NVIDIA、IBM 量子合作新增 Fermilab
NVIDIA 于 2026 年 11 月 16 日宣布扩大与 IBM 和 Fermilab 的量子计算合作,同时发布一款声称可将研究计算加速最高 13,000 倍的解码器。NVIDIA 与 IBM 的量子合作将两个处于不同时间阶段的发展结合起来:一个仍在规划中的研究平台,以及研究人员已可评估的软件。
合作伙伴计划结合 IBM 量子计算机与 NVIDIA 加速计算,研究未来系统。另一方面,NVIDIA 发布了 TCBP-JOBS,这是一种解码器,即用于解读测量结果并识别可能量子错误的经典软件。其引人注目的加速数据针对的是特定解码比较,并非量子计算机执行的每一项计算。
这一张力贯穿整项公告:更快的实验有助于研究人员设计更好的机器,而真正有用的机器则需要贯穿完整计算工作流的证据。Google 早期的纠错研究为这种区别提供了参照。当前压力落在量子开发者和计算中心身上:它们需要证明,单项改进如何转化为可靠的科学工作。
NVIDIA 与 IBM 的量子合作带来了什么
这项合作为研究人员提供了共同的系统议程,而拟议中的平台仍处于开发阶段。
NVIDIA 的量子计算合作汇集了 IBM 量子硬件、NVIDIA 计算系统以及 Fermilab 的科学专业能力。该计划包括将 NVIDIA DGX B200 系统——基于 GPU 的计算服务器——与 IBM 量子计算机共同部署,其中包括采用 IBM Quantum Nighthawk 的系统。
其核心理念是协同设计:共同开发硬件、软件和应用,使各方相互促进。在这里,科学家将帮助确定未来量子系统需要完成什么任务。工程师随后会根据这些要求评估架构,而不是将应用开发视为硬件到位后才开始的工作。
这种安排解决了一个实际的协同问题。硬件团队可以改进处理器,却未必知道这些改进是否能帮助最具挑战性的科学工作负载。应用团队可以提出计算方案,却可能没有考虑这些计算所需的经典处理。共享平台为各方提供了共同检验这些假设的场所。
拟议工作还涉及模块化架构,即将多个量子处理器连接成一个更大的系统。这带来的设计问题比提升单个处理器能力更广泛。研究人员必须考虑模块之间会发生什么、信息如何流动,以及配套的经典资源如何随之扩展。
对于关注该公告的读者而言,动词值得留意。规划一个平台意味着确立方向并确认参与者。运营一个平台则需要已部署的资源、可用的接口、记录完备的访问方式,以及其他研究人员可以审查的实验。即使它们出现在同一份公告中,这些阶段也提供不同类型的证据。
因此,眼前的分析问题很具体:将这些团队聚集在一起,是否能缩短从科学需求到可测试系统设计的路径?在任何广泛商业实用性的主张之前,这将构成进展。它也会让研究人员更清楚地淘汰那些孤立表现良好、但在完整工作流中表现欠佳的设计。
这也带来问责方面的好处。一旦合作确定共享工作负载,参与方就可以解释是哪个组件限制了进展,以及哪些改变针对这一限制。这比将处理器规格、软件基准和应用目标作为彼此无关的成就来展示更具信息价值。
该平台的重要性将取决于它能够促成的实验。其拟议结构让这些实验更容易组织,但实验结果仍是读者应当寻求的证据。
Fermilab 将科学需求纳入设计
科学用户为平台提供了一项具体检验:其架构是否支持研究人员实际需要的计算。
Fermilab 的模块化量子平台提案聚焦高能物理和核物理。该实验室将粒子相互作用、中微子物理和核模拟列为潜在研究领域。其超导量子材料与系统中心将贡献硬件和互连研究,并提供应用专业能力。
这些是研究目标。列出这些目标并不意味着拟议平台已经解决这些问题,或已优于现有计算方法。它们当前的价值在于建立了合作方可用于评估未来设计的要求。
