人類8年Claude僅用2天
只給一段文字說明，Claude獨自運行53個小時，改寫了人類頂尖科學家設計的量子電路。
Anthropic剛剛公佈了一項新研究。
他們把化學、最佳化、物理模擬和數論領域的8個核心量子計算程序，寫成純文字需求扔給Claude。
同時配上一個自動運行的打分程序。
沒有任何人類插手干預。
Claude自主摸索，交出的設計方案全部超越了現有的頂尖成果。
在部分任務裡，電路效率直接提升了一個數量級以上。
論文第一作者是Anthropic研究員Andi Gu。
指導老師是量子物理學家Alek Kemeny。
哈佛大學Susanne Yelin、哈佛大學與QuEra Computing的Mikhail Lukin共同參與了這項研究。
完整論文目前已經發佈在arXiv上。
paper：
https://arxiv.org/abs/2610.22367
人類耗時8年的工作，AI跑了53小時
量子電腦目前最大的問題，就是硬體太簡陋。
現有的量子機器只有幾百到幾千個量子位元。
這些量子位元極其脆弱。
熱量、震動甚至宇宙射線都會干擾它們，微小的擾動積累起來就會算出錯誤答案。
既然硬體不夠用，科學家只能拚命改寫演算法，讓電路少用量子位元，縮短執行階段間。
一個典型例子是模擬固氮酶裡的核心鐵硫簇FeMoco。
弄清這個分子有助於製造更高效的工業化肥催化劑。
2017年，科學家算過一筆帳。
要算出FeMoco的最穩定能量狀態，量子電腦需要運行大約50兆個Toffoli門。
這是衡量計算時間的核心指標。
全球眾多頂尖研究團隊花了整整8年接力最佳化。
才把這個數字降到3.4億個門。
降幅高達15萬倍。
但這意味著，那怕換到未來擁有300萬物理量子位元的超級機器上，也得算上好幾個小時。
人類團隊每次取得一點進展，通常都要耗費好幾個月。
而這一次，Claude拿出橢圓曲線演算法的重大突破，只用了一次53小時的連續運行。
這次實驗用的是Claude Mythos 5模型。
AI之所以能在這件事上大顯身手，是因為量子電路本質上可以寫成普通程式碼。
研究人員把電路佔用的量子位元數量乘以量子門數量，作為唯一的評分標準。
Claude在這個封閉環境裡不斷提交方案、接收報錯與分數、修改程式碼。
完全自主迭代。
在這8個關鍵計算模組中，AI給出的電路用到的量子位元和門數量，都少於此前已發表的最優演算法。
它沒有走修修補補的老路。
而是在理解了底層的數學結構之後，推翻了原來的底層設計。
連推數學定理，打破可逆計算死穴
第一個被攻破的硬骨頭是點加法。
這是橢圓曲線離散對數問題的核心步驟，也是評估量子演算法能力的標準標竿。
這個計算裡最貴的一步叫做模反轉。
在傳統電腦上，這個操作通常用一種叫做divsteps的演算法來做。
divsteps在傳統電腦上跑得極快。
但它一直無法做成實用的量子電路。
因為量子物理有兩個嚴苛限制。
第一，它不能做if-else分支判斷。
傳統程序遇到條件判斷只要走其中一條路，量子電腦同時處在多種狀態疊加中，必須同時把所有路徑都算一遍。
第二，量子電路絕不能隨意丟棄草稿紙。
傳統程序算完中間步驟可以直接刪掉記憶體。
量子計算的每一步都必須可逆。
如果直接擦掉中間資料，整個計算結果就會被破壞。
要清空臨時資料，唯一的辦法就是把剛才的計算過程完整倒著算一遍，這叫撤銷計算。
在divsteps演算法裡，每一步選擇那種操作都會留下分支記錄。
如果要把這個演算法搬到量子電腦上，就必須把整個分支歷史全部存下來。
這需要耗費極其驚人的量子位元。
Claude接手這個任務後，敏銳地意識到：歷史記錄其實根本不需要存。
