Anthropic 借闭环迭代设计量子电路：Claude 刷新 8 项基准，最高省 12 倍算力

造一台好用的量子计算机，难点往往不只在硬件本身，更在于硬件资源实在太金贵了。

现在的量子计算机大多只有几百到上千个量子比特，还动不动被热量、振动甚至宇宙射线干扰。要想用它算点有用的东西，比如搞清楚固氮酶里的铁硫原子簇怎么催化反应，2017 年学界估算需要 50 万亿个昂贵的托佛利门。后来科学家靠优化算法把这个数字砍掉了十五万倍，缩减到了约 3.4 亿个门。

Anthropic 最近把这个任务交给了 AI。研究人员通过 STEM 奖学金项目，让 Andi Gu 带队做了一个实验：给大模型 Claude Mythos 5 一段纯自然语言的任务说明，让它去设计量子线路。结果在涵盖化学模拟、组合优化、物理模拟和数论等领域的 8 项基础运算基准测试中，Claude 全面击败了此前公开的最佳学术纪录，有的指标甚至直接优化了一个数量级以上。

让 AI 自己给自己出题打分

量子线路设计和普通写代码完全是两码事。量子世界有两大折磨人的限制：第一，量子线路没法像普通代码那样走 if-else 分支，必须把所有可能性都包含进去；第二，量子计算的每一步都必须可逆，中间产生的草稿数据不能直接删，必须用额外的逻辑门反向算回去，也就是所谓的「反计算」。

这导致设计者必须在空间（量子比特数量）和时间（逻辑门总数）之间反复权衡。

Anthropic 抓住了一个关键特性：这几类量子算法的输入输出都可以被经典计算机高效检验。团队搭了一个闭环系统，Claude 写出线路代码，评估程序在经典计算机上自动检验正确性，并根据「量子比特数乘以逻辑门数」来打分。Claude 拿到反馈后再自动修改，中间完全不需要人类介入。

在耗时 53 小时的点加运算测试中，Claude 摸索出了一套全新的模逆元实现方法。模逆元是椭圆曲线离散对数计算里最耗资源的一步。过去经典计算里常用的高效算法因为要保留分支记录，直接搬到量子电路上会占满内存。Claude 不仅重写了这种结构，还把某主流量子优化算法里最昂贵的步骤成本压缩到了原本的十二分之一左右。

在铁硫分子模拟中，它还自己看出了分子的对称性和重复结构，把一些中间结果存下来复用，顺便剔除了那些为了极罕见输入而设计的昂贵冗余组件。

为什么重要

我们认为，Anthropic 这项研究展示了 AI 辅助科研（AI for Science）最聪明的一种切入姿势。

过去大模型在科研领域的应用，经常被诟病为「只会在论文堆里做摘要」或者「写出来的代码总有幻觉」。但 Anthropic 挑了一个非常巧妙的试验场：量子线路的设计规则极其严苛、极度反直觉，人类专家很难穷尽所有权衡；然而它的结果却可以用经典程序在沙盒里做黑盒验证，对就是对，错就是错。

这种「大模型负责发散探索、自动化验证器负责打分纠偏」的闭环架构，把模型的逻辑推理长处发挥了出来，同时用程序规则锁死了幻觉的风险。对于量子计算行业来说，硬件制造的物理瓶颈在短时间内很难突破，而通过纯算法优化把门槛拉低一个数量级，实际上是帮全行业把实用化落地的倒计时提前了几年。

当然，这件事目前也有局限。测试跑的都是基础运算原语，而不是端到端的大型商业应用；而且每次闭环迭代需要消耗数十小时的高强度推理算力。但它至少证明了一件事：在规则明确、反馈即时的硬核科学问题上，大模型已经不仅是个提效助手，它确实能发现人类专家没看出来的全新数学结构。