异构计算真正难的地方，不只是让不同硬件一起工作，而是让开发者提前知道：运行一个任务，到底要付出多少资源成本。 CPU、GPU 和 QPU 的执行逻辑差异很大… · @XiaoZhi_BTC · TwKit

@XiaoZhi_BTC

异构计算真正难的地方，不只是让不同硬件一起工作，而是让开发者提前知道：运行一个任务，到底要付出多少资源成本。 CPU、GPU 和 QPU 的执行逻辑差异很大。如果缺少统一的资源计量方式，任务能不能跑是一回事，成本能不能预估、执行能不能约束，又是另一回事。 @quipnetwork 的 QVM 在这方面提供了一个值得关注的思路：将量子比特需求、执行时间和纠缠等因素纳入 Gas 模型。 这意味着，量子计算与经典计算放进同一套执行框架时，资源计量可以成为连接不同硬件的重要一环。 当然，真正要做好这层抽象，还需要回答更多问题： 当同一个优化任务分别运行在 CPU、GPU 和 QPU 上时，资源限制该怎么设定？不同架构之间的执行成本又该如何比较？ 这些细节会直接影响开发者能否预估开销，也关系到计算资源提供方如何管理和分配资源。 去中心化计算要走得更远，不能只解决算力从哪里来，还得让执行成本变得可理解、可预测。 计算能力决定任务能不能完成，而资源计量与经济模型，决定这套系统能否持续运转。 #QuipNetwork #DePIN #QuantumComputing

曝光 240 · 评论 11 · 点赞 10 · 书签 0