引言
想象这样一个场景：你是一位物理学家，花了整整8年时间，和全世界最聪明的同事们一起，把一个量子计算任务的成本从50万亿步压缩到了3.4亿步。你觉得这已经是人类智力的极限了。
然后一个AI，独自工作了53个小时，把你在8年里积累的所有最优方案，全部推翻了。
不是改进了一点。是在某些关键环节上，效率提升了17倍。
更让人震撼的是——它之所以能做到这些，不是因为它更快地"搜索"了已有方案，而是因为它自己发现了一套人类从未见过的数学规律。
这不是科幻小说。这是2026年10月16日，Anthropic（Claude的开发公司）公布的一项真实研究成果。
量子计算的"不可能三角"
要理解这件事有多难，先要聊聊量子计算为什么这么"贵"。
你家里的电脑做计算，靠的是比特——要么是0，要么是1，简单干脆。量子计算机用的是"量子比特"（qubit），它可以同时处于0和1的叠加态，理论上能并行处理海量信息。
但量子比特极其脆弱。温度波动、电磁干扰、甚至宇宙射线，都可能让一个量子比特的状态"塌掉"，导致整台机器算出错误结果。目前全世界最先进的量子计算机，也只有几千个量子比特——远远不够运行大多数有实际价值的算法。
所以量子电路设计，本质上是在极度稀缺的资源下"精打细算"：用尽可能少的量子比特，尽可能少的操作步骤（量子门），完成指定的计算任务。
这就像是在一平方厘米的芯片上，设计一座能容纳所有居民的城市，而且每条路都只能单行，还不能有死胡同。
更要命的是，量子计算有两条铁律，让设计难度指数级上升：
第一，不能"走岔路"。 普通程序可以写if-else——如果满足条件走A路线，不满足走B路线。但量子计算机同时在处理多种输入状态，有些该走A有些该走B，所以电路必须把A和B的操作都包含进去，无论实际需要不需要。
第二，不能"扔草稿"。 普通程序算完一个中间结果，用完就可以扔掉释放内存。但量子计算要求每一步都是可逆的——你不能简单地擦除信息，只能通过"倒放"计算来清理，而"倒放"本身又需要额外的步骤。
这两条约束叠加在一起，逼着设计者在"空间"（量子比特数）和"时间"（计算步数）之间做极限权衡。多存一些中间结果可以省步骤但费比特，及时清理可以省比特但要反复重算。
这就是量子电路设计师每天都在面对的现实。
一个让科学家头疼了8年的问题
在量子计算的所有应用场景中，有一个特别重要的任务：模拟FeMoco——一种固氮酶核心的铁硫簇合物。
听起来很学术，但它的重要性极其接地气：自然界中，细菌就是通过这种酶把空气中的氮变成氨（也就是化肥的原料）。如果我们能用量子计算机精确模拟这个过程，就有可能设计出更高效的工业催化剂，彻底改变化肥制造、能源消耗乃至全球粮食生产。
2017年，研究人员估算，模拟FeMoco需要50万亿个Toffoli门（量子计算中最昂贵的操作之一）。
这基本上意味着"算不了"。
此后8年，全世界多个顶级研究组前赴后继，通过一轮又一轮的电路重新设计，把数字从50万亿一路压到了3.4亿——压缩了大约15万倍。每一步进步，都代表着数月的研究工作和发表在顶刊上的论文。
3.4亿个门，意味着未来一台拥有约300万个物理量子比特的机器，花几个小时可以完成模拟。
这已经非常接近"可用"了。但要从3.4亿再往下压，每减少一个门，都需要设计师对问题的数学结构有极其深刻的理解。
然后Anthropic做了一个实验：把这个问题交给Claude。
53小时，AI做了什么？
Anthropic的研究团队给Claude Mythos 5（他们目前最强的模型）设计了一个简洁的闭环工作流：
- 用一段大白话描述一个量子电路需要计算什么
- Claude用Python写出电路设计
- 一个自动评估程序检查电路是否正确，并打分（分数=量子比特数 × 门数量，越低越好）
- Claude拿到反馈，继续改进
整个过程中，人类只提供了最初的一段话描述和偶尔的"你再想想"式提醒。
Claude在8个不同的量子电路设计任务上全部超越了人类已发表的最优方案。这些任务横跨化学、优化、物理模拟和数论。
但真正让人拍案叫绝的，是它在两个具体任务上的表现。
第一个神操作：自己证明了新的数学定理
第一个任务涉及椭圆曲线上的"点加法"运算——这是量子密码学（比如破解RSA加密）的核心步骤。
这个运算中最昂贵的环节叫"模逆"——你可以把它理解为一种"绕圈除法"。传统计算机有一种叫divsteps的高效算法来做这件事：把两个数不断地交换、加减、折半，最终得到结果。过程中会产生大量"分支记录"——每一步选择了哪种操作的日志。
