【前言】
由於我一直以來做的都是研究 Alpha (Trading strategies) 的 Buy side Quant Research, 但單單一詞 Quant 的涵義非常廣泛, 有 Buy side / Sell side 之分; 有 Researcher / Trader / Developer; 有 Alpha / Risk / Portfolio / Pricing / Desk Support …, 我對其它方向只有略知一二並不熟悉, 因此這篇文只會著重討論 Alpha Buy side Quant Research。
若是不在乎工作內容而只是單純想要有 Quant title 的工作, 找工作難度大致上是:
Buy side > Sell side; Researcher > Developer / Trader; Alpha > Portfolio ≈ Desk Support > Risk
【建議背景】
理工科系。每間公司取向不同, 但大致都非常偏好 Stats 或 Physics 背景的 PhD。Researcher 並不像 Trader 一樣只需要好的大學 + 反應力好 + 速度快的 mental math 就能拿到面試, 由於這個職位接觸到交易最底層的 know-how, 需要較進階扎實的理論基礎 + 獨立研究的經驗才比較有機會受到 Hiring Managers 青睞 (MIT, Stanford 有拿過牌的本科生另當別論)。
可能很多人會有「是否一定要念 PhD 才有機會?」的疑問, 而我的答案是「不一定, 但要思考自己的優勢在哪, 自己真的值得公司放棄其他 PhD candidates 嗎?」。這個職位永遠都是僧多粥少且非常競爭, 1 間公司可能只有不到 5 個 headcounts, 卻在每一次招人時都能收到幾千甚至上萬封的申請, 其中多數申請者也都是來自各校的理工 PhD, HR 其實沒這麼多時間一個一個慢慢看, 有一堆 PhD 可以慢慢挑為甚麼要選一個 Master 呢?
從我的經驗來看, 我有面試到中後階段的競爭對手確實都是 PhD, 也有面到過一個 team 因為其中一人覺得我不是 PhD 就直接沒有興趣繼續面下去。 即便如此, 只要你過去的實習工作經驗非常相關 or 有直接可用的交易策略 + 前段的理工 Master, 還是有一些公司會願意給你一個面試的機會 (Ex. Two Sigma, Citadel 就有一群清北幫, 專收在美國念 Top MFE 的清華、北京大學學生)。
【面試大致流程】
1. Online Assessment (OA)
通常就分 3 大部分, 看公司喜好, 也有直接跳過 OA 直接開始面試。有些公司是有投就發, 有些是篩過 CV 才給, 全對不一定給過, 沒寫完也不一定不會過, 審核的標準很玄, 盡力做就好。
a). 數學、機率、統計多選題
b). Coding 2 ~ 3 題 (Leetcode medium ~ hard)
c). 資料分析 (一些基本的時間序列資料處理 + Regression / Classification case)
2. Virtual interviews (非常多輪, 體感平均 6 輪)
全部都是 technical interviews, 不會有人花時間跟你 bullshit, 通常一進 Zoom 就直接開始考試, 頂多花個 3 分鐘簡短互相自我介紹, 時長多為 30 mins ~ 1 hour。面試涵蓋範圍極廣, 重要考點我會放在下一部份, 中間偶爾會穿插 1~2 關 Live coding 或是叫你回家做幾天的 Data projects。
3. Onsite / Final interview (一樣非常多輪, 體感平均 6 - 8 輪)
若是前幾輪很難, 通常最後一關不會特別刁難人。不過普遍會因為是最後一關 + 時間很多, 遇到的題型會更難更複雜, 可能會出那種需要花 2 小時慢慢跟你耗才能解出來的題目。
【面試著重考點】
題型主要圍繞在 Statistics, Machine Learning, Probability 上, CV 若有提到相關研究經驗就會深挖 (絕對不要在 CV 唬爛不然一定會自爆), 其餘範圍大到說也說不完, 考的方向也很隨機, 就大致給一些面試中常遇到的方向或關鍵字:
- 統計學 Statistics
a). 各式 Hypothesis tests 背後假設 & 使用時機, 解讀 P-value, Type-I error, Test power, False Positive, etc., Multiple comparison traps...等
b). Point / Interval estimation, Confidence Interval, Bootstrapping, Frequentist vs Bayesian
c). Biasness, Efficiency, Consistency, Sufficiency
d). Order statistics
e). Statistical simulation. Ex. Random variable generation, Metropolis-Hastings, MCMC, Acceptance-Rejection
- 機器學習 Machine Learning
a). Linear / Logistic regression, Lasso, Ridge 原理、使用時機、實際會遇到的問題 + 解決方法、從矩陣和投影的角度去解釋...等
b). Bagging, Boosting, Classification, Clustering, NN 基本 Models 的底層原理
c). Data pre-processing, Outliers issues, Features engineering, Cross-Validation, Regularization techniques, etc.
d). Parameter estimation. Ex. Kalman-Filter, EM-algorithm, MLE, Backpropagation, Vanishing gradient issues, etc.
e). Dimension reduction. Ex. PCA, Factor Analysis, Auto-encoder, etc.
f). 如果有 LLMs 經驗可能會被問到 Sequential models, Self-attention, Transformers, etc.
- 機率 Probability
a). Bayesian (鐵定考), Conjugate priors
b). 各種機率分布的密度函數去解題目, Memoryless property, Exponential family, Moment generating function, etc.
c). Multivariate normal 的各種變化, Multinomial
d). Stochastic process 的 Markov chain, Martingale, Stochastic Calculus
e). Central Limit Theorem
- 線性代數 Linear Algebra
Rank, SVD, Eigenvalue decompositions, Projection, (Positive) semidefinite, Structures, etc.
- 演算法 Algorithms
幾乎都伴隨在 Live coding 後討論 Time complexity 的時候出現, 常見的是 Dynamic programming, DFS, BFS, Binary search, etc.
- 資料結構 Data Structure
常見的 List, Array, Queue, Stack, Tree, Graph, etc.
- 最佳化問題 Optimization
通常在解 Optimize portfolio weights 的問題會出現, 大致會碰到 Lagrange multiplier, Linear programming, Determinant of Hessian Matrix, Slack variables, etc.
- 時間序列 Time Series
Stationary, Random walk, Seasonal effect, ARMA, Heteroscedasticity, GARCH, etc.
- 金融 Finance / Asset Pricing
CAPM, Mean-Variance / Tangent portfolio, Efficient frontier, Fama–MacBeth regression, Black-Scholes Model, Factors exploration process, etc.
