展是關鍵，但我們不希望只是盲目地擴展。我們希望以一種真正有價值且能大幅壓制錯誤的方式來擴展。
我認為，這個領域的最大挑戰——不管是用哪種技術——是要證明錯誤修正真的有效，並且能把錯誤壓制到前所未有的低水平，超越物理量子位元（physical qubits）過去的表現。這真的很棒。謝謝！

講者2：
請，請繼續說。

講者5：
是的，謝謝你邀請我們，Jensen。我很感激。我真心希望他們給你很好的報酬，讓你來理解這些複雜的事情。我認為，最好從一開始就把我說的描述為量子計算公司光譜的極端。我們一直以來都固執地專注於建造超大規模、通用容錯（universal fault-tolerant）的量子電腦，希望達到一百萬量子位元（million qubit scale）的機器。整個行業一直都知道，這是真正對電子商務（e-commerce）等有用應用所需的規模。
我們採用的方法是使用單光子（single photons），也就是光的粒子（particles of light）。二十多年前，我們的執行長Jeremy在布里斯班（Brisbane）用這些光子首次展示了量子閘（quantum gates）。現在，我們把這些技術放在晶片（chip）上，利用原本為數據中心應用（data center applications）開發的矽光子技術（silicon photonics technology）。我聽到你在主題演講中提到這些時真的很興奮，我們認為這在克服我們領域的擴展挑戰——製造能力（manufacturability）、冷卻能力（cooling power）、連接性（connectivity）和控制電子設備（control electronics）——方面，給了我們深遠的優勢。
這種優勢讓我們現在處於一個位置，我們將在未來幾個月內，在澳洲和芝加哥破土動工，建造數據中心規模（data center-like）的超大規模量子電腦。

講者4：
是的，太棒了。謝謝你，Pete。你知道，有一件事真的很有挑戰性，對於……

講者2：
嗯……

講者4：
對於在這個行業工作的人，當然也包括行業的觀察者來說，科學在不同的方法中有很大的差異。有很多不同的方法。如果只有兩種方法，你或許還能理解，但實際上有很多不同的方法。科學是全新的，工程的每個面向、製造過程（manufacturing），所有東西都是新的，甚至連編程模型（programming model）、你如何思考編程這些東西，都是新的。比較它們很困難。
例如，一方面，前面的講者已經在談論他們的量子電腦在運行工業軟體（industrial software）方面的用處。另一方面，大家對一個有生產力和功能的系統所需的量子位元數量（number of qubits）有一些共識。我們目前有36個，或者某個數量的量子位元。而現在，Pete，你在談論一個完整的容錯機器（fault-tolerant machine）需要一百萬個量子位元。那麼，我們如何從現在的狀態跨越這個差距？你知道，目前的技術水平（state of the art）是什麼？

講者2：
相較之下，你認為我們會不會達到另一個高原（plateau），或者是某種相位轉換（phase shift）？

講者4：
這不太可能是一個非常具體的點，但這些量子電腦的用途會隨著時間越來越明顯、越來越有用。你什麼時候會看到這種轉變發生？你們大家是怎麼看的？我們今天處在什麼位置？

講者2：
嗯，我們大概會怎麼說呢？

講者4：
是的，那是一台很棒的量子電腦。你知道，在那段時間裡，我們會到處都有量子電腦。那什麼時候會發生這種轉變？你們怎麼看？我認為繼續擴展真的很重要。我覺得Pete說得對，一些真正能改變世界的大問題，可能需要數百萬個量子位元。

講者6：
所以，你必須確保你的量子電腦擴展得非常非常快。我們不想要摩爾定律（Moore's Law）那樣兩倍或根號二倍的擴展速度，我們想要十倍的增長，而且是每隔幾年就要實現。這就是我們在計算領域所做的。我認為，最終有些人已經在使用量子電腦，他們正在進步，也在發現有用的問題。

但當你談到實用規模（utility scale）、那些能改變世界的事情時，你必須達到兩百萬個量子位元。

講者1：
我認為這很重要，Jensen，你也需要定義一些術語，因為沒什麼比物理量子位元（physical qubits）和錯誤修正後的邏輯量子位元（logical qubits）更令人困惑的了。空中密碼學量子位元（cryptological qubits）才是這裡的關鍵。物理量子位元與邏輯量子位元的比例曾被認為是10,000比1，現在可能更接近100比1。所以，你需要大量的物理量子位元和它們自己的錯誤修正軟體（error correction software），才能得到你需要的邏輯量子位元。

但我想回答你的問題，業界的共識是大約100個邏輯量子位元，你就可以開始用量子電腦做一些有趣的事情，這些是經典電腦（classical computers）目前還做不到的。思考如何擴展這些量子電腦很有趣，因為，例如……

講者2：
Google在去年11月底發表了一篇很棒的論文，關於錯誤修正（error correction）。如果你看看他們的Willow晶片（Willow chip）和相關設置，這真的是錯誤修正的一個很棒的展示。如果我沒記錯，每個量子位元需要五根獨立的電纜（cables）。

講者1：
還有……

講者2：
如果你想想試著擴展一個系統，

講者1：
有著一百萬個量子位元（qubits），我的意思是，你真的會需要五百萬根電纜（cables）。我用這個例子來說明，是因為在量子計算（quantum computing）中，有太多類似的問題需要我們去解決。

講者2：
所以我們正在解決這個問題，方法是採用多路復用（multiplexing）和晶片到晶片的整合（chip-to-chip integration），這樣才能解決這個問題。但這只是上千個工程問題中的一個。所以，這真的就像是用鎬和鏟子（pick and shovel）的方法，一個個地去處理並解決這些問題。我們不能只解決其中一個問題，我們必須從全面的角度來看待並解決所有問題。我認為，大家可能普遍同意，除非我們能弄清楚如何在晶片（chip）上建造量子電腦（quantum computers），否則我們永遠無法達到目標。所以，我覺得這是一個……

