计算

Wolfram指出，人类语言、数学和逻辑都是对世界进行形式化的方式，而在我们这个世纪，计算是一种全新且更强大的形式化手段。

Wolfram还提出了ruliad的概念：所有可能计算过程的纠缠极限，一个深层抽象但唯一的对象。

计算不可约性是核心概念：时间的流逝对应着一个不可约的计算过程，我们必须运行这个计算才能知道结果如何。

2025年初，英伟达CEO黄仁勋公开表示，实用量子计算机还要等20年，一句话让美国量子概念股应声暴跌。

三班倒、两班倒、单休、大小周、计件制、综合工时制——不同的排班模式对应不同的工时计算逻辑和加班认定标准。

不同规模的工厂侧重点不同：100人以下优先解决工时计算自动化，100-500人重点解决跨线借调和成本分摊，500人以上需要集团化的日清管控。

建议至少引入考勤系统（或考勤+薪资一体化模块），核心解决两个问题：工时计算的自动化（杜绝手工计算错误）和加班合规的自动预警（避免超时加班风险）。

一套打通了考勤、排班和薪资的系统，可以自动完成工时分类汇总、异常工时识别和成本分摊计算，将HR从繁琐的数据整理中释放出来，把时间投入到薪资核算的审校和员工沟通上。

金贻荣判断，下一个计算时代并非纯量子主导，而是一个“量子+AI+经典计算”的融合生态，黄仁勋希望在这个时代继续做霸主。

常凯在课堂上提出了一个更具行动感的判断：“十五五”期间有望看到量子计算的“ChatGPT时刻”——一个成果的出现，让所有人突然意识到“这个东西原来是可以用的，能产生生产力”。

”金贻荣认为，量子计算机恰恰可以扮演数据生成器的角色，为AI提供训练所需的“养料”。

”英伟达随后推出的CUDA-Q、NVQLink等框架，正是致力于量子计算与经典计算的融合。

AIforQuantum：量子计算机目前最棘手的问题是出错率高。

“把出错的规律找出来，利用这些数据找到更好的操控方式，从而提升量子计算的能力。

在他看来，面对美国企业在量子AI融合生态上的先发优势，中国不能只靠几家大厂，更不能依赖政策“指定”赢家，他呼吁国内的企业、科研院所和大学团结起来，一起做一个有中国自己特色的量子计算生态生态。

而AI最擅长的正是从复杂数据中找规律——可以帮助量子计算寻找错误根源，优化操控精度。

而量子计算天然拥有指数级增长的高维计算空间，擅长高维计算和高维数据采样。

安森美CEOHassaneEl-Khoury表示，物理AI应用需要功率、感知、连接计算、控制四大能力协同。

分层设计让汽车从功能固定的机械设备，转变为模块化、可升级的计算平台。

以往数十个分散的控制器，如今被少数高性能计算单元取代，统筹管控全车系统。

算力（半导体与高性能计算）：现代汽车依靠集中式计算系统取代传统分散控制器，实现数据实时处理、功能落地与后续升级拓展。

高性能计算单元对印刷电路板设计提出更高要求，需满足高速信号传输、电磁兼容、高密度元器件集成等条件。

业界近期判断，以CPU需求增长为代表的数据中心计算硬件变迁只是开始，智能体将更加彻底地改变硬件的运行方式乃至形态。

而在数据中心，智能体带来的冲击已经开始，CPU成为承接智能体计算的主要平台，逐渐站回数据中心“C”位。

FP8精度的注意力计算。

过去流计算解决的是数据实时流动的问题，而Agent时代需要解决的是，如何让智能系统持续感知现实世界。

二、量子计算：从计算表示层面寻找新的复杂度路径

如果说光子芯片主要是在硬件物理层面回应AI的能耗问题，那么量子计算关注的则是另一个更深层的问题：如何为某些经典计算极其低效的问题，建立全新的计算表示和求解路径。

三者互为补充，共同指向AI产业的未来：表层的模型迭代已经趋近饱和，未来真正的产业突破，必然来自底层计算结构、能耗结构、智能逻辑的重构。

量子计算提供的，正是重新理解计算结构和复杂度路径的机会。

Flink能支撑这类场景，核心在于把流计算沉淀十几年的原生能力，变成了Agent运行的基础底座。

未来AI如果要真正参与材料设计、药物研发、复杂物理系统建模和高端科学发现，就必须面对大量经典计算成本极高的问题。

用经典计算机模拟这类系统，往往需要付出极高的计算成本；

英伟达正在为这个新时代建设计算基础设施。

阿里云内部已经实现了「用FlinkAgent运维Flink」，数千个计算任务的扩缩容、异常修复全程无需人工介入。

“本源悟空”超导量子计算机自2024年1月6日上线运行以来，已稳定运行超过两年，累计提供远程访问服务超4900万次

量子计算，从算法复杂度层面减少无效算力消耗，优化计算效率、降低能源浪费；

更准确地说，它是在高速数据传输、低功耗互联、光计算、三维集成等关键场景中，用光信号补足电信号的短板，从物理底层降低部分算力和通信环节的能耗，压缩传输延迟，支撑下一代AI算力基础设施的升级。

尽管在部分指标上质量略有折损，但PHOTON凭借其在计算效率上的跨越式进步，为降低AI运行成本提供了一种极具潜力的技术方案。

AI想要持续进化、规模化落地、摆脱能耗桎梏，需要数学提供全新的计算模型、结构逻辑、优化思路，甚至是全新的硬件设计理念和智能构建逻辑。

如果说光子芯片主要是在硬件物理层面回应AI的能耗问题，那么量子计算关注的则是另一个更深层的问题：如何为某些经典计算极其低效的问题，建立全新的计算表示和求解路径。