- 物件導向程式設計 Object-oriented programming (OOP)
重要基本概念
- 資料庫 SQL
實務型的基本語法
由於我一直以來做的都是研究 Alpha (Trading strategies) 的 Buy side Quant Research, 但單單一詞 Quant 的涵義非常廣泛, 有 Buy side / Sell side 之分; 有 Researcher / Trader / Developer; 有 Alpha / Risk / Portfolio / Pricing / Desk Support …, 我對其它方向只有略知一二並不熟悉, 因此這篇文只會著重討論 Alpha Buy side Quant Research。
若是不在乎工作內容而只是單純想要有 Quant title 的工作, 找工作難度大致上是:
Buy side > Sell side; Researcher > Developer / Trader; Alpha > Portfolio ≈ Desk Support > Risk
【建議背景】
理工科系。每間公司取向不同, 但大致都非常偏好 Stats 或 Physics 背景的 PhD。Researcher 並不像 Trader 一樣只需要好的大學 + 反應力好 + 速度快的 mental math 就能拿到面試, 由於這個職位接觸到交易最底層的 know-how, 需要較進階扎實的理論基礎 + 獨立研究的經驗才比較有機會受到 Hiring Managers 青睞 (MIT, Stanford 有拿過牌的本科生另當別論)。
可能很多人會有「是否一定要念 PhD 才有機會?」的疑問, 而我的答案是「不一定, 但要思考自己的優勢在哪, 自己真的值得公司放棄其他 PhD candidates 嗎?」。這個職位永遠都是僧多粥少且非常競爭, 1 間公司可能只有不到 5 個 headcounts, 卻在每一次招人時都能收到幾千甚至上萬封的申請, 其中多數申請者也都是來自各校的理工 PhD, HR 其實沒這麼多時間一個一個慢慢看, 有一堆 PhD 可以慢慢挑為甚麼要選一個 Master 呢?
從我的經驗來看, 我有面試到中後階段的競爭對手確實都是 PhD, 也有面到過一個 team 因為其中一人覺得我不是 PhD 就直接沒有興趣繼續面下去。 即便如此, 只要你過去的實習工作經驗非常相關 or 有直接可用的交易策略 + 前段的理工 Master, 還是有一些公司會願意給你一個面試的機會 (Ex. Two Sigma, Citadel 就有一群清北幫, 專收在美國念 Top MFE 的清華、北京大學學生)。
【面試大致流程】
1. Online Assessment (OA)
通常就分 3 大部分, 看公司喜好, 也有直接跳過 OA 直接開始面試。有些公司是有投就發, 有些是篩過 CV 才給, 全對不一定給過, 沒寫完也不一定不會過, 審核的標準很玄, 盡力做就好。
a). 數學、機率、統計多選題
b). Coding 2 ~ 3 題 (Leetcode medium ~ hard)
c). 資料分析 (一些基本的時間序列資料處理 + Regression / Classification case)
2. Virtual interviews (非常多輪, 體感平均 6 輪)
全部都是 technical interviews, 不會有人花時間跟你 bullshit, 通常一進 Zoom 就直接開始考試, 頂多花個 3 分鐘簡短互相自我介紹, 時長多為 30 mins ~ 1 hour。面試涵蓋範圍極廣, 重要考點我會放在下一部份, 中間偶爾會穿插 1~2 關 Live coding 或是叫你回家做幾天的 Data projects。
3. Onsite / Final interview (一樣非常多輪, 體感平均 6 - 8 輪)
若是前幾輪很難, 通常最後一關不會特別刁難人。不過普遍會因為是最後一關 + 時間很多, 遇到的題型會更難更複雜, 可能會出那種需要花 2 小時慢慢跟你耗才能解出來的題目。
【面試著重考點】
題型主要圍繞在 Statistics, Machine Learning, Probability 上, CV 若有提到相關研究經驗就會深挖 (絕對不要在 CV 唬爛不然一定會自爆), 其餘範圍大到說也說不完, 考的方向也很隨機, 就大致給一些面試中常遇到的方向或關鍵字:
- 統計學 Statistics
a). 各式 Hypothesis tests 背後假設 & 使用時機, 解讀 P-value, Type-I error, Test power, False Positive, etc., Multiple comparison traps...等
b). Point / Interval estimation, Confidence Interval, Bootstrapping, Frequentist vs Bayesian
c). Biasness, Efficiency, Consistency, Sufficiency
d). Order statistics
e). Statistical simulation. Ex. Random variable generation, Metropolis-Hastings, MCMC, Acceptance-Rejection
- 機器學習 Machine Learning
a). Linear / Logistic regression, Lasso, Ridge 原理、使用時機、實際會遇到的問題 + 解決方法、從矩陣和投影的角度去解釋...等
b). Bagging, Boosting, Classification, Clustering, NN 基本 Models 的底層原理
c). Data pre-processing, Outliers issues, Features engineering, Cross-Validation, Regularization techniques, etc.
d). Parameter estimation. Ex. Kalman-Filter, EM-algorithm, MLE, Backpropagation, Vanishing gradient issues, etc.
e). Dimension reduction. Ex. PCA, Factor Analysis, Auto-encoder, etc.
f). 如果有 LLMs 經驗可能會被問到 Sequential models, Self-attention, Transformers, etc.
- 機率 Probability
a). Bayesian (鐵定考), Conjugate priors
b). 各種機率分布的密度函數去解題目, Memoryless property, Exponential family, Moment generating function, etc.
c). Multivariate normal 的各種變化, Multinomial
d). Stochastic process 的 Markov chain, Martingale, Stochastic Calculus
e). Central Limit Theorem
- 線性代數 Linear Algebra
Rank, SVD, Eigenvalue decompositions, Projection, (Positive) semidefinite, Structures, etc.
- 演算法 Algorithms
幾乎都伴隨在 Live coding 後討論 Time complexity 的時候出現, 常見的是 Dynamic programming, DFS, BFS, Binary search, etc.
- 資料結構 Data Structure
常見的 List, Array, Queue, Stack, Tree, Graph, etc.
- 最佳化問題 Optimization
通常在解 Optimize portfolio weights 的問題會出現, 大致會碰到 Lagrange multiplier, Linear programming, Determinant of Hessian Matrix, Slack variables, etc.
- 時間序列 Time Series
Stationary, Random walk, Seasonal effect, ARMA, Heteroscedasticity, GARCH, etc.
- 金融 Finance / Asset Pricing
CAPM, Mean-Variance / Tangent portfolio, Efficient frontier, Fama–MacBeth regression, Black-Scholes Model, Factors exploration process, etc.