講者1：
主要目標。

講者2：
是在晶片上進行擴展（scale on a chip）。謝謝。

講者3：
我認為，學術界已經把這件事弄得很清楚了。正如你提到的，要達到100個邏輯量子位元（logical qubits），它們的錯誤率（error rates）必須保持在每百萬次最多111次的水準。邏輯量子位元並非完全沒有錯誤，就像新的經典晶體管（classical transistors）偶爾還是會出錯一樣。現在，問題在於，不是每個物理量子位元（physical qubits）生來都平等。因此，要達到100個邏輯量子位元，你的系統規模和複雜性可能會因平台不同而有很大差異——有些技術可能需要數十萬個物理量子位元，而其他技術可能只需要幾千個。
至於你問的時間問題，這種轉變什麼時候會發生？我認為這肯定會在這個十年結束前，也就是2030年。這是你會看到指數力量（exponential power）爆發的時候。就像你知道的，指數曲線（exponential curve），當你拉遠來看時，它看起來是平坦的，然後突然就像撞上一堵堅硬的牆。所以，這個轉折點（inflection）才剛開始，到2030年……

講者2：
你會感覺到自己在爬牆。太棒了！

講者4：
是的，這是一個很有趣的問題。我認為，把量子計算（quantum computing）想像成在開發中，然後突然有一天會有一個開關（flip-flop switch），它就無處不在並解決世界所有問題，這其實有點誤解。實際上，它更像是一個旋鈕（knob），我們會逐步調高音量，現在我們已經開始聽到音樂了。最終，每個人都能聽到這音樂。
但我也覺得，你在之前的小組討論中說的很對，這些量子電腦和普通電腦完全不同，這是一個全新的範式（paradigm）。比如我們現在正在做的事情，是真正學習如何為這些機器編程（program）。我們還得學會如何處理量子電腦中永遠存在的錯誤，因為我們永遠不會有像GPU或CPU那樣完全可靠的容錯數位電腦（fault-tolerant digital computers）。它們是用來做特殊用途（special purpose）的東西。你可能只要得到一次正確的答案，就能解決你一直想知道的問題。
我覺得正確的比喻是回想早期計算時代的真空管（vacuum tubes）。當時人們認為，它們只會用於密碼學（cryptography）或模擬炸彈（modeling bombs）。那時也沒有人理解，比如馮·諾伊曼（von Neumann）得提出馮·諾伊曼架構（von Neumann architecture），編譯器（compiler）的概念也是全新的。所以，我認為我們現在處在一個階段，這些機器的能力已經足夠強大，我們可以開始探索如何編程，並發現它們的用途。我猜，我們將來會看到一些今天無法預料的應用。
你說得真好。我們希望能貢獻的一件事，就是幫助發現這些編程模型（programming models），並協助發明新的編程範式（programming paradigm）。我覺得有一種不必要的期望，坦白說，這其實拖了產業的後腿——那就是認為量子電腦不知怎麼地會在電子表格（spreadsheets）上表現得更好。這……

講者7：
這是一種不幸且不必要的期望。我們之所以參與這一切，是因為我們對你們抱有非常偉大而宏大的希望。我們希望能發現新的方法，來解決非常非常困難的問題，但不是為了讓外送食物（food delivery）更快到達。好吧，我真的覺得這很有趣。我很希望我的漢堡能早三秒送到，但我可以接受現在的速度。但有些問題，如果沒有量子計算，根本無法解決。

講者2：
我確實認為，我們對量子計算的集體框架（collective framing）……

講者7：
這真的會對整個產業很有幫助。

講者2：
我能就Rob的評論再跟進一下嗎？假設我們回到1946年，這是一個思想實驗（thought experiment）。

講者1：
這是1946年，有人把你拖進賓夕法尼亞大學（University of Pennsylvania）的地下室，你想看看ENIAC。你覺得當時有人會說：「我要用這個來遠程叫車，優化路線，還能遠程支付，然後幾乎即時地跟朋友分享這些資訊。」嗎？那時的人根本沒想這些。他們專注於追蹤……

講者2：
導彈軌跡（missile trajectory），這些是特定用途的設備（application-specific devices）。我認為……

講者1：
創造一個開放的空間來探索和發現，正是我們現在需要做的。

講者2：
這是我們需要每個人都努力的方向。太棒了，謝謝！

講者6：
我覺得，經典電腦（classical computers）和量子電腦之間的一個重大變化，至少以我們現在的理解來說，是量子電腦是一個巨大的計算資源（compute resource）。而很多經典電腦，以及我們使用它們的方式，更像是大數據資源（data resources）。我認為，要真正理解如何使用像這樣的大型計算資源，需要結合經典電腦、GPU和其他技術。如果我們成功了，我們會建造一群超級電腦（supercomputers），它們非常擅長理解物理世界（physical world）。我們得弄清楚如何高效使用它們，並將它們融入日常流程中。

講者4：
你知道，我之前談到擴展（scaling）時很興奮，因為你們不受摩爾定律（Moore's Law）的限制。當然，摩爾定律並不是基於什麼基本定律（fundamental law），它涉及一些原則。但從這個產業看到的很棒的一點是，擴展速度不是每隔幾年翻倍。因為如果是那樣的速度，可能需要30年。我們知道我們得擴展。如果回看過去10年的擴展速度，那並不能反映你們現在的真實進展，因為你們在量子計算中使用了新的科學和新方法。在這些量子處理器（quantum processors）中，你們的擴展速度坦白說快得多。
所以，你們能談談擴展嗎？你們覺得是什麼讓你們能更快擴展？未來5到10年，你們怎麼看？

講者6：
我的意思是，我覺得答案是我們可以利用經典電腦。我們正在學習如何建造控制設備（control devices），學習如何高效使用光（light），這樣我們就能捕獲更多原子（atoms）、控制更多原子。我們從數百萬個冷原子雲（cold atoms）開始，有能力每秒載入7到10的8次方個原子，這些原子隨時可以成為量子位元（qubits）。接下來就看我們如何設計控制系統。這涉及到經典計算、光子學（photonics）和射頻技術（RF）。