想想这会如何改变工程讨论。处理器规格描述设备所支持的能力。科学工作负载则会追问:这种支持是否足以以有用的准确性产出答案。将工作负载纳入讨论,便会揭示可用操作与科学家希望完成的完整计算之间的差距。
它也改变了谁面临压力。应用研究人员必须识别问题中值得使用量子处理的部分。硬件开发者必须说明其系统如何支持这些部分。计算专家必须考虑围绕这些部分的一切,包括准备、数据处理和分析。
由此形成的约束可以避免含糊的成功主张。一项演示可能改进了其中一步,却没有改变整体计算。另一项可能带来更高准确性,却需要更多配套资源。两者都可能推动研究,但都不应在未解释权衡的情况下加以描述。
科学参与有助于明确比较中应保持不变的条件。若竞争方案针对不同的准确度水平,或回答略有不同的问题,其完成时间就说明不了太多。一项有用的基准始于达成一致的科学目标,并使比较条件清晰可见。
这使 NVIDIA 与 IBM 的量子合作成为一项更广泛努力的一部分,即将实验性计算与既有科学实践联系起来。最有力的结果将是一条其他团队能够追溯的证据链:从原始问题到报告的答案。醒目的性能提升数据只构成这条链的一部分。
Fermilab 还表示,该提案将补充另一项涉及 IBM、Oak Ridge National Laboratory 和 AMD 的协同设计平台。这提供了相关的竞争背景,但并未将这项公告简化为一场硬件竞赛。不同合作可以测试应用与基础设施的不同组合。
对于计算中心而言,其含义很实际:评估竞争平台时,应保留科学问题本身。因为某项技术的最佳基准看起来令人印象深刻而选择它,比判断该基准是否能预测有用工作更容易。后者正是此类协同设计工作应当帮助研究人员作出的决定。
更快的解码改变研究循环
更快的解码器可以扩大研究人员能够承担的实验范围,即使完整量子系统尚未改善。
量子纠错通过将信息分布在多个物理量子比特上来保护信息;物理量子比特是存储和操纵量子信息的硬件单元。逻辑量子比特则是通过这种编码创建的受保护信息单元。解码利用测量证据来推断最可能发生了哪些错误。
研究机会在于重复。评估一种纠错设计,需要测试它在指定条件下的表现。研究人员必须比较候选设计、检查失败情况、调整假设并重复这一过程。当解码主导这项工作时,将其加速可以让更广泛的研究变得可行。
NVIDIA 通过其纠错软件库 CUDA-Q QEC 0.9.0 发布了 TCBP-JOBS。相关的GPU 解码研究于 11 月 16 日提交,描述了用于引导 GPU 上并行搜索的概率估计;GPU 是适合同时执行大量计算的处理器。
这一机制之所以重要,是因为解码器必须在计算工作量和准确性之间取得平衡。更广泛地搜索可以改善推断结果,但耗时也更长。以不同方式组织搜索提供了另一条路径:更有效地投入计算,而不是单纯减少搜索量。
该论文报告称,在选定的纠错码上,相对于某一特定 Tesseract 解码器配置,其加速最高可达 13,000 倍。相对于其他 Tesseract 设置,报告的范围有所不同。作者还指出,在误差更低的条件下,Tesseract 的准确性更高。这些是提出团队的研究发现,而非独立确认。
从操作层面看,这意味着研究人员多了一个可供评估的候选方案。解码器的实用性取决于所研究的设计、所需准确性以及可用硬件。一项极端结果表明,在已测试的比较中存在显著改进;它并不能为每项实验选定最佳解码器。
更快的研究价值不仅在于更快完成既有任务。团队可以利用额外能力来质疑某项假设、调查意外故障,或比较不那么便利的替代方案。这些选择可以提高设计决策的质量,而不一定产生另一项戏剧性的加速数据。
这是解读该软件发布最具建设性的方式。它创造了改进研究流程的机会,结果取决于研究人员如何使用它。更多实验本身并不保证得出更好的结论;实验必须能够区分合理的解释。
对于计划中的平台而言,这形成了有用的反馈循环。研究人员可以评估候选方法、识别有前景的配置,然后询问这些配置是否符合硬件和应用要求。软件成果支持这一过程,但并未解决更大的系统问题。