- 物件導向程式設計 Object-oriented programming (OOP)
重要基本概念
- 資料庫 SQL
實務型的基本語法
Stock Analyst pinned «【何謂量化交易？】 量化交易、程式交易、演算法交易基本上指的都是一樣的概念, 可以簡單地理解為利用數學、統計和資料分析在大量的歷史數據中尋找出既定的規律或錯價機會 (mis-pricing opportunities), 透過這些資訊去構造不同的交易策略, 再利用程式去自動化地執行所有交易。 交易的風格有非常多種, 其中又依交易的頻率可分為： - 高頻 High Frequency 多數人會直觀地認為這類型策略就是以非常快的速度在市場中大量頻繁地進出, 但其實大家真正在做的是低延遲 (Low latency)…»
川普的第二任期，會狂到最高點，保證有梗的四年即將展開。Trump和Musk在比拼有梗度上，一山還有一山高。
--- 川普海湖莊園記者會有關外交國際事務的評論----
#巴拿馬運河主權
在馬拉加莊園的記者會上，川普將巴拿馬運河問題置於其外交政策的核心位置。他強烈批評卡特政府當年以1美元象徵性價格將運河移交給巴拿馬的決定，指出這是美國歷史上最昂貴的基礎建設，建造過程中失去了38,000條人命，主要死於瘧疾。
更令他關切的是運河目前的經營狀況。「中國實際上接管了巴拿馬運河，他們在運河的兩端都有布局，」川普表示，「他們對我們的船隻收取比其他國家更高的費用，對我們的海軍也是如此。」當被問及是否會使用軍事手段重新掌控運河時，川普拒絕排除這個可能性，強調這關係到美國的經濟安全。
#格陵蘭戰略利益
川普重申了他對格陵蘭的戰略興趣，認為這對美國的國家安全至關重要。「人們甚至不需要望遠鏡就能看到中國和俄羅斯的船隻在那裡來回航行，」他說。當被問及如何取得控制權時，他表示：「沒有人真正知道丹麥是否對格陵蘭擁有合法權利，但如果他們有，他們應該放棄，因為我們需要它來保護自由世界。」
當被問及具體計畫時，川普表示：「我們還沒到那個階段，但我們有人在處理這件事。我甚至還沒上任。」他暗示民眾可能會投票支持獨立或加入美國。
#加拿大關係重新定位
在討論美加關係時，川普採取了強硬立場。他指出美國每年在保護加拿大方面支出數千億美元，同時承受巨大的貿易逆差。「我對杜魯道說，如果我們不幫助你們會發生什麼？他說加拿大會解體。」
川普表示：「我們不能永遠這樣下去。如果你是一個州，這樣的補貼是可以的；但如果你是另一個國家，我們不想要這樣，我們不會允許這種情況繼續。
#中東局勢與人質危機
關於加薩走廊的人質危機，川普展現出強硬態度。他派遣了房地產開發商Steve Witkoff作為特使參與談判。「如果在我上任前沒有達成協議，中東局勢將會大亂，」他警告說，「這對哈瑪斯來說不會有好結果。」
Witkoff在記者會上表示談判取得進展，希望能在就職典禮前達成協議。川普特別提到以色列家屬向他求助，要求協助找回親人遺體，「有母親和父親來找我，哭著想要找回他們兒子的遺體。」
#俄烏衝突的態度
在烏克蘭問題上，川普認為這場戰爭完全可以避免。「如果我是總統，俄羅斯永遠不會入侵，」他表示。他批評拜登政府的處理方式，認為這導致了一場災難。「城市被摧毀了，人民大多已經離開，士兵們以二戰以來最慘烈的方式互相殺戮。」
他表示願意在上任後六個月內與普丁會面，尋求解決方案。然而，當被問及是否會繼續支持烏克蘭時，他拒絕做出明確承諾，稱這是軍事戰略的一部分。他特別指出歐洲國家在援助烏克蘭方面的投入遠低於美國，「為什麼我們要投入比歐洲更多的資金？他們受到的影響比美國更直接。」
#北約與盟國關係
在談到北約時，川普重申了他對盟國防衛支出的立場。「北約應該提高到5%的國防支出標準，而不是現在的2%，」他說。他表示是他迫使北約成員國增加軍費支出，「我說如果你們不付錢，我們就不保護你們，錢就開始湧入了。」
#阿拉伯外資加碼投資美國科技
記者會伊始，川普宣布了一項重大外資投資計畫。DAMAC地產創辦人兼董事長Hussein Sajwani承諾，將在短期內向美國投資至少200億美元，且可能加碼到400億美元或更多。
「這是一件很棒的事情，我相信他會說，他之所以這麼做，是因為受到這次選舉的啟發。如果沒有這次選舉，他們不會這麼做，」川普說，「很多人都不會這麼做。」
這筆投資將用於在美國中西部和太陽帶地區建設大型資料中心。第一階段將在德州、亞利桑那州、奧克拉荷馬州、路易斯安那州、俄亥俄州、伊利諾州、密西根州和印第安納州展開。Hussein Sajwani表示：「我們在全球20多個國家營運，已經交付超過45,000個豪華單位，另有45,000個正在開發中。在資料中心業務方面，我們在亞洲、歐洲和中東等10個國家都有布局。」
川普承諾，對於投資超過10億美元的企業，將加速環評審查程序。「有時候企業被拖延12、13、14、15年，這是很可怕的事情，」他說，「所以我們要幫助你們，幫助所有來美國投資的人，讓你們不會在這裡浪費一生的時間。」
--- 川普海湖莊園記者會有關外交國際事務的評論----
#巴拿馬運河主權
在馬拉加莊園的記者會上，川普將巴拿馬運河問題置於其外交政策的核心位置。他強烈批評卡特政府當年以1美元象徵性價格將運河移交給巴拿馬的決定，指出這是美國歷史上最昂貴的基礎建設，建造過程中失去了38,000條人命，主要死於瘧疾。
更令他關切的是運河目前的經營狀況。「中國實際上接管了巴拿馬運河，他們在運河的兩端都有布局，」川普表示，「他們對我們的船隻收取比其他國家更高的費用，對我們的海軍也是如此。」當被問及是否會使用軍事手段重新掌控運河時，川普拒絕排除這個可能性，強調這關係到美國的經濟安全。
#格陵蘭戰略利益
川普重申了他對格陵蘭的戰略興趣，認為這對美國的國家安全至關重要。「人們甚至不需要望遠鏡就能看到中國和俄羅斯的船隻在那裡來回航行，」他說。當被問及如何取得控制權時，他表示：「沒有人真正知道丹麥是否對格陵蘭擁有合法權利，但如果他們有，他們應該放棄，因為我們需要它來保護自由世界。」
當被問及具體計畫時，川普表示：「我們還沒到那個階段，但我們有人在處理這件事。我甚至還沒上任。」他暗示民眾可能會投票支持獨立或加入美國。
#加拿大關係重新定位
在討論美加關係時，川普採取了強硬立場。他指出美國每年在保護加拿大方面支出數千億美元，同時承受巨大的貿易逆差。「我對杜魯道說，如果我們不幫助你們會發生什麼？他說加拿大會解體。」