講者7：
這些設備現在都可以買到，而你的處理器（processor）和我們的處理器之間的介面（interface）是否設計得夠好，這是關鍵。

講者1：
不。

講者6：
我的意思是，每一步我們都在努力讓系統更快。GPU和CPU得越來越靠近這些激活器（activators）。因為最終，一切都受光速（speed of light）控制。你希望計算速度非常非常快。所以，GPU或CPU和系統之間的任何物理距離，只會減慢量子計算的速度，因為它們得理解系統中的錯誤。

講者1：
我們正在讓中性原子（neutral atoms）接地。接下來我們會讓其他人談談如何擴展他們的技術模式（modalities）。但Whitman說過，對中性原子來說，物理量子位元（physical qubits）的數量其實不是瓶頸，因為我們可以把數百萬個量子位元放進這個小小的裝置裡。真正的關鍵在於我們能否用雷射（lasers）精確地控制這些量子位元，並對這些程式碼和量子位元進行錯誤修正（error correction）。
所以很有趣的是，當你想到擴展（scaling）時，不是說要放入更多物理硬體，而是要更精確地控制這些量子位元。你得用雷射來掌控自然和自然的量子位元。

講者2：
我們需要達到的延遲（latency）是多少？

講者4：
這與這些量子位元的相干性（coherence）密切相關。

講者7：
還有我們進行錯誤修正（error correction）或任何控制演算法（control algorithm），然後把信號傳回給你的時間是多少？在這個往返循環（round trip loop）中，我們有多少時間？

講者1：
雖然好消息是，這其實取決於你能完成的工作量與底層技術的實際相干時間（coherence time）之間的比例。相較於我們談到的其他技術模式，中性原子的相干時間相當長，達到微秒（microseconds）的級別。所以我們認為，至少在我們的技術中，這一點適用於所有量子計算模式（quantum computing modalities），無論是全部還是部分。

講者2：
但當我們聚焦在超導技術（superconducting）時，

講者1：
我們認為你需要能夠做到……

講者2：
低於1微秒（microsecond）的延遲，才能在下一個錯誤出現之前完成錯誤修正。所以我們的目標是，在我們與GPU的連接能力中，達到500到800奈秒（nanoseconds）的範圍，

講者1：
這樣我們才能真正擁有這種能力，利用GPU來進行全局錯誤修正（global error correction）。

講者2：
我們認為可以通過在晶片上（on chip）做一些處理，還有預解碼器（pre-decoder）的運作來實現這一點，

講者1：
或許在100毫開爾文（milli Kelvin）或1開爾文（Kelvin）的環境下，

講者2：
然後用GPU來完成剩餘的全局錯誤修正。

講者1：
但再說一次，延遲這個問題真的非常非常關鍵。

講者2：
要在下一個錯誤出現前及時做到這一點，毫秒（milliseconds）很容易，微秒有挑戰性，奈秒則很難。

講者7：
所以你們已經進入了這個困難的領域。

講者1：
沒錯，就是這樣。

講者2：
沒問題，我們喜歡挑戰。所以目標還是……

講者1：
再說一次，

講者2：
500到800奈秒真的是我們的目標。

講者4：
順便說一下，這不僅僅是延遲的問題，還跟吞吐量（throughput）有關。因為如果你有一台大型的錯誤修正電腦（error-corrected computer），會有一大堆結果流（stream of results）返回，告訴你哪裡出了錯，你得如何調整演算法（algorithm）來導回正確答案。這是一個多尺度問題（multi-scale problem）。所以你可能需要一些延遲很低的經典計算（classical compute），然後還有更複雜的計算，因為你要進行多輪錯誤修正，所以時間上可以稍微寬裕一點。
這是一個非常有趣的領域去探索，每個問題都很困難。吞吐量這個問題不會讓它害怕，但確實讓我感到害怕。

講者7：
延遲和吞吐量的需求加在一起，

講者4：
真的讓我害怕。

講者2：
你知道嗎？這很令人興奮。

講者4：
確實很令人興奮。對任何這些技術模式來說，要真正實現擴展（scale），關鍵在於能否建造專用的經典電腦（special purpose classical computer），作為控制系統（control system）來驅動它，並完成所有神奇的操作。這裡的控制迴路（control loop）和錯誤修正控制組（error correction control group），本身就是一個非常令人興奮的電腦科學問題（computer science problem）。我希望我們大家能一起在這個領域……

講者7：
在未來幾年取得一些真正的突破。眾所周知，單獨的吞吐量問題（throughput），不考慮延遲（latency），不是什麼特別困難的問題；單獨的延遲問題，不考慮吞吐量，也不是什麼特別困難的問題。但這兩者結合起來，卻是一個極其困難的問題。事實上，我在主題演講中提到過，大規模人工智慧推理（large-scale inference of AI）也有點像這樣的問題，尤其是當你想與人工智慧互動時更是如此。請繼續，Pete。

講者5：
是的，Jen Johnson。我想我們當中不止一個人在這上面因為談到時間表（timelines）而給自己惹了麻煩，發現自己陷入困境之類的。但我真的很欣賞你引述中的另一部分，那部分沒被提到，也就是我們要擴展到10萬倍（100 thousand X），也就是五個數量級（five orders of magnitude）。在我們這個領域，這真的很難。不幸的是，我覺得很多人抱著一廂情願的想法，拼命希望在機器真正變得有用之前，就能讓它變得有用。我能理解這種心情，也很同情。
但你得擴展到大約10萬倍的規模，這自然讓人覺得是個幾十年的工程，尤其在深夜裡會有這種感覺。但你們當然展示了一些非凡的成果。這不一定得是幾十年的工程。比如xAI的Colossus，他們在112天內建了一個有10萬個GPU的集群（GPU cluster），這很有名。他們是怎麼做到的？