这种区别使该公告既重要又可衡量。研究工具可以凭借自身价值发挥作用,而未来计算架构的证据仍将继续发展。
性能提升仍未回答完整系统的问题
解码基准回答的问题,比量子计算机能否可靠完成有用工作更为狭窄。
解码器比较衡量的是特定边界内的性能。科学用户关心的是通向答案的完整路径。在这两种视角之间,还存在关于准备、通信、执行、分析和重复使用的问题。改进一个组件对完整工作流的影响,取决于该组件在多大程度上构成约束。
这正是为什么标题中的倍数需要分母。读者应当知道使用了哪种竞争配置、每种方法达到了怎样的准确率,以及由哪些硬件完成工作。去掉这些条件,就会把一项可复现的研究主张变成一个几乎没有实际意义的数字。
对实验数据进行事后处理,与在计算运行过程中实时响应之间也存在区别。后者要求在系统规定的时限内得出结果。一种能够高效处理大量已记录测量数据的方法,仍需针对时间敏感型运行进行单独评估。
Google 于 2024 年 12 月发表的阈值以下错误校正提供了一个有用的历史参照。研究人员报告称,随着编码量子存储器规模增大,其保护效果得到改善,同时还进行了实时解码实验。论文也描述了向实用计算规模扩展时仍面临的挑战。
这一参照说明了另一类证据。它涉及在运行中的量子存储器中观察到的行为,并明确列出了实验条件。NVIDIA 的解码器研究则关注经典软件如何在经过测试的工作负载中解读错误证据。将两者视为可相互竞争的标题倍数,会掩盖它们各自实际衡量的内容。
对于 NVIDIA 与 IBM 的量子合作而言,核心挑战在于连接这些类别。更好的解码研究最终必须服务于一个硬件、控制系统和应用协同运作的系统。每一处连接都需要证据,因为组件层面的改进在集成后并不会自动保留其优势。
如果独立评估能够复现相关比较,并解释优势会在何种条件下发生变化,其价值将尤为突出。一项能够识别限制条件的结果,对工程师而言可能比又一个最大加速倍数更有用。它有助于他们决定应在哪里部署某种方法,又应在哪里保留替代方案。
同样的逻辑也适用于所提出的模块化架构。连接处理器会带来孤立解码器基准测试无法回答的问题。研究人员需要确定完整配置的表现,包括随着设计规模扩大,其支撑计算是否仍然可控。
没有必要为了认识这些限制而否定软件结果。更可信、也更具可操作性的解读是:研究人员获得了一项值得测试的新工具。关于实用容错计算的主张——即在整个运算过程中持续受到错误保护的计算——需要更广泛的证据体系支撑。
因此,这项公告改变了研究工具集和合作结构。此类变化能否形成可靠的科学系统,仍是一个需要通过实验回答的问题。
混合应用让集成变得可衡量
当研究人员说明完整工作流带来了什么贡献,以及比较中保持了哪些条件不变时,应用结果才具有意义。
IBM 随后发布的量子工作流集成公告介绍了与 Slurm 相关的工作,Slurm 是一种用于调度计算任务和资源的软件。IBM 的 Quantum Resource Management Interface 将量子资源与这种调度方式连接起来。其预期收益是在熟悉的计算中心流程中管理量子和经典工作。
这是支撑性基础设施,与解码器结果及所提议的 Fermilab 平台各自独立。它的重要性在于,应用程序必须先获得资源并完成工作流,研究人员才能得到答案。更便捷的编排可以减少运营摩擦,但不会改变底层科学准确性。
对于计算中心运营者而言,这带来了不同于处理器比较的评估任务。他们需要了解资源分配如何运作、故障如何报告,以及用户如何检查自己的任务。一项在技术上很有前景的应用,仍需要人们能够重复执行的运营流程。
一个具体的科学案例来自 IBM、RIKEN 和 NVIDIA 针对铁硫分子簇开展的研究。该团队的混合化学计算将量子生成的样本与经典计算相结合。该预印本报告称,改变计算的初始近似值显著改善了最终的能量估计。