川普表示：「我們不能永遠這樣下去。如果你是一個州，這樣的補貼是可以的；但如果你是另一個國家，我們不想要這樣，我們不會允許這種情況繼續。
#中東局勢與人質危機
關於加薩走廊的人質危機，川普展現出強硬態度。他派遣了房地產開發商Steve Witkoff作為特使參與談判。「如果在我上任前沒有達成協議，中東局勢將會大亂，」他警告說，「這對哈瑪斯來說不會有好結果。」
Witkoff在記者會上表示談判取得進展，希望能在就職典禮前達成協議。川普特別提到以色列家屬向他求助，要求協助找回親人遺體，「有母親和父親來找我，哭著想要找回他們兒子的遺體。」
#俄烏衝突的態度
在烏克蘭問題上，川普認為這場戰爭完全可以避免。「如果我是總統，俄羅斯永遠不會入侵，」他表示。他批評拜登政府的處理方式，認為這導致了一場災難。「城市被摧毀了，人民大多已經離開，士兵們以二戰以來最慘烈的方式互相殺戮。」
他表示願意在上任後六個月內與普丁會面，尋求解決方案。然而，當被問及是否會繼續支持烏克蘭時，他拒絕做出明確承諾，稱這是軍事戰略的一部分。他特別指出歐洲國家在援助烏克蘭方面的投入遠低於美國，「為什麼我們要投入比歐洲更多的資金？他們受到的影響比美國更直接。」
#北約與盟國關係
在談到北約時，川普重申了他對盟國防衛支出的立場。「北約應該提高到5%的國防支出標準，而不是現在的2%，」他說。他表示是他迫使北約成員國增加軍費支出，「我說如果你們不付錢，我們就不保護你們，錢就開始湧入了。」
#阿拉伯外資加碼投資美國科技
記者會伊始，川普宣布了一項重大外資投資計畫。DAMAC地產創辦人兼董事長Hussein Sajwani承諾，將在短期內向美國投資至少200億美元，且可能加碼到400億美元或更多。
「這是一件很棒的事情，我相信他會說，他之所以這麼做，是因為受到這次選舉的啟發。如果沒有這次選舉，他們不會這麼做，」川普說，「很多人都不會這麼做。」
這筆投資將用於在美國中西部和太陽帶地區建設大型資料中心。第一階段將在德州、亞利桑那州、奧克拉荷馬州、路易斯安那州、俄亥俄州、伊利諾州、密西根州和印第安納州展開。Hussein Sajwani表示：「我們在全球20多個國家營運，已經交付超過45,000個豪華單位，另有45,000個正在開發中。在資料中心業務方面，我們在亞洲、歐洲和中東等10個國家都有布局。」
川普承諾，對於投資超過10億美元的企業，將加速環評審查程序。「有時候企業被拖延12、13、14、15年，這是很可怕的事情，」他說，「所以我們要幫助你們，幫助所有來美國投資的人，讓你們不會在這裡浪費一生的時間。」
黃仁勳最近對量子計算時間表的評論指出，“如果你選擇 20 年，我想我們很多人都會相信”，這使得商業主張和學術觀點之間的巨大差距成為人們關注的焦點。科技界最具影響力的領導者之一做出的嚴厲評估導致量子計算股票暴跌，對 IonQ 等公司的影響尤其嚴重。
這一保守的時間表與2012 年提出「量子至上」一詞的物理學家約翰·普雷斯基爾的觀點非常吻合。年」的時間才能實現，鑑於他在該領域的奠基性作用，這項評估具有特別重要的意義。作為許多關鍵量子計算概念的創始人，他的時間表估計反映了對該技術面臨的基本挑戰的深刻理解。
這些觀點必須在普雷斯基爾自己所說的 NISQ（嘈雜中型量子）時代的背景下理解。目前的量子系統面臨來自環境幹擾的重大挑戰，包括熱波動、電磁幹擾和光子損失。雖然研究人員已經開發出各種緩解錯誤技術，包括量子糾錯碼和動態解耦方法，但擴展這些解決方案仍然是一個巨大的挑戰。 NISQ 的指定承認了目前系統的潛力和限制。
然而，在這些保守的評估中，量子計算理論家 Scott Aaronson 提出了更樂觀的觀點。在最近的部落格文章《量子計算：介於希望與炒作之間》中，Aaronson 表示，他「現在比以往任何時候都更加樂觀，如果事情以目前的速度繼續發展，要么在未來十年內出現有用的容錯量子計算機，否則就會發生一些令人驚奇的事情來阻止這一切。他的樂觀源自於具體的技術成就，特別是雙量子位元閘的保真度，其保真度已從 1990 年代後期的 50% 提高到現在多個團隊報告的 99.9%。
考慮到 Aaronson 在該領域的個人經歷，他的觀點尤其有趣。從 25 年前開始，他最初“就接受了這樣的前景：我將研究基礎物理學對計算極限的啟示，而且也許在有生之年看不到任何實驗驗證。”如今，43 歲的他開始說“一旦你告訴我很快就有測試的可能，我就會變得有點不耐煩”，這表明他的觀點發生了重大變化，他曾經認為自己可能永遠看不到實際的量子在他們的一生中
這些經過深思熟慮的學術觀點與整個行業的商業時間表形成了鮮明的對比。 Quantinuum 描繪了一條雄心勃勃的路線，將在 2030 年實現通用、完全容錯的量子計算，最近他們公佈了第五代量子計算機 Apollo 的路線圖，聲稱該計算機將能夠執行數百萬門的電路。 QuEra 的目標是實現近期的里程碑，聲稱到 2026 年他們將展示 100 個量子位元的「實用量子優勢」。
也許最雄心勃勃的時間表來自 IonQ，其技術路線圖聲稱遠遠超出了當前的能力，不僅預計會逐步改進，還會實現性能上的變革性飛躍。 IonQ 已經提前實現了多個技術里程碑，包括提前整整 12 個月在他們的 Forte 系統上達到 36 個演算法量子位元。最值得注意的是，IonQ 預計到 2026 年將實現 99.9999% 的保真度，這比目前的 99.9% 保真度水平有了顯著提高。這個六個九的保真度目標代表著精確度的「量子」飛躍，將從根本上改變其係統的能力。該公司將此與其在同一時間段內實現「廣泛的商業優勢」的大膽聲明相結合，表明他們的系統將能夠以實用價值解決多個行業的現實問題。
他們的技術路線圖概述了實現這些雄心勃勃目標的幾個基石：
- 到 2025 年，其「Tempo」系統將達到 64 個量子比特，有望實現「具有商業優勢」的性能
- 到 2026 年，量子位元將達到 256 個，糾錯能力達到 16:1
- 到 2027 年，量子位元將達到 384 個，糾錯能力達到 32:1
- 到 2028 年，量子位元將達到 1024 個，糾錯能力達到 32:1
該公司的產品時間表清晰地展現了不同世代產品的演變過程，每一代產品的功能都在不斷增強，但最終都具有商業優勢。
- Tempo（2025）：具備商業優勢
- 未來系統（2025 年以後）：廣泛的商業優勢
IonQ 的路線圖尤其以其模組化擴展方法而聞名，分為三個階段：
- 第一階段：透過多核心技術實現 200 個量子比特