講者5（續）：
他們用了什麼奇蹟來完成這件事？答案是半導體產業（semiconductor industry）投入的數萬億美元和50年的積累。我幾天前剛從Global Foundries回來。過去8年，我一直在為我們能利用的瘋狂槓桿（leverage）而激動，但從沒真正踏進過那裡。幾天前我非常幸運地進去了，那就像一次宗教體驗（religious experience），因為你會看到晶圓廠（fabs）和合約製造商（contract manufacturers）的能力有多麼驚人。這一直是我們對「什麼時候」的問題的論點。
這個領域很複雜，每個人都為自己的技術爭論，我也不例外。但除了保真度（fidelity）之類的問題外，還有一系列獨立的問題：你能告訴我你的晶圓廠是誰嗎？你能告訴我你的合約製造商是誰嗎？你建造機器的地點在哪裡？這些是必要但不充分的條件（necessary but not sufficient conditions），要準備好建造一台真正有用的機器很難。但這正是我們投入資源的方向。我覺得現在看到這個領域的其他參與者也開始朝同樣的方向邁進，真的很令人興奮。

講者7：
是的，Peter，你提到的所有事情其實跟我們很有共鳴。因為最近我們引入了所謂的矽光子共同封裝（silicon photonics co-package）的概念，這涉及到半導體物理（semiconductor physics）、封裝技術（packaging technology）、如何堆疊（stack）、如何製造整個供應鏈（supply chain）。我介紹了一大堆新的供應鏈製造商。我們當然能利用許多現有產業。如果沒有這些，我們得從零開始發明一切，那對我們來說是不可能的。

在很多方面，你們正在做的事情跟我們在矽光子共同封裝（silicon photonics CPO）上做的一樣，增加了多尺度的挑戰（multi-scale challenge）。科學界對你們的案例很感興趣。所以我認為這是一個非常困難的問題。但正如你們說的，我們得找到一條路，為你們的成功開闢一條路，而且要盡快。幾乎每一天，當你們擴展到量子計算（quantum computing）的未來時都是如此。如果你看看我們在這裡的原因……

講者2：
我們找到了一個方法，向大家解釋我們的故事。

講者7：
我們用這樣的方式，把標準設得非常高，高到我們自己都達不到。但另一方面，我們也挑選了一些我們能以相當獨特方式解決的問題，特別是在早期。在很多方面，Nvidia可以說是讓並行計算（parallel computing）普及化了。但我是靠電腦遊戲（computer games）做到這一點的。

我們當初做了一個很棒的決定，找到了一個門檻很低的問題。剛開始時，我們渲染的3D圖形（3D graphics）並不完全準確，有些像素（pixels）錯位，Z緩衝區（Z buffer）有些空隙，但人們還是接受了，因為這畢竟是個遊戲，誰會在乎呢？

講者2：
這給了我們擴展經濟規模（economic scale）的機會，

講者7：
還有技術的規模足跡（technology scalar footprint）。然後我們選擇了正確的科學和產業，找到那些有感的領域。

講者2：
我希望你們所有人也是這樣。但我們不應該被要求達到某種計算標準（standard of computing），那個標準如你所知是非常高的——計算的穩健性（robustness），

講者7：
它的可重複性（repeatability），整個產業，

講者6：
一切都非常非常高，Mark。

講者2：
我們應該去找一個門檻很低的產業。我不是說……

講者4：
這很容易，

講者2：
這其實非常困難。

講者4：
但因為除了量子計算（quantum computing）之外沒有其他替代方案，

講者2：
門檻就顯得很低。

講者7：
就像一台電腦根本解決不了的問題。比如說，1995年你不可能買一台合理的個人電腦（personal computer）來玩《雷神之鎚》（Quake），如果沒有顯示卡（video card），那是完全做不到的。所以那個門檻其實非常低。你們今天做的事情比這困難得多，但我希望我們能一起為你們找到一條成功的路，越快越好。Matt，你之前提到你的方法，我很喜歡。

講者1：
老實說，我們從你身上得到了很多靈感——找到能提供真正商業優勢（commercial advantage）的市場，解決這些問題，從市場中獲得反饋，學習如何滿足客戶期望（customer expectations），然後再找到下一個市場。對於中性原子（neutral atoms），我們很幸運，它們很靈活。我們在計時（timekeeping）和感測器（sensors）方面比現有標準提高了三個數量級（three orders of magnitude），這些本身就是很大的市場。
就像你用遊戲市場來比喻計時一樣，我們利用這些成果從市場中獲得真實反饋，最終發展出我們產業所需的商業能力（commercial muscle），真正銷售這些產品，應用在能讓人們獲得投資回報（return on investment）的實際案例中。

講者7：
我還聽到了一個非常聰明的想法，當然我早就知道你們在做的工作——你們會站在經典電腦（classical computers）的肩膀上延伸。

講者2：
它們能做一些非凡的事情。

講者7：
我們並沒有取代電腦，而是為它增添了東西。我一開始向別人解釋時說，我們從來沒有讓事情變得更糟。只要把我關掉就好，但我不會讓事情變差。並行計算（parallel computing）違反了一些規則，在很多應用中確實讓事情變糟。但加速計算（accelerated computing）卻沒有造成任何傷害。
我很喜歡的一點是，把這些加到GPU上，再加到CPU上，量子處理器（QPU）也可以加到CPU和GPU上。你不斷地添加東西，讓電腦變得越來越特別，越來越強大。

講者1：
是的，有趣的是，現在有人在談論甚至舉辦關於量子人工智慧（quantum AI）的整場會議。把量子處理器（QPU）緊密整合到GPU和CPU中的想法創造了這樣的機會。

講者2：
所以讓我們探索這個空間吧。對，請繼續，Pete。

講者5：
是的，我非常同意這個看法。但我想補充一個警告，希望你們不介意。不是所有情況都這樣。我們很喜歡談論傳統電腦（conventional computers）與量子電腦（quantum computers）整合的想法，我們也絕對相信這一點——它們需要一台大型的傳統超級電腦（supercomputer），加上GPU或其他設備，來準備哈密頓量（Hamiltonian）並為機器準備輸入。
但當我們談到這個很誘人的想法時——整體會大於各部分之和（the whole will be greater than the sum of the parts）——這會讓人誤解，以為我們不需要一台好的量子電腦，只要拿一台不太好的量子電腦，插到一台像你說的那樣性能極高的傳統電腦上，整體就會神奇地超越部分之和。我認為這一點要非常小心。
我想問的是，有什麼理由能證明整體會大於部分之和？在某些情況下，你能看到這樣的理由。但在其他情況下，沒有理由相信把一台小型、低性能的量子電腦（low-performance quantum computer）插到一台性能極高的傳統電腦上會讓事情變得更好。

