Anthropic 借閉環迭代設計量子電路：Claude 重新整理 8 項基準，最高省 12 倍算力

造一臺好用的量子計算機，難點往往不只在硬體本身，更在於硬體資源實在太金貴了。

現在的量子計算機大多隻有幾百到上千個量子位元，還動不動被熱量、振動甚至宇宙射線干擾。要想用它算點有用的東西，比如搞清楚固氮酶裡的鐵硫原子簇怎麼催化反應，2017 年學界估算需要 50 萬億個昂貴的托佛利門。後來科學家靠最佳化演算法把這個數字砍掉了十五萬倍，縮減到了約 3.4 億個門。

Anthropic 最近把這個任務交給了 AI。研究人員通過 STEM 獎學金專案，讓 Andi Gu 帶隊做了一個實驗：給大模型 Claude Mythos 5 一段純自然語言的任務說明，讓它去設計量子線路。結果在涵蓋化學模擬、組合最佳化、物理模擬和數論等領域的 8 項基礎運算基準測試中，Claude 全面擊敗了此前公開的最佳學術紀錄，有的指標甚至直接優化了一個數量級以上。

讓 AI 自己給自己出題打分

量子線路設計和普通寫程式碼完全是兩碼事。量子世界有兩大折磨人的限制：第一，量子線路沒法像普通程式碼那樣走 if-else 分支，必須把所有可能性都包含進去；第二，量子計算的每一步都必須可逆，中間產生的草稿資料不能直接刪，必須用額外的邏輯閘反向算回去，也就是所謂的「反計算」。

這導致設計者必須在空間（量子位元數量）和時間（邏輯閘總數）之間反覆權衡。

Anthropic 抓住了一個關鍵特性：這幾類量子演算法的輸入輸出都可以被經典計算機高效檢驗。團隊搭了一個閉環系統，Claude 寫出線路程式碼，評估程式在經典計算機上自動檢驗正確性，並根據「量子位元數乘以邏輯閘數」來打分。Claude 拿到反饋後再自動修改，中間完全不需要人類介入。

在耗時 53 小時的點加運算測試中，Claude 摸索出了一套全新的模逆元實現方法。模逆元是橢圓曲線離散對數計算裡最耗資源的一步。過去經典計算裡常用的高效演算法因為要保留分支記錄，直接搬到量子電路上會佔滿記憶體。Claude 不僅重寫了這種結構，還把某主流量子最佳化演算法裡最昂貴的步驟成本壓縮到了原本的十二分之一左右。

在鐵硫分子模擬中，它還自己看出了分子的對稱性和重複結構，把一些中間結果存下來復用，順便剔除了那些為了極罕見輸入而設計的昂貴冗餘元件。

為什麼重要

我們認為，Anthropic 這項研究展示了 AI 輔助科研（AI for Science）最聰明的一種切入姿勢。

過去大模型在科研領域的應用，經常被詬病為「只會在論文堆裡做摘要」或者「寫出來的程式碼總有幻覺」。但 Anthropic 挑了一個非常巧妙的試驗場：量子線路的設計規則極其嚴苛、極度反直覺，人類專家很難窮盡所有權衡；然而它的結果卻可以用經典程式在沙盒裡做黑盒驗證，對就是對，錯就是錯。

這種「大模型負責發散探索、自動化驗證器負責打分糾偏」的閉環架構，把模型的邏輯推理長處發揮了出來，同時用程式規則鎖死了幻覺的風險。對於量子計算行業來說，硬體製造的物理瓶頸在短時間內很難突破，而通過純演算法最佳化把門檻拉低一個數量級，實際上是幫全行業把實用化落地的倒計時提前了幾年。

當然，這件事目前也有侷限。測試跑的都是基礎運算原語，而不是端到端的大型商業應用；而且每次閉環迭代需要消耗數十小時的高強度推理算力。但它至少證明了一件事：在規則明確、反饋即時的硬核科學問題上，大模型已經不僅是個提效助手，它確實能發現人類專家沒看出來的全新數學結構。