- 第二階段：透過添加光子互連功能擴展到 400 個量子比特
- 第三階段：透過量子網路整合達到 1000+ 量子比特
該公司已經在這方面取得了進展，最近宣佈在遠程離子-離子糾纏方面取得了成果，標誌著其朝著規模化架構邁出了關鍵一步。他們最近與 NKT Photonics 在光學子系統方面建立的合作夥伴關係以及與 IMEC 在光子集成電路和晶片級離子阱技術方面建立的合作夥伴關係進一步支持了他們的擴展時間表。
學術時間表和商業路線圖之間的巨大差異引發了一些關鍵問題，特別是關於 IonQ 雄心勃勃的定位。該公司已經展示了持續的技術進步，提前達到或超過了其路線圖里程碑。他們還獲得了政府的大力支持，包括來自空軍研究實驗室的價值 5450 萬美元的合同，並與埃森哲、現代、高盛等主要公司建立了合作夥伴關係。他們還透過收購 Qubitekk 的資產在量子網路領域取得了顯著進展，其中包括 118 項量子網路專利。
然而，儘管 IonQ 已經展示了技術成就並獲得了政府合同，但大規模商業系統銷售的證據仍然有限。在過去兩年中，IonQ 高層在電話會議中多次提到系統銷售的強勁需求，並對與空中巴士、埃森哲、現代、高盛、陶氏、湯普森機械、阿斯特捷利康、Ansys、戴爾等知名公司的合作感到非常興奮。這種說法在 2023 年量子世界大會上隨著 Tempo/Forte 的發布達到頂峰，但一些批評人士將其斥為「空談」。該公司預計，到2030 年，潛在市場總額將達到650 億美元（根據Prescient & Strategic Intelligence 的數據），但儘管該公司不斷傳遞出強烈的商業興趣，但能夠證實其積極時間表的私營部門的採用並未如預期的實現。雖然政府合約看起來很有希望，但股東們一直在等待2023 年和2024 年提出的許多商業銷售。的建議，再加上執行長的離職AMD 的 AI 團隊負責人 Dominic Widdows（他表示希望“盡快提供更多幫助”，暗示量子 AI 整合進展緩慢）對該公司近期的戰略重點提出了質疑。
IonQ 創辦人 Jungsang Kim 和 Chris Monroe 重返杜克大學進行學術研究，致力於 256 量子位元互連繫統的研究，這為這一敘述增添了另一層複雜性。他們專注於基礎研究而不是商業部署，這或許可以看作是一種策略性分工或優先事項的顯著轉變。
因此，量子運算產業正處於一個關鍵時刻，學術和商業時間表之間可能存在迄今為止最明顯的分歧。雖然黃仁勳表示“如果你選擇 20 年，我想我們很多人都會相信”，而 Preskill 指出了數十年的時間表，但 IonQ（以及其他類似的公司）聲稱他們將通過到2026 年及以後，保真度將達到99.9999%——僅僅兩年的時間。這不僅是程度上的差異，也是種類上的差異──對量子運算未來的看法之間的差距從未如此大。
鑑於 IonQ 聲明的特殊性和接近性，這些相互競爭的敘述可能很快就會得到解決。
他們預計到 2026 年以後將實現“廣泛的商業優勢”，這是一個可以在具體時間表上進行測試的說法。一旦實現，它將從根本上否定更保守的學術時間表。一旦失敗，將會引發人們對該行業積極的商業化預測的嚴重質疑。
量子計算領域現在面臨關鍵時刻。我們要么正處於量子運算革命的邊緣，而這場革命的到來將比領先學者認為的要快得多，要么商業時間表過於樂觀。解決方案將透過可證明的商業應用和性能聲明的獨立驗證來實現，特別是圍繞雄心勃勃的保真度目標。產業承諾與學術界謹慎之間的差距造成了巨大的市場不確定性，但與先前關於量子時間線的爭論不同，這次爭論的解決時間相對較短。
與量子態本身不同，關於量子計算時間線的相互競爭的敘述不能無限期地保持疊加狀態——量子計算投影的波函數必須坍縮為現實。 Peter Chapman 和 IonQ 的領導層有能力透過一個直接的演示來迫使這一目標實現：向我們展示系統銷售和可轉化為收入的具體用例。進行此類示威的時候已經到來，或者說，越快越好。雖然量子計算機可能能夠同時存在於多種狀態，但資產負債表卻不能。長期股東應該看到商業可行性的確鑿證據，而不僅僅是有希望的技術成果。學術界以數十年為單位的時間表與商業預測在數年內實現變革能力之間的差距必須透過確鑿的證據來解決。量子運算產業已經到了測量時刻——是時候打開盒子看看薛丁格的量子優勢是存在還是死亡了。
作為長期投資者，我尋求透過業績而不是市場熱情或投機來獲得驗證。雖然我仍然對 IonQ 的潛力進行投資，但我的信念需要由具體的結果而不是市場勢頭來支持。 IonQ 顯然有機會證明黃仁勳這樣的懷疑論者是錯誤的——不是透過言語，而是透過可證明的商業成功。量子運算的故事應該透過收入和客戶勝利來書寫，而不僅僅是技術成就和承諾。多麼美妙的時刻啊！
https://x.com/JKeynesIonQ/status/1877118761708536145
這一保守的時間表與2012 年提出「量子至上」一詞的物理學家約翰·普雷斯基爾的觀點非常吻合。年」的時間才能實現，鑑於他在該領域的奠基性作用，這項評估具有特別重要的意義。作為許多關鍵量子計算概念的創始人，他的時間表估計反映了對該技術面臨的基本挑戰的深刻理解。
這些觀點必須在普雷斯基爾自己所說的 NISQ（嘈雜中型量子）時代的背景下理解。目前的量子系統面臨來自環境幹擾的重大挑戰，包括熱波動、電磁幹擾和光子損失。雖然研究人員已經開發出各種緩解錯誤技術，包括量子糾錯碼和動態解耦方法，但擴展這些解決方案仍然是一個巨大的挑戰。 NISQ 的指定承認了目前系統的潛力和限制。
然而，在這些保守的評估中，量子計算理論家 Scott Aaronson 提出了更樂觀的觀點。在最近的部落格文章《量子計算：介於希望與炒作之間》中，Aaronson 表示，他「現在比以往任何時候都更加樂觀，如果事情以目前的速度繼續發展，要么在未來十年內出現有用的容錯量子計算機，否則就會發生一些令人驚奇的事情來阻止這一切。他的樂觀源自於具體的技術成就，特別是雙量子位元閘的保真度，其保真度已從 1990 年代後期的 50% 提高到現在多個團隊報告的 99.9%。
考慮到 Aaronson 在該領域的個人經歷，他的觀點尤其有趣。從 25 年前開始，他最初“就接受了這樣的前景：我將研究基礎物理學對計算極限的啟示，而且也許在有生之年看不到任何實驗驗證。”如今，43 歲的他開始說“一旦你告訴我很快就有測試的可能，我就會變得有點不耐煩”，這表明他的觀點發生了重大變化，他曾經認為自己可能永遠看不到實際的量子在他們的一生中