講者7：
完全正確。事實上，這正是加速計算（accelerated computing）的一個挑戰。因為我們當時是坐在一台每年都在進步、性能翻倍的處理器旁邊。那時CPU產業的預算完全碾壓了GPU，每年研發（R&D）預算比我們高出一百萬倍。所以，一個研發預算這麼低的GPU要如何為一個擁有如此龐大研發預算的系統增加價值？
對我來說，Pete，答案是我不斷縮小應用空間（application space），一再降低自己的門檻，讓我們解決的問題變得非常具體。當然，這也帶來一個挑戰，對你們的產業來說也是如此。如果你的應用空間太特定，市場規模可能不夠大，無法支撐你的成長。
最終，你得找到那個飛輪（flywheel）。在計算領域，這是我們的謀生之道，任何高計算需求的東西都需要一個飛輪。這個飛輪從比任何人都更好地解決問題開始，進而達到高產量（high volume），產生更多研發預算，讓你能打造更好的東西，獲得更高的產量。這個飛輪非常難啟動，你們都明白。
但我完全相信，你們試圖解決的問題，有些是經典電腦根本無法擴展解決的問題。

講者2：
在某種程度上，我們可以找到一種方法，

講者7：
降低人們對我們的期望，縮小我們自己的承諾範圍（aperture of promise）。我們一開始就雄心勃勃地解決問題，這樣我們就能自己抓住這個飛輪。我絕對相信這會發生，每年我都對這個團隊充滿希望和期待。我真的很喜歡和你們一起交流。如果我們快速問一下，你們覺得明年我們會談什麼？
因為我希望大家都回來。這場活動太棒了。記住，這是我們第一次，所以有點笨拙，請降低你的期望。

講者4：
但明年會很不可思議。

講者7：
是的，我們快速繞一圈。你們明年想談什麼？

講者6：
我認為明年會有一些令人驚嘆的量子錯誤修正（quantum error correction）展示。這個產業擴展得太快了，我們會試著壓低人們的期望。就像你說的，我覺得會有很棒的進展，可能在職業生涯中帶來一些重要的轉變。

講者1：
我認為我們會聽到很多關於邏輯量子位元（logical qubits）持續增長的好消息。從我們的商業化策略（commercialization strategy）來看，去年我們的收入大約是3000萬美元。所以我們真的希望明年能告訴你更多，賣出更多這些早期應用案例（early use cases）。

講者7：
是的，伙計，那是真金白銀。請繼續。

講者1：
我很喜歡你問題的前提——明年會有個量子日（quantum day）。

講者2：
絕對是的。

講者1：
從我們的觀點來看，這是……

講者2：
把量子電腦的所有核心功能整合到一個晶片（chip）上。

講者7：
請繼續。

講者3：
如果要我說，我覺得會是更好的錯誤修正架構（error correction architecture）。但對觀眾來說，最重要的是量子演算法（quantum algorithms），因為這方面有巨大的創新空間。每隔幾年，我們就看到全新的子程序（subroutines）出現。就像有人重新發明了傅立葉轉換（Fourier transform），每次都激發整個產業的轉變。所以當我們尋找那些很酷的演算法和子程序時，它們能徹底改變量子電腦的影響力，並讓這個飛輪轉動起來。

講者7：
事實上，這真的很棒。有一個誤解，認為量子電腦會拿經典演算法（classical algorithms）來加速運行。但其實重點是要發明新的演算法，適合這種新的計算形式。請繼續。

講者4：
是的，我也會談談錯誤修正，因為這是關鍵。我們進入了一個令人興奮的階段，可以建造能運行錯誤修正程序（error correction routines）的機器。幾十年來，Shor在發現他的因數分解演算法（factoring algorithm）的同一年也發現了錯誤修正。我們知道這在原理上是可能的，我們知道數學是什麼。但現在這變成了一門實用學科（practical discipline）。我們可以建造並測試東西，然後說：「等等，這是我的硬體的缺陷，所以這裡有一個更優化的程式碼。」

講者6：
如果這是可行的，

講者4：
就能提高擴展效率（efficiencies in scaling），我們可以調整硬體朝這個方向發展。

講者7：
所以我們會看到很多進展，我對整個領域超級興奮。我能感覺到，大家都想加速推進量子技術（quantum）。越來越多的人在使用和發現新的量子電路（quantum circuits），來模擬和探索新演算法，這讓我很興奮。Pete，你覺得明年我們會談什麼？

講者5：
是的，我們現在在Global Foundries用晶片（chips）製造數千個晶圓（wafers），成熟度已經很高。我們在建造大型設備，沒有華麗的吊燈。我們把大量光纖（optical fiber）串聯起來。我真的希望明年你們能再邀請我們回來。我得先把靴子上的泥擦乾淨才能上台，因為就像我說的，我們正在澳洲和芝加哥的兩個超大場地——大概50萬平方英尺的規模——破土動工。