AI提出一個設想。
每一步計算完成後，留在手裡的那對數字本身，就已經保留了足夠的數學痕跡。
只要找到規律，就能直接通過當前的數字反推剛才走了那個分支。
Claude先試了幾個簡單的反推規則，在小規模測試裡表現不錯，但在256位的大數字上全崩了。
隨後它改變思路，開始從理論層面死磕。
它推導證明了一系列代數恆等式。
借助這些數學公式，Claude找到了一個精確的解碼公式，能從數字對裡無損還原分支資訊。
它先用大規模數值模擬驗證了公式。
隨後又用數學證明語言Lean對這套理論完成了嚴格的形式化證明。
最終，Claude寫出了全球第一個不需要額外記憶體歷史分支記錄的可逆divsteps演算法。
解碼需要耗費時間，記憶體需要耗費位元。
Claude接著尋找兩者的平衡點。
通過微調記憶體與解碼的切換閾值，它給出了一整套設計方案。
其中一個方案，僅僅增加了12%的量子位元，就讓量子門數量暴跌到原來最小設計的十七分之一。
發現萬分之一機率，把Google記錄砍掉12倍
第二個重大突破發生在量子最佳化演算法DQI上。
DQI是目前最有希望在複雜最佳化問題上實現超多項式加速的演算法之一。
它最核心也最昂貴的一步，是做Reed–Solomon糾錯解碼。
Google量子AI團隊此前推算過一個特定問題。
用全球頂尖的Frontier超算來解，需要大約三個月。
用未來的量子電腦跑DQI演算法，大約只需要一小時。
而這一小時裡，幾乎所有時間都在跑解碼器。
Google此前的頂尖方案採用的是擴展歐幾里得演算法。
這個演算法在傳統機器上很靈活，但到了量子電腦裡就成了累贅。
因為不同輸入需要運行的步數不一樣，量子電路為了相容所有可能，只能按照最壞情況把每一步、所有分支從頭到尾全跑滿。
Claude直接推翻了這個基礎架構。
它改用了Berlekamp–Massey演算法。
這個演算法每一輪運行相同的步驟，運行的總輪數完全固定，天生適合量子電路這種一條道走到底的模式。
換了演算法之後，同樣面臨臨時資料無法擦除的難題。
按最極端的罕見情況來算，電路需要準備665個量子位元來保存中間值，普通硬體根本吃不消。
Claude寫了一個高速模擬器。
直接跑了4.03億次採樣測試。
統計資料揭示了一個事實：極端情況出現的機率微乎其微，絕大多數運算最多隻需要存一個中間值。
Claude立刻調整策略。
它不再為極端情況留足冗餘，只預留了19個量子位元。
只有大約萬分之一的機率會因為空間不足而報錯。
這個失敗率完全落在演算法允許的誤差範圍之內。
演算法底層更換、執行階段重構資料、砍掉極端冗餘。
三項改動疊加，Claude把解碼器需要的門數量直接削掉了整整12倍。
AI包攬演算法到硬體的日子不遠了
在早期的測試裡，Claude其實非常保守。
它經常過度懷疑已經發現的改進，甚至對早就驗證過的結果反覆核驗。
這種謹慎讓它寫出了嚴謹的Lean數學證明，但也讓它一開始更傾向於使用人類已有的成熟老路。
研究團隊後來強制它必須同時提出多條完全不同的解決路徑，並且偶爾人工提醒它放開思路。
這才逼出了AI推導全新數學公式的潛力。
現在的量子電腦開發麵臨一個痛點：糾錯碼、解碼器、物理硬體控制彼此高度關聯，但由於系統太複雜，人類科學家只能把各個模組拆開，各自單獨設計。
既然這些底層的邏輯都可以轉化為程式碼、驗證結果、打出分數，這就完全在AI的能力射程之內。
未來，AI不僅能幫人類最佳化某一個具體的電路。
它完全有可能把演算法、容錯機制和底層硬體串聯在一起，直接定製出一台針對特定分子模擬或材料研發的專用量子電腦。 (AI寒武紀)