這些經過深思熟慮的學術觀點與整個行業的商業時間表形成了鮮明的對比。 Quantinuum 描繪了一條雄心勃勃的路線，將在 2030 年實現通用、完全容錯的量子計算，最近他們公佈了第五代量子計算機 Apollo 的路線圖，聲稱該計算機將能夠執行數百萬門的電路。 QuEra 的目標是實現近期的里程碑，聲稱到 2026 年他們將展示 100 個量子位元的「實用量子優勢」。
也許最雄心勃勃的時間表來自 IonQ，其技術路線圖聲稱遠遠超出了當前的能力，不僅預計會逐步改進，還會實現性能上的變革性飛躍。 IonQ 已經提前實現了多個技術里程碑，包括提前整整 12 個月在他們的 Forte 系統上達到 36 個演算法量子位元。最值得注意的是，IonQ 預計到 2026 年將實現 99.9999% 的保真度，這比目前的 99.9% 保真度水平有了顯著提高。這個六個九的保真度目標代表著精確度的「量子」飛躍，將從根本上改變其係統的能力。該公司將此與其在同一時間段內實現「廣泛的商業優勢」的大膽聲明相結合，表明他們的系統將能夠以實用價值解決多個行業的現實問題。
他們的技術路線圖概述了實現這些雄心勃勃目標的幾個基石：
- 到 2025 年，其「Tempo」系統將達到 64 個量子比特，有望實現「具有商業優勢」的性能
- 到 2026 年，量子位元將達到 256 個，糾錯能力達到 16:1
- 到 2027 年，量子位元將達到 384 個，糾錯能力達到 32:1
- 到 2028 年，量子位元將達到 1024 個，糾錯能力達到 32:1
該公司的產品時間表清晰地展現了不同世代產品的演變過程，每一代產品的功能都在不斷增強，但最終都具有商業優勢。
- Tempo（2025）：具備商業優勢
- 未來系統（2025 年以後）：廣泛的商業優勢
IonQ 的路線圖尤其以其模組化擴展方法而聞名，分為三個階段：
- 第一階段：透過多核心技術實現 200 個量子比特
- 第二階段：透過添加光子互連功能擴展到 400 個量子比特
- 第三階段：透過量子網路整合達到 1000+ 量子比特
該公司已經在這方面取得了進展，最近宣佈在遠程離子-離子糾纏方面取得了成果，標誌著其朝著規模化架構邁出了關鍵一步。他們最近與 NKT Photonics 在光學子系統方面建立的合作夥伴關係以及與 IMEC 在光子集成電路和晶片級離子阱技術方面建立的合作夥伴關係進一步支持了他們的擴展時間表。
學術時間表和商業路線圖之間的巨大差異引發了一些關鍵問題，特別是關於 IonQ 雄心勃勃的定位。該公司已經展示了持續的技術進步，提前達到或超過了其路線圖里程碑。他們還獲得了政府的大力支持，包括來自空軍研究實驗室的價值 5450 萬美元的合同，並與埃森哲、現代、高盛等主要公司建立了合作夥伴關係。他們還透過收購 Qubitekk 的資產在量子網路領域取得了顯著進展，其中包括 118 項量子網路專利。
然而，儘管 IonQ 已經展示了技術成就並獲得了政府合同，但大規模商業系統銷售的證據仍然有限。在過去兩年中，IonQ 高層在電話會議中多次提到系統銷售的強勁需求，並對與空中巴士、埃森哲、現代、高盛、陶氏、湯普森機械、阿斯特捷利康、Ansys、戴爾等知名公司的合作感到非常興奮。這種說法在 2023 年量子世界大會上隨著 Tempo/Forte 的發布達到頂峰，但一些批評人士將其斥為「空談」。該公司預計，到2030 年，潛在市場總額將達到650 億美元（根據Prescient & Strategic Intelligence 的數據），但儘管該公司不斷傳遞出強烈的商業興趣，但能夠證實其積極時間表的私營部門的採用並未如預期的實現。雖然政府合約看起來很有希望，但股東們一直在等待2023 年和2024 年提出的許多商業銷售。的建議，再加上執行長的離職AMD 的 AI 團隊負責人 Dominic Widdows（他表示希望“盡快提供更多幫助”，暗示量子 AI 整合進展緩慢）對該公司近期的戰略重點提出了質疑。
IonQ 創辦人 Jungsang Kim 和 Chris Monroe 重返杜克大學進行學術研究，致力於 256 量子位元互連繫統的研究，這為這一敘述增添了另一層複雜性。他們專注於基礎研究而不是商業部署，這或許可以看作是一種策略性分工或優先事項的顯著轉變。
因此，量子運算產業正處於一個關鍵時刻，學術和商業時間表之間可能存在迄今為止最明顯的分歧。雖然黃仁勳表示“如果你選擇 20 年，我想我們很多人都會相信”，而 Preskill 指出了數十年的時間表，但 IonQ（以及其他類似的公司）聲稱他們將通過到2026 年及以後，保真度將達到99.9999%——僅僅兩年的時間。這不僅是程度上的差異，也是種類上的差異──對量子運算未來的看法之間的差距從未如此大。
鑑於 IonQ 聲明的特殊性和接近性，這些相互競爭的敘述可能很快就會得到解決。
他們預計到 2026 年以後將實現“廣泛的商業優勢”，這是一個可以在具體時間表上進行測試的說法。一旦實現，它將從根本上否定更保守的學術時間表。一旦失敗，將會引發人們對該行業積極的商業化預測的嚴重質疑。
量子計算領域現在面臨關鍵時刻。我們要么正處於量子運算革命的邊緣，而這場革命的到來將比領先學者認為的要快得多，要么商業時間表過於樂觀。解決方案將透過可證明的商業應用和性能聲明的獨立驗證來實現，特別是圍繞雄心勃勃的保真度目標。產業承諾與學術界謹慎之間的差距造成了巨大的市場不確定性，但與先前關於量子時間線的爭論不同，這次爭論的解決時間相對較短。
與量子態本身不同，關於量子計算時間線的相互競爭的敘述不能無限期地保持疊加狀態——量子計算投影的波函數必須坍縮為現實。 Peter Chapman 和 IonQ 的領導層有能力透過一個直接的演示來迫使這一目標實現：向我們展示系統銷售和可轉化為收入的具體用例。進行此類示威的時候已經到來，或者說，越快越好。雖然量子計算機可能能夠同時存在於多種狀態，但資產負債表卻不能。長期股東應該看到商業可行性的確鑿證據，而不僅僅是有希望的技術成果。學術界以數十年為單位的時間表與商業預測在數年內實現變革能力之間的差距必須透過確鑿的證據來解決。量子運算產業已經到了測量時刻——是時候打開盒子看看薛丁格的量子優勢是存在還是死亡了。
作為長期投資者，我尋求透過業績而不是市場熱情或投機來獲得驗證。雖然我仍然對 IonQ 的潛力進行投資，但我的信念需要由具體的結果而不是市場勢頭來支持。 IonQ 顯然有機會證明黃仁勳這樣的懷疑論者是錯誤的——不是透過言語，而是透過可證明的商業成功。量子運算的故事應該透過收入和客戶勝利來書寫，而不僅僅是技術成就和承諾。多麼美妙的時刻啊！