講者7：
你看起來就像澳洲來的建築工人。

講者5：
我在盡力啦，謝謝你們邀請我們。

---------
第三段講者

講者1：
很高興見到你，歡迎。今天我們這裡聚集了很多科學家。你知道，量子計算（quantum computing）這件事，嗯，我遇到的多數執行長（CEOs），我都能理解他們在說什麼。原因很簡單，因為我們都在電腦產業（computer industry）裡，當然總會涉及電腦科學（computer science），但基礎科學（basic science）就不一樣了。基礎科學很難，你也知道，尤其是量子基礎科學（quantum basic science）特別難。
通常你遇到的執行長，可能會跟你聊如何重新設計或架構一台電腦（computer architecture），但基礎技術（basic technology）是可理解的，或許只是應用方式不同。但在量子計算這個領域，科學是全新的，工程（engineering）是新的，製造（manufacturing）是新的，軟體程式模型（software programming model）是新的，思考演算法（algorithms）的方式也是新的。
當然，我一直關注哪些產業能成功。我忍不住會試著給些建議——不一定是好建議——建議他們把焦點集中在特定應用（application）上，這樣就不會被其他計算形式的期望所束縛。現在，我們三個人都來自大公司，但你們公司裡也有量子計算的計畫。你們如何在整體計算業務（computing business）和工業計算（industrial computing）的背景下看待量子計算？你們希望達成什麼目標？你們看到哪些挑戰？最終如何讓量子計算成功？

講者2：
好的，我先開始。謝謝你，Johnson，很高興見到你。能和大家一起在這裡真的很棒。在微軟（Microsoft），我們思考量子計算時，顯然我們有一個大型雲端（cloud），對吧？我們有很多客戶，這一切都是為了他們。我們希望確保我們的客戶——無論是企業還是科學家——隨時都能使用最強大的量子計算技術（quantum computing）。這意味著今天和明天都要做到。我們是一家平台公司（platform company），致力於推出量子計算平台（quantum computing platform），來啟用新的場景（scenarios）、新應用（applications），帶來新興能力（emerging capabilities）和顛覆性能力（disruptive capabilities）。

講者1：
你們選擇了哪種技術？

講者2：
微軟選擇了什麼，為什麼？我們有幾種方法。我們既與其他量子處理單元（quantum processing unit, QPU）提供者，也就是量子硬體提供者（quantum hardware providers）合作，同時也長期投資於一種叫做拓撲量子位元（topological qubit）的拓撲量子計算（topological quantum computing）方法。我們最近剛剛宣布了一個突破，實際上就在上個月，還有這週在美國物理學會（APS）三月會議上，我們分享了更多關於拓撲量子位元方法的數據。
這個想法是將資訊非局部性（non-locally）嵌入，意思是我們的量子位元（qubit）不只是一個單點，量子位元的資訊分佈在一個設備設計（device design）中，這承諾能更好地保護量子位元，同時提供非常好的控制特性（control profile）。我們可以使用數位控制（digital control）而不是類比控制（analog control），這簡化了量子電腦（quantum computer）本身的控制需求（control requirements）。這就是我們上個月分享的「Myron A One」晶片（chip）。

講者1：
好的，我們稍後會再回到你這裡，談談應用和如何看待計算平台之類的話題。接下來請幫我們了解一下，AWS（Amazon Web Services）選擇了什麼方法？為什麼？你們如何在整體計算策略（computing strategy）中看待量子計算？

講者3：
謝謝你邀請我，這是個很棒的機會。這是我第一次參加GTC（GPU Technology Conference），這週真的很精彩。我要說的可能有點無聊，因為今天已經提過幾次了。我們基於超導技術（superconducting technology）建造量子電腦（quantum computers）。我們非常強調錯誤修正（error correction），因為我們相信錯誤修正是量子電腦實現長期承諾的關鍵。
我不是說目前的量子電腦沒用，實際上它們非常有用，能讓我們學到很多，為21世紀的未來做準備。我們最近宣布了一款叫做「Ocelot」的超導晶片（superconducting chip）。Ocelot是一種野貓（wildcat），這個名字來自薛丁格的貓（Schrödinger’s cat）和科學家的振盪器（oscillators），很聰明吧。

講者1：
這幾乎和Nvidia一樣聰明。

講者3：
Ocelot展示了一個可擴展架構（scalable architecture）中的錯誤修正，並具有可擴展能力（scalable capability），這是個很重要的詞。為什麼選超導設備（superconducting devices）？我們的模式基於三個詞：知識（knowledge）、速度（speed）、經驗（experience）。
首先是知識。業界和學術界已經用超導設備做了很多實驗，概念驗證（proof of concept）已經有了很好的基礎知識（basic knowledge）。其次是速度，它們很快，使用微波（microwaves），更容易實現錯誤修正。最後是經驗，我們在AWS有不少自訂矽（custom silicon）和矽醫生（silicon doctors）的經驗，有些經驗可以轉移到超導技術上，至少從運營的角度來看。當然，我們對其他建造量子電腦的方式保持開放態度，對整個領域的進展感到非常興奮。

講者1：
回到你這裡，Krista。技術還在發展，進步很快。坦白說，如果你看看這個產業從一個里程碑（milestone）到下一個里程碑的速度，成就里程碑的速率正在加速，這真的很棒。但你還是想找到早期應用（early applications），或者在開發過程中思考如何讓量子電腦變得有用，找到它的用處。你們是怎麼做的？

講者2：
是的，我提到過我們在「Myron」拓撲量子位元（topological qubits）上的工作，我們專注於實用規模（utility scale）。它們有合適的大小、速度、可靠性和控制能力，能在你手中達到數百萬個量子位元。這是我們在這項技術上的焦點。我們也在研究當前的量子位元類型（types of qubits），計劃在今年內達到50個邏輯量子位元（logical qubits）。
例如，與Atom Computing的Ben Bloom——他今天早些時候也在台上——我們一起合作設計架構（architecture），以實現最多、最好的邏輯量子位元。在這個平台上，有超過1000個物理量子位元（physical qubits），也就是1000個中性原子（neutral atoms），我們研究如何排列它們、移動它們，以實現50個性能比底層物理量子位元更好的邏輯量子位元。
有了這50個邏輯量子位元，我們就能展示早期應用。大約在50個量子位元時，你就能開始超越經典計算（classical computing）。到了100個邏輯量子位元時，你就能在科學領域（space of science）中超越某些應用，比如研究不同的材料模型（materials models）、量子磁鐵（quantum magnets）。我們未來幾年的目標是從50個邏輯量子位元開始，然後達到100個，再推進到幾百個，真正挑戰應用的極限。

