田晏林 发自 凹非寺
量子位 | 公众号 QbitAI
AI的最前沿中，一家量子背景的公司已经悄然创办。
公司名叫费米宇宙，是国内首家专注Q4AI （Quantum for AI）的创业公司，主要在做的事情，是尝试用量子物理、量子计算的方法， 重新改造AI模型。
量子位了解到，这是一家“清华味儿”比较浓的创业公司，包括创始人在内的近一半员工，都拥有清华背景，主要来自基科班、计算机系人工智能实验室和高性能实验室。
目前，清华大学杨振宁高等研究院相关量子研究团队也已经与其合作，开展项目研究。
如此的含“华”量，让费米宇宙受到VC关注。
该公司 目前处于种子轮阶段，累计融资1亿元，为国内Q4AI领域最大规模种子轮融资，对应投后估值10亿元左右，资金正在陆续交割中。
近日，这家公司成立后的第一件大事，已浮出水面。
量子位独家获悉，费米宇宙近期推出了 全球首个全链路量子增强大模型FermiQLLM 1.0。
据内部人士透露，该模型在数据表征、模型结构、模型训练、模型强化、模型评测五个环节完成系统性量子增强，并兼容现有主流AI算力基础设施，可实现工业化落地。
这里的「量子增强」，并不是把完整大模型搬到量子计算机上运行。
这套方案没有被量子硬件成熟度卡住，仍然在现有经典计算体系内，把张量网络、量子模拟退火、规范自由度等量子物理和量子多体计算方法，嵌进大模型从数据到训练、再到评测的完整技术链路。
也就是说，FermiQLLM 1.0不依赖尚未成熟的容错量子计算机，就可以在现有GPU等计算基础设施上完成训练和部署。
整个项目于今年3月启动，团队先以4B小模型开展实验验证，完成可行性论证之后，5月正式成立公司，开展更大参数规模模型的量子增强研发工作。
据了解，FermiQLLM 1.0是基于Qwen开源基座模型进行量子改造而来。在费米宇宙的内测中，对标同等参数量级传统大模型，其推理性能提升超过15%，持续强化学习环节训练成本下降25%以上。
在MATH-500、GPQA-Diamond、BBH等主流评测基准上，FermiQLLM 1.0相较同规模开源基座模型，综合性能提升10%～20%。
团队含“华”量颇高
如何理解费米宇宙在做的事？也简单，就是「借鉴量子物理思想改造大模型底层」，把量子技术和人工智能深度结合。
因为量子物理的一个重要研究对象是高维希尔伯特空间中的复杂多体系统，叠加态、量子纠缠以及强关联效应是该类系统的核心特征，其内在演化逻辑与大模型高维隐空间的运行机制具备深刻的类比关系。
费米宇宙创始人兼CEO李伟，是1998年湖南省高考理科状元，也是清华大学计算机系NLP实验室98级校友，本科、硕士均毕业于清华。
后来，他先后任职网易有道、人人网等公司，历任技术高管和AI技术委员会主席。
2005年他译有著作《统计自然语言处理基础》，在自然语言处理领域拥有深厚的技术积累。
据悉， 该公司有近一半员工都有清华背景，主要来自基科班、计算机系人工智能实验室和高性能实验室，公司核心研发团队与杨振宁高等研究院相关量子研究团队紧密合作研究。
费米宇宙同时还是清华Q4AI方向的实习站。
清华大学杨振宁高等研究院副院长、美国物理学会会士姚宏教授，长期深耕量子物理和高温超导等领域的研究。
他告诉量子位，要充分发挥量子物理对大模型的赋能作用，未来需要将量子纠缠、关联效应和拓扑物理等前沿领域的思想与方法，系统融入模型架构设计、训练调优及推理生成的全技术链条。
依托量子物理有望拓展现有人工智能的能力边界，为通用人工智能的发展探索新的技术路线。
△图源清华大学官网
在姚宏看来，Q4AI目前正处于产业发展的早期阶段。研究院相关量子研究团队与费米宇宙合作的产业级技术成果，是人工智能领域里具备重要意义的产学研有机结合的实践，期望对下一代人工智能的发展产生深刻影响。
量子怎么进入大模型？
量子和AI结合，目前业内大致存在两类玩法。
一类更依赖量子硬件，比如让大模型充当Agent，再去调用量子计算设备完成特定优化任务。
另一类则暂时绕开量子硬件成熟度限制，把量子算法、量子物理和相关数学工具先搬进经典计算体系，用来改造AI模型。
费米宇宙走的是第二条路。
眼下，所谓的「Quantum for AI」，很多工作仍然发生在「量子启发」层面。
费米宇宙方面告诉量子位，海外已出现了一批玩家。
比如SandboxAQ，主要布局后量子密码和量子启发优化；微软Azure Quantum Elements更偏向AI4S和科学仿真；Xanadu则提供量子机器学习科研框架。
国内的企业则两条路并行，技术路线远未收敛。
无论在国内还是海外，相关企业的研究甚至连「量子到底应该在哪一层帮助AI」，还在探索中。
作为一家基础大模型企业，传统大模型厂商所面向的各类客户均属于费米宇宙的目标客群。与此同时，传统大模型企业也是其服务对象。
接下来6到12个月，费米宇宙计划把现在针对单一基座模型的量子增强能力，进一步抽象成一套通用框架，能够适配不同大模型，并实现自动化迭代优化。
后续该团队还会逐步开放模块评测，并推动部分技术开源。