https://x.com/JKeynesIonQ/status/1877118761708536145
Stock Analyst
黃仁勳提到他熱愛量子計算，但表示至少 15 年內不會出現量子計算機；然後看了看他的財務官，補充道可能還需要 30 年。 黃仁勳在投資者會議上對提問的回應： 「就量子比特的數量而言，我們可能還差 5 個數量級或 6 個數量級。所以，我們可能會在10到15年的時間內實現有用的量子計算機，也就是量子比特數量達到5個或6個數量級的增長。如果你說15年能看到有用的量子計算機，這可能是早期的預測。如果是30年，可能會稍微晚一些。但如果你選擇了20年，我認為這會是合理的預測。」 由於他的回應，量子股票在盤後下跌：…
經濟一週
黃仁勳估實用量子電腦要等30年 相關概念股一晚腰斬 D-Wave反駁：大錯特錯
黃仁勳的預測
Forwarded from Readhub
桥水基金据悉裁员7%，旨在“保持灵活性”
桥水基金裁员7%，约90名员工受影响，以保持公司精简和招聘灵活性，目前员工数已恢复至2023年水平，将继续选择性招聘。
媒体报道
传桥水基金裁员7%以保持“灵活性” 智通财经
桥水据悉裁员7% 以保持组织灵活性 新浪科技/财联社
桥水基金据悉裁员7%，旨在“保持灵活性” 36Kr
事件追踪
2023-03-02 全球最大对冲基金桥水开启后达利欧时代：限制规模、裁员、押注AI
#热门话题
桥水基金裁员7%，约90名员工受影响，以保持公司精简和招聘灵活性，目前员工数已恢复至2023年水平，将继续选择性招聘。
媒体报道
传桥水基金裁员7%以保持“灵活性” 智通财经
桥水据悉裁员7% 以保持组织灵活性 新浪科技/财联社
桥水基金据悉裁员7%，旨在“保持灵活性” 36Kr
事件追踪
2023-03-02 全球最大对冲基金桥水开启后达利欧时代：限制规模、裁员、押注AI
#热门话题
真正的加拿大第一騙補大戶還是非D-wave莫屬，近三十年不中斷持續坑殺NRC、CPP、BDC各項聯邦基金，以及BC省各項科技創新投資基金，從上一輪quantum hype騙到這一輪，最後還能SPAC上市割一輪美國投資人韭菜（然後股價上市後半年跌掉95%），令人景仰無比。
看到D-wave這種非circuit model的範式，在量子計算裡面也算是小眾了，就真的佩服他們能活這麼久、搞那麼多錢😂
不過最近一次加拿大政府把量子計算的錢改投給Xanadu了，究竟這是下一任騙補大戶新王登基，還是加拿大政府終於從人傻錢多的倒霉蛋轉型呢？下一個三十年，讓我們拭目以待。
其實D-wave還是有人在用，在optimization上annealing和gate-based model比也有它的某些優勢，說起來現在一大堆NISQ風潮下的算法，無論理論或實驗上都根本還沒證明真會有什麼加速，Xanadu就算經營上看起來比較認真，最後結局也未必會比D-wave好多少…
實際上公司要做起來，組織結構的完整度（以及創辦人對於建立組織結構的執著度）比一開始選擇哪條技術路線（annealing 或 gate-based model）重要得多--比起物競天擇的美國，在加拿大這種蹭關鍵字就能吹泡泡的地方更是如此。如果annealing真的有某些優勢，D-wave卻搞了三十年連個像樣的量子編程框架都搞不出來，那表示他們的內部組織結構存在巨大的問題。
annealing技術上是沒錯啦 但有沒有fully connect是另一回事 用在什麼題目上也很重要
我感覺整個量子產業，最後能不能成為個獨立賺錢的產業，都有很大的未知數，說不定最後又要回到核能產業以往靠政府或大企業補助的時代
上一波量子熱最後就是那樣收場。2000年初整個Kitchener-Waterloo一帶是作為所謂量子矽谷在建設的，圓周率中心本來是要打造產業科技研發中心，最後搞不起來才變成現在的量子玄學同好會，不知道老故事的年輕人（包括我自己在內）還以為加拿大政府多在乎基礎科學研究搞了個這樣的中心專門招大佬來清談。
看到D-wave這種非circuit model的範式，在量子計算裡面也算是小眾了，就真的佩服他們能活這麼久、搞那麼多錢😂
不過最近一次加拿大政府把量子計算的錢改投給Xanadu了，究竟這是下一任騙補大戶新王登基，還是加拿大政府終於從人傻錢多的倒霉蛋轉型呢？下一個三十年，讓我們拭目以待。
其實D-wave還是有人在用，在optimization上annealing和gate-based model比也有它的某些優勢，說起來現在一大堆NISQ風潮下的算法，無論理論或實驗上都根本還沒證明真會有什麼加速，Xanadu就算經營上看起來比較認真，最後結局也未必會比D-wave好多少…
實際上公司要做起來，組織結構的完整度（以及創辦人對於建立組織結構的執著度）比一開始選擇哪條技術路線（annealing 或 gate-based model）重要得多--比起物競天擇的美國，在加拿大這種蹭關鍵字就能吹泡泡的地方更是如此。如果annealing真的有某些優勢，D-wave卻搞了三十年連個像樣的量子編程框架都搞不出來，那表示他們的內部組織結構存在巨大的問題。
annealing技術上是沒錯啦 但有沒有fully connect是另一回事 用在什麼題目上也很重要
我感覺整個量子產業，最後能不能成為個獨立賺錢的產業，都有很大的未知數，說不定最後又要回到核能產業以往靠政府或大企業補助的時代
上一波量子熱最後就是那樣收場。2000年初整個Kitchener-Waterloo一帶是作為所謂量子矽谷在建設的，圓周率中心本來是要打造產業科技研發中心，最後搞不起來才變成現在的量子玄學同好會，不知道老故事的年輕人（包括我自己在內）還以為加拿大政府多在乎基礎科學研究搞了個這樣的中心專門招大佬來清談。
Stock Analyst
Photo
跳船的量子新創Zapata
Zapata 這間原-量子軟體新創是源自哈佛理論團隊，曾經於2019 年 Series A募資21M；結果量子計算發現做不太下去後（畢竟NISQ就是沒用），就於去年九月改名Zapata AI 專注於生成式AI ，並計劃透過SPAC 上市 （這點倒是跟IONQ DWAVE 一樣）．今年四月正式上市納斯德克後直接崩崩，到四月底已經跌了85%...