講者1：
在量子位元領域，你們主要聚焦於哪些應用空間？你們如何選擇應用？

講者2：
我們認為最有前景的應用是在化學（chemistry）、材料科學（material science）和生物化學（biochemistry）。在這個領域，隨著人工智慧（AI）的興起，其能力增長驚人。我們不想用量子電腦取代人工智慧，我把量子電腦看作一個加速器（accelerator），用來加速我們已有的其他計算（compute）。我們需要將它與人工智慧和高性能計算（high-performance computing）在雲端（cloud）中整合，而不是取代它。
未來幾年，重點在於用量子電腦生成高精度的數據（highly accurate data）。我以前覺得量子電腦是一個獨立的解決方案提供者（standalone solution provider），輸入問題，得到答案。但這不是正確的思考方式。應該把它看作輸出的是一些經典位元（classical bits）。這些高精度的經典位元能做什麼？我用它們來做訓練數據（training data）。
我們知道可以用大量數據來訓練人工智慧模型（AI model），也可以用少量高品質數據來增強這個模型。我們在機器翻譯（machine translation）等領域看到過，少量高品質數據能大幅提升模型在特定任務中的表現。所以在化學和材料科學領域，對於擁有5000個邏輯量子位元的量子電腦來說，這是一個非常有前景的方向，這些邏輯量子位元的性能必須優於它們所依賴的物理量子位元。

講者1：
我相信你們都聽懂了，但有一個特別令人興奮的領域是材料和生物學（biology）。我們想訓練一個模型來表達生物學，但訓練數據（training data）從哪來？不像我們有感測器（sensors）和儀器（instruments）在收集生物、細胞（cells）和蛋白質（proteins）的數據。現在我們可以用量子電腦模擬這些數據，作為真值數據（ground truth data），然後用來訓練人工智慧模型。一旦有了人工智慧模型，它就更靈活、更容易應用，我們可以用它做各種實驗。

講者2：
沒錯。這個想法是得到一個更快、更具預測性、更精準的經典人工智慧模型（classical AI model），它可以部署在現有基礎設施（infrastructure）上，速度很快。這就是它的承諾——用量子電腦生成你無法在地球上高效獲取的數據。

講者1：
這很強大。請繼續。

講者3：
我很喜歡這個觀點。我參加了你的主題演講，你展示了一張有四個階段的幻燈片：感知（perception）、生成（generation）、代理（agents）和物理（physically）。物理當然包括機器人（robotics）和自動駕駛車輛（autonomous vehicles），但它也關乎我們的物理世界（physical world），這是個更大的範疇。
就像Krista說的，在物理階段，量子電腦的角色是什麼？量子電腦是我們目前已知的唯一能觸及量子物理（quantum physics）這一現實層面的工具。這層現實遵循的法則，與我們感官體驗的物理世界不同。量子電腦將成為科學創新的催化劑（catalysts），讓我們發現一些很難預測的東西。如果沒有量子電腦，這層現實對我們來說是不可觸及的。
我們當然會與機器學習（machine learning）合作。我認為，隨著時間推移，我們會與機器一起做科學。我們會向機器提問，機器也會向我們提問，進行形式驗證（formal verification）和推理（reasoning）。不同類型的計算中，量子電腦非常契合這個圖景。

講者2：
是的，我們一直無法像大自然那樣計算（compute like nature）。大自然效率極高，我認為量子電腦讓我們更接近大自然的計算方式，讓我們以新的方式觀察和理解電子（electrons）。目前我們無法在所有情況下高效做到這一點。量子電腦讓我們更進一步，結合人工智慧後，我認為這將是革命性的。

講者1：
是的，這種範式（paradigm）——用量子電腦獲取真值數據（ground truth），訓練經典電腦的人工智慧模型——在整個軟體堆疊（software stack）和應用中更容易使用，坦白說也非常具成本效益（cost-effective）。從量子電腦來的訓練數據不容易獲得，顯然這已經是人類努力的結果。但現在有了這個模擬器（simulator），用50個邏輯量子位元（logical qubits），就能解決原本很難縮短的方程式（equations）。
現在你可以訓練一個容易應用的模型。我們把這個極有價值的資產提取出來，讓整個計算世界都能簡單使用。

講者3：
確實，你提到過人工智慧工廠（AI factories）。也許有一天我們會有量子人工智慧工廠（quantum AI factories）。

講者1：
沒錯，這真的很令人興奮。現在我們有多少個邏輯量子位元？

講者2：
有趣的是，如果一年前我在這個舞台上，我會說我們還沒有比物理量子位元（physical qubits）更好的邏輯量子位元。但在過去一年裡，去年四月我們與Continuum展示了4個邏輯量子位元（logical qubits）。五個月後，我們把這個數字增加到12個。再過兩個月，我們又翻倍多，與Atom Computing展示了28個邏輯量子位元。這展示了進展的速度，回應了你提到的領域加速（acceleration）。今年我們的目標是與Atom Computing合作達到50個邏輯量子位元，下一代系統將在約1萬個物理量子位元的機器上達到100個邏輯量子位元。

講者1：
這真的很不可思議。有一個很棒的能力是中性原子（neutral atoms）方法的擴展能力（scalability capability）。你提到超導方法的所有優點都是真的。你覺得這些方法會不會在某個時候融合，或者你覺得產業會出現一個最終解決方案（grand solution）？
在我那一代，我們有TTL和ECL，最終大家都選了CMOS（Complementary Metal-Oxide-Semiconductor）。當時有很多關於ECL和CMOS的爭論，因為ECL是靜態電流（static current），總是高但穩定，而CMOS的動態功率（dynamic power）越來越高。最終CMOS勝出，因為它可擴展（scalable），能解決其他惱人的問題，比如更多電晶體（transistors）。你們的產業會不會也在發現類似的東西？也許所有這些挑戰和噪音問題最終會因為擴展能力和大量邏輯量子位元而消失？

