谷歌不仅负责互联网大量通信的加密工作,同时也在构建自己的量子计算机,因此该公司在评估这项技术的成熟程度方面具有独特优势。
此前,谷歌一直与NIST时间表保持一致,该时间表规定2030年开始淘汰量子不安全算法,到2035年完全禁用这些算法。
但周三,谷歌表示2029年现在是迁移到后量子密码学(PQC)的最后期限。该公司还表示,已调整其威胁模型,优先考虑认证服务的PQC迁移,并敦促其他工程团队效仿。
量子威胁正在加速逼近
量子计算机预计将在变得足够强大时,破解用于保护通信、金融交易和网站安全的传统非对称加密。
博思艾伦汉密尔顿公司量子实践部门首席科学家Jordan Kenyon表示,这个时刻正在到来。"Shor算法的第一个版本预计需要2000万量子比特才能破解加密,而最新研究结果已将这一要求缩减到仅需约10万量子比特。"
她告诉CSO,不仅硬件在不断改进,错误纠正和算法方面也取得了进展。"这种变化的规模令人难以否认。"
2019年,谷歌估计需要2000万量子比特才能破解RSA加密。到2025年5月,谷歌将这一估计修订为100万。上个月,澳大利亚Iceberg Quantum的研究人员在一份预印本报告中表示,只需要10万个物理量子比特。
幸运的是,NIST已经敲定了四种应该能够抵御量子计算的算法,并选择了第五种。但不幸的是,根据后量子密码学联盟的数据,大多数PQC标准尚未得到广泛采用。
可信计算组织的研究显示,情况更加糟糕:91%的企业没有制定路线图。此外,80%的企业表示其当前的加密库和硬件安全模块还未为PQC集成做好准备,只有39%已开始PQC合规准备评估。
企业需要加快迁移步伐
ABI Research分析师Michela Menting告诉CSO,谷歌已经加大了PQC迁移的力度。
这意味着企业也需要加快转型计划,她说,"要比他们原本基于NIST弃用时间表认为可接受的时间更早完成调整——特别是如果他们想要与超大规模云服务提供商保持同步的话。"
她预计微软和AWS将设定类似的迁移时间表,CSO们需要将PQC转型计划提升为优先事项。
"这不再是一个副项目,不再有宽松的时间框架让他们有空时再处理,"她说。"他们真的不能再观望等待了。"
据谷歌称,一些数据已经被攻击者收集。上个月,谷歌和Alphabet全球事务总裁Kent Walker在一篇文章中写道:"恶意行为者并没有等到密码学相关的量子计算机准备就绪。他们很可能已经在实施'现在存储,稍后解密'的攻击,收集加密数据,只是在等待量子计算机能够解锁这些数据的那一天。"
这意味着企业需要提升应对能力。据Gartner称,61%的组织缺乏对其加密系统的全面可见性。该研究公司建议企业进行全面的加密清单盘点,投资于加密敏捷性和可见性,建立加密卓越中心,并优先为具有长期敏感性的资产进行PQC迁移。
Q&A
Q1:什么是后量子密码学,为什么需要迁移?
A:后量子密码学(PQC)是能够抵御量子计算机攻击的新型加密算法。由于量子计算机一旦足够强大就能破解目前广泛使用的传统加密方式,威胁到通信、金融交易和网站安全,因此需要提前迁移到更安全的后量子加密算法来保护数据安全。
Q2:量子计算机破解加密需要多少量子比特?
A:破解加密所需的量子比特数量正在快速减少。2019年谷歌估计需要2000万量子比特破解RSA加密,2025年5月修订为100万,最近澳大利亚研究人员表示只需约10万个物理量子比特,显示量子威胁正在加速逼近。
Q3:企业应该如何应对量子威胁?
A:企业需要立即行动,不能再观望等待。建议进行全面的加密系统清单盘点,投资加密敏捷性和可见性技术,建立加密卓越中心,并优先为敏感资产制定后量子密码学迁移计划,确保在2029年期限前完成转型。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。