量子冬天或許會讓新創轉向求生，不過抱緊AI 風潮可能也沒啥用
此外，我認為量子計算要重回盛夏(類似2019-2021)可能就是2030年以後的時間線了
就說這是在騙錢，跟D-wave一樣。Zapata的老闆還被多倫多大學重金挖來繼續坑加拿大人的錢，搞笑。
說到科技創新，加拿大政府應該不是最傻的，也不是錢最多的，但卻是傻子裡錢最多的，或有錢的裡最傻的。你寫個grant就能跟D-wave一樣拿$2B嗎？
Zapata把自己改名叫做Zapata AI了，然後BC省發展基金把錢投給Photonics這看起來就是要搶D-wave騙補王位的量子XX公司--連個硬體架構都沒搞出來光胡吹就能在加拿大這人傻錢多的地方騙100M，他媽的這樣亂花納稅錢，溫哥華待不下去了。
他們最近又再招一大堆人 而且這次不找任何做理論或軟體的人了 而是找一大堆做硬體和市場銷售的 背後的盤算簡直昭然若揭
去年跟他們面試過兩輪 覺得不太靠譜（加上有其他面試 而且不太想去溫哥華）最後我就找理由拒了第三輪面試
覺得不靠譜的理由是…面試中我問他們硬體做的如何 他們只說已經有成果 但拒絕透露一丁點細節或成果…而且他們對到底想找怎樣的人 和工作描述 沒有太多具體描述 但卻要求要會量子物理 量子計算 電腦科學 古典演算法…各式各樣 幾乎所有能想到的 理論知識和實際搭建經驗(要是真的滿足所有要求 根本不會考慮一家什麼具體資訊都沒有的新創)
從他們最近開的缺來看 我當初的直覺應該是對的…只是 看來我還是太小看加拿大政府亂給錢的程度了 D-wave的股價自從上市以來已經跌99%了 這家我看將來甚至不會比D-wave好（如果有幸上市的話）
何況還是選擇silicon spin based QC 這種沒有其他領頭公司選擇的路線…目前這個路線QC 公開實驗組的世界紀錄好像是去年的6個qubits…
從我和這些量子電腦公司面試的感覺…D-wave非常隨便Xanadu的風格就現代很多
Startup創業跟學術界異同：VC跟reviewer的智障和自以為是的程度半斤八兩，但是你努力說服VC之後會得到很多錢，而不管有沒有說服reviewer都得不到任何有意義的東西。
Zapata 這間原-量子軟體新創是源自哈佛理論團隊，曾經於2019 年 Series A募資21M；結果量子計算發現做不太下去後（畢竟NISQ就是沒用），就於去年九月改名Zapata AI 專注於生成式AI ，並計劃透過SPAC 上市 （這點倒是跟IONQ DWAVE 一樣）．今年四月正式上市納斯德克後直接崩崩，到四月底已經跌了85%...
量子冬天或許會讓新創轉向求生，不過抱緊AI 風潮可能也沒啥用
此外，我認為量子計算要重回盛夏(類似2019-2021)可能就是2030年以後的時間線了
就說這是在騙錢，跟D-wave一樣。Zapata的老闆還被多倫多大學重金挖來繼續坑加拿大人的錢，搞笑。
說到科技創新，加拿大政府應該不是最傻的，也不是錢最多的，但卻是傻子裡錢最多的，或有錢的裡最傻的。你寫個grant就能跟D-wave一樣拿$2B嗎？
Zapata把自己改名叫做Zapata AI了，然後BC省發展基金把錢投給Photonics這看起來就是要搶D-wave騙補王位的量子XX公司--連個硬體架構都沒搞出來光胡吹就能在加拿大這人傻錢多的地方騙100M，他媽的這樣亂花納稅錢，溫哥華待不下去了。
他們最近又再招一大堆人 而且這次不找任何做理論或軟體的人了 而是找一大堆做硬體和市場銷售的 背後的盤算簡直昭然若揭
去年跟他們面試過兩輪 覺得不太靠譜（加上有其他面試 而且不太想去溫哥華）最後我就找理由拒了第三輪面試
覺得不靠譜的理由是…面試中我問他們硬體做的如何 他們只說已經有成果 但拒絕透露一丁點細節或成果…而且他們對到底想找怎樣的人 和工作描述 沒有太多具體描述 但卻要求要會量子物理 量子計算 電腦科學 古典演算法…各式各樣 幾乎所有能想到的 理論知識和實際搭建經驗(要是真的滿足所有要求 根本不會考慮一家什麼具體資訊都沒有的新創)
從他們最近開的缺來看 我當初的直覺應該是對的…只是 看來我還是太小看加拿大政府亂給錢的程度了 D-wave的股價自從上市以來已經跌99%了 這家我看將來甚至不會比D-wave好（如果有幸上市的話）
何況還是選擇silicon spin based QC 這種沒有其他領頭公司選擇的路線…目前這個路線QC 公開實驗組的世界紀錄好像是去年的6個qubits…
從我和這些量子電腦公司面試的感覺…D-wave非常隨便Xanadu的風格就現代很多
Startup創業跟學術界異同：VC跟reviewer的智障和自以為是的程度半斤八兩，但是你努力說服VC之後會得到很多錢，而不管有沒有說服reviewer都得不到任何有意義的東西。
我個人覺得量子計算在現在NISQ時代說能幫助對抗全球暖化（改良化肥製成）、計算新材料（如電動車電池）之類都非常唬爛，在NISQ 時代真的會賺錢的就是量子金融，用Hybird computing 跑股票市場資產配置最佳化華爾街保證會買單
Roman因為搞這個很能圈錢的旁門左道，被學界批判的很慘…覺得Multiverse的又Singularity的真的中二到爆😅😅😅
量子軟體新創要躲避量子冬天，或許就是全力去做量子金融：量子大數據區塊鏈
https://thequantuminsider.com/2022/01/19/multiverse-computings-quantum-based-fair-price-solution-a-step-toward-quantum-advantage-in-finance/
Roman因為搞這個很能圈錢的旁門左道，被學界批判的很慘…覺得Multiverse的又Singularity的真的中二到爆😅😅😅
量子軟體新創要躲避量子冬天，或許就是全力去做量子金融：量子大數據區塊鏈
https://thequantuminsider.com/2022/01/19/multiverse-computings-quantum-based-fair-price-solution-a-step-toward-quantum-advantage-in-finance/
Quantum Insider
Multiverse Computing’s Quantum-based Fair Price Solution a Step Toward Quantum Advantage in Finance
Multiverse Computing says its new solution will enhance the speed and accuracy of stock valuations for financial institutions.