这一发现之所以有用,是因为它将注意力引向工作流的构建方式。量子设备参与的是一种更大的方法,设备之外的选择也会影响最终结果。仅评估硬件,会遗漏改进原因的一部分解释。
这也说明了应用比较为何需要谨慎。相对于混合方法的早期版本取得改进,证明的是该方法内部的进展。要证明相较于当前最佳经典方法的优势,则需要进行单独比较,并匹配目标和进行恰当的资源核算。
对于企业研究团队而言,这一区别会影响试点项目应如何界定。试点可以研究科学可行性、运营要求或潜在性能。将它们视为独立问题,会让结果更易解读,也能减少过早得出商业结论的压力。
因此,相关的采购决策者是选择研究方向或评估基础设施的人,而不是期待立即替代常规计算的人。这项公告提供了探索特定工作流的理由。它并未证明无关的商业应用会从同样的硬件和软件组合中受益。
文档也成为证据的一部分。团队需要保留软件版本、实验设置、基线,以及对变化内容的说明。可搜索的知识库可以帮助整理这些记录,但底层实验工件仍然不可或缺。
综合来看,调度和应用方面的工作使这项合作更易于评估。它们揭示了单项技术改进与另一位研究人员能够运行、检查并比较的计算之间的距离。
关注访问权限、复现和完整工作流
下一批有价值的证据将表明研究人员可以使用什么、他人能够复现什么,以及完整应用在哪些方面有所改进。
未来数月内,访问细节应是首先关注的信号。当研究平台的运营方说明可用资源、支持的软件、参与用户以及实验运行流程时,该平台就变得更具体。这些细节将强化这样一种判断:这项合作正在成为一个可运行的研究环境。
进一步的意向声明对此提供的证据较少。它可能澄清优先事项,但读者应区分额外规划与已被证明的访问能力。真正有用的比较,是合作伙伴所称研究人员将研究的内容,与研究人员实际能够开始测试的内容之间的比较。
第二个信号是在明确描述的条件下复现解码器结果。外部团队应能够识别受测问题、复现基线,并报告运行时间和准确率。成功复现将增强人们在该比较边界内的信心。
范围更窄的优势同样重要。如果结果会随硬件、配置或所需准确率而变化,这将细化该主张的实际适用范围。它不会抹去原始实验,但会改变开发者应如何应用其结论。
第三个信号是拥有可信基线的完整应用工作流。研究人员应说明科学目标、每种计算资源的贡献、最终准确率以及所需的总工作量。贯穿完整流程的改进,将更有说服力地连接这项合作的各个组成部分。
若某项结果仅加速其中一个阶段,而整体性能保持不变,则只能支持更有限的结论。它能够识别进展并揭示下一个约束条件。只要报告清楚划定边界,这仍然是有价值的工程证据。
对于开发者而言,这些信号提出了一种具体的阅读策略:从实验目标开始,检查比较条件,然后询问结果是否适用于正在考虑的系统。最大倍数应放在评估的末尾,在其含义得到确立之后再看。
对于企业采购方而言,同样的方法能将参与研究与采购决策区分开来。获得实验平台的访问权限可以帮助积累专业能力并检验假设。投入生产使用则需要与相关应用和运营环境有关的证据。
对于其他技术用户而言,没有任何充分依据表明,仅凭这项公告就会改变日常 AI 工具。它的即时意义在于科学计算研究,以及评估未来量子系统所需的基础设施。
NVIDIA 与 IBM 的量子合作为读者提供了一组值得追踪的主张,而非一条单一的终点线。关注所提议的平台是否变得可访问、独立团队是否复现了相关解码增益,以及完整应用是否相较可信替代方案有所改进。在比较未来更新时,应将软件结果与架构计划分开。阅读每项基准测试时,都应结合其准确率目标和基线;然后寻找能将这些细节与有用科学答案联系起来的实验。完整工作流中究竟是哪一部分得到了改进,另一支团队又能否在可比条件下验证这种改进?这才是值得带入下一次公告的问题。