講者3：
是的，你的問題簡單回答是我不知道。長一點的回答是，產業正在發生某種轉型。過去，人們總是問你有多少量子位元（qubits）？每個人都問：「你有多少量子位元？我有多少量子位元？」就像個執念。你早上在超市挑西紅柿時，隨機有人走過來問：「你有多少量子位元？」

講者2：
嗯，人們……

講者3：
現在這個問題問得少了。

講者1：
是的，這很好，因為人們開始笑了。有人問我有多少浮點運算（flops），這也快把我逼瘋了。數量其實不重要。

講者3：
除非到了關鍵時刻，這種執念才重要。沒錯，所以現在出現了一個有趣的信號，那就是錯誤修正（error correction）。過去12個月裡，不同技術模式（modalities）——離子（ions）、中性原子（neutral atoms）、超導設備（superconducting devices）以及更奇特的設備——進行了許多不同的實驗。這個主題可能會越來越重要，或許最終會決定哪種技術模式能在未來脫穎而出。

講者1：
嗯。

講者2：
請繼續。我想說，你提到浮點運算，這裡不只是越多越好，我們也需要更好，對吧？當我們談到邏輯量子位元（logical qubits）時，不是所有量子位元（qubits）都生而平等。我們需要能延長計算量的量子位元。我們今天討論過它是電腦還是加速器（accelerator），但最終我們要做的是計算（computation），而不是建造儲存設備（storage device）。
我們的目標是進行地球上其他計算資源（compute）無法完成的計算。這意味著我們得改進量子位元。物理量子位元（physical qubits）每1000次操作（operations）就失敗一次，這對計算來說不夠。我們需要的是像萬億次（quadrillion）操作這樣的計算量。這之間有很大的差距。我們用錯誤修正來縮小這個差距，但要做到這一點，又需要更多物理量子位元。我們同時用硬體（hardware）和軟體（software）來彌補差距。
我們的目標是朝著，比如說，500萬個邏輯量子位元前進。這不只是數量的變化，當我們達到500萬時，錯誤率（error rate）也得改變。這些邏輯量子位元的品質必須隨著每次增加而大幅提升。所以當我們談到1000個邏輯量子位元時，我們希望它們的錯誤率低到十億分之一（one in a billion operations），甚至更好；在100個時，希望是百萬分之一（10^-6）。這是我們的目标，我們得大幅提升品質，這讓挑戰變得更大。

講者1：
是的，這真的很對。今天我很興奮能參與這個活動，但我也有些擔心，如何把一個深入科學且技術性很強的話題，與開發者（developers）聯繫起來——這正是GTC（GPU Technology Conference）的核心。這些人致力於艱難的科學，試圖創造不可能的應用（applications），我們要開始把科學與對他們的有用性連繫起來。
我覺得今天的小組討論做得非常棒。有幾個觀點被很好地傳達出來：量子電腦（quantum computer）的概念不是要取代現有計算（computing），而是作為量子處理器（QPU），加到GPU和CPU上，來擴展經典計算（classical computing），做其他方式做不到的事。我們能想像一些有用的領域，比如生物學（biology）、化學（chemistry）和材料科學（material sciences）的應用。
我們可以用量子電腦讓經典電腦變得更好，解決原本無法解決的問題，比如為生物學生成真值數據（ground truth data），為原子物理（atomic physics）生成真值數據。這讓我們能利用今天的人工智慧（AI）——它已經很合理了，每隔幾年進步百萬倍——來放大人工智慧的能力，用它解決藥物發現（drug discovery）、材料科學和生物學應用。如果量子電腦只專注於這些領域，那就很棒了。

講者3：
是的，這就是我們需要這些機器的原因。我在想時間表（timeline），你應該很熟悉這些問題：這要花多久？首先，這就像太空計畫（space program），目標是登月，但我們會在過程中發現很多東西。比如為了登月，我們發明了消防服（fireman suits）。這種事會發生，我們也希望能類比這種過程。這是一場偉大的冒險，我們得走到那一步，但不是非黑即白的結果。我們不想只造一台電腦，這是一段旅程，途中會在科學和技術上發現很多東西。
說到時間，我在義大利托斯卡尼（Tuscany）長大，在一個叫比薩（Pisa）的小城村莊裡。那里有一座塔，不是直的，是歪的。

講者1：
順便說一句，那是量子計算的結果。因為經典電腦（classical computer）會讓它完全筆直。哈哈。

講者3：
你得花20年才能建成這座塔。他們做得好不好，誰知道呢？但這可是200年的歷史，對吧？

講者1：
所以如果我們有量子電腦，就能讓這樣的結構屹立這麼久。

講者3：
我想說的是，這需要時間。

講者1：
量子電腦的影響會非常大，這最終會是重要的一部分。我覺得微軟Azure（Microsoft Azure）和AWS（Amazon Web Services）把量子計算整合到它們的平台（platform）上真的很棒，這樣全世界的開發者就能更快接觸到這些技術。如果每個人都得自己建造量子電腦才能享受到這些，那會花更長時間。現在你們把它交到使用者手中，任何人都能用。我很期待50個邏輯量子位元（logical qubits），這很快就會實現，100個也不遠了。我覺得這個產業的進展很驚人。
今天的小組討論很棒，他們都是我們的朋友，也是產業的朋友。雖然有很多競爭方法（competitive approaches），但整個產業緊密合作，希望大家一起成功。這真的很棒。感謝你們今天來參加。

講者4：
如果我得做錯什麼事來向全世界證明量子計算值得去做，證明這個產業充滿了不起的人，證明這個產業的工作會帶來巨大影響——如果我得搞砸一次來證明這一點，那麼任務完成了。謝謝大家來參加。非常感謝你們的出色工作。我祝賀你們。

講者5：
讓我們看看我能不能說幾句。謝謝。

講者1：
我們的量子計算產業（quantum computing industry）。

講者5：
這是新的。嗯，當他一個人的時候，

講者1：
還是嗯嗯。

講者2：
對。

講者5：
必須是嗯嗯嗯嗯。