Telstra 试验量子机器学习用于网络分析

BTW Media 对 Telstra 试验量子机器学习用于网络分析进行描述，因为公开证据将其与互联网基础设施、治理、运营依赖或市场可见性相关联。

• 量子增强系统达到了与 Telstra 深度学习模型相当的准确率，但训练仅需数天而非数周。
• 该试验表明，通过减少对重型 GPU 基础设施的依赖，网络运营商可实现成本、能源和基础设施效率的提升。

发生了什么：Telstra 与量子专家 SQC 完成了为期 12 个月的合作

澳大利亚的Telstra与 SQC 启动了一项为期一年的试验，探索如何利用量子机器学习更有效地监控和优化网络性能。该项目采用了 SQC 名为“Watermelon”的量子储存器系统，该系统生成的量子特征将输入 AI 模型。

目标有两个：确定这些量子生成的特征能否预测关键网络指标（如延迟或带宽），并将结果与现有的深度学习模型进行比较。

据两家公司称，量子模型达到了与 Telstra 深度学习方法相同的预测准确率，但训练时间和硬件投入显著减少。训练量子储存器仅需几天，而深度学习方法需要数周和更重的 GPU 硬件。

延伸阅读：Vodafone 与 Three 调整基础设施以实现更智能的增长
延伸阅读：Vodafone 增长后启动 5.45 亿美元回购

为何重要

对于网络运营商而言，预测分析是一项关键功能：能够预见性能问题，动态调整资源，避免对客户造成影响，从而获得竞争优势。Telstra 已在使用传统的机器学习系统监控延迟和带宽等网络指标，以触发主动响应。

将量子机器学习引入该工作流程具有多个潜在优势。首先，训练时间缩短（数天对比数周）意味着预测模型能更快迭代和部署。其次，量子储存器不需要重 GPU 基础设施，表明运营成本更低，能耗更少，碳足迹可能更小。

从战略角度看，该试验表明量子技术正从纯实验室实验转向现实行业应用。在澳大利亚背景下，这也凸显了本土创新（通过 SQC 的硅基量子芯片）如何能与运营商基础设施合作，推动数字基础设施的演进。

总之，Telstra 与 SQC 的这次合作为量子机器学习在电信领域的应用提供了一个有意义的案例研究。它提升了前景，即全球网络运营商可以利用量子增强分析来提供更智能、更快速、更高效的连接服务——进而影响下一代数字基础设施的构建和运营方式。