在传统计算机上，这些日志算完就扔。但在量子电路里，你不能扔——你必须把它们全部存下来，以便最后"倒放"清理。而存储这些日志需要的量子比特数量，多到根本不现实。
所以人类科学家基本认为这条路走不通。
Claude不信邪。
它的思路是：既然存日志太贵，那能不能不存，而是直接从每一步的数值结果中"反推"出日志？
一开始，Claude像个勤奋的研究生，试了好几种简单的反推规则。这些规则在小数字上能跑通，但在真正的256位大数上全崩了。
然后，它做了一件让所有看过论文的人都感到震惊的事：它放弃了暴力试验，转而去做数学。
它开始严格推导divsteps迭代过程的数学性质，证明了一系列全新的代数恒等式。从这些恒等式出发，它推导出了一个精确的解码公式——能够正确地从数值对中恢复出分支信息。
然后它用Lean（一种形式化证明工具）验证了自己的证明是正确的。
最终，Claude拿出了人类历史上第一个不需要存储分支历史的量子divsteps可逆实现。跟此前最小的人类设计相比，它只多用12%的量子比特，但门数量减少了17倍。
一个AI，在53小时内，发现了人类数学家8年内没有发现的数学结构。
第二个神操作：重写了Google的核心算法
第二个突破发生在DQI（解码量子干涉测量）算法中——这是量子计算机用于物流调度、材料设计等优化问题的最强候选算法之一。
DQI最耗时的步骤是一个叫Reed-Solomon的解码器。此前Google Quantum AI的团队用"扩展欧几里得算法"来实现它，但由于量子电路不能"走岔路"的约束，Google的方案不得不把计算拉长到远远超出实际需要的回合数。
Claude一看就说了（大意）：这个算法跟量子电路不匹配，换一个。
它把核心引擎换成了Berlekamp-Massey解码法——一种每轮做相同操作的算法，天然适合量子电路的"一刀切"特性。
但换算法带来了新的内存危机：每轮计算产生的临时数据不能删，全存下来需要665个量子比特。
Claude又用了类似的"反推法"解决了大部分存储需求，但还有少量"异常值"无法反推。按照最坏情况预留空间，需要665个量子比特。
Claude没有按最坏情况来。它自己写了一个高速模拟器，跑了4.03亿次采样，精确测量了异常值出现的概率。结果发现：绝大多数情况下只需要存1个值。
于是它只预留了19个量子比特的存储空间。
最终，Claude设计的解码器，门数量比Google此前的方案减少了12倍。原来需要1小时的计算，现在几分钟就能完成。
这件事真正意味深长的是什么？
如果只是"AI优化了一段代码"，这个故事顶多算一条科技新闻。但仔细看Claude的做法，有几层含义值得深思。
第一，AI不只是"更快地搜索"，它在"发现"。 Claude在椭圆曲线任务中的突破，不是在人类已有方案的基础上修修补补，而是发现了一条全新的数学路径——一条人类数学家从未走过的路。它推导出了新的代数恒等式。这在本质上是一种数学发现，只不过发现者不是人。
第二，AI开始做"跨层次"的优化。 Claude没有只在算法层面工作。它同时改变了算法（换核心方法）、架构（反推替代存储）和资源预算（用统计概率替代最坏情况预留）。这种跨层次的协同优化，恰恰是人类设计师受限于专业分工最难做到的事。
第三，软件正在"拯救"硬件。 我们一直以为，要让量子计算变得实用，需要把量子比特从几千个扩展到几百万个——这是纯硬件问题。但Claude的工作表明，通过更好的电路设计，我们可能用更少的量子比特、更短的运行时间就到达"有用"的门槛。换句话说，AI可能在软件层面把量子计算的实用化时间表往前推了。
第四，AI做科研的闭环已经成立。 给AI一个明确的目标、一个可以验证正确性的评估器、一个可以量化的优化指标，它就能在没有人类指导的情况下，自主探索、发现、验证。这个模式不仅适用于量子电路，也适用于药物发现、材料设计、数学证明——几乎所有"可验证、可量化"的科学领域。
一个有趣的细节：AI也会"不自信"
Anthropic的研究者在报告中提到一个很有意思的观察：Claude天生比较"保守"。
它反复怀疑自己发现的改进是否真的有效，有时候会反复验证已经足够可靠的结果。这种谨慎有时是好事——比如它促使Claude用Lean形式化证明验证了自己的divsteps设计。但有时也限制了它的探索——它倾向于选择已知的、安全的方法，而不是更激进但可能更有效的方案。
研究团队不得不偶尔"推它一把"，提醒它"你再想想还有没有其他可能"。
这像极了人类实验室里那些聪明但缺乏自信的年轻研究员——才华横溢，但需要导师鼓励才敢提出大胆假设。
一个关于AI"性格"的有趣注脚。
写在最后
8年。53小时。
人类最聪明的物理学家和数学家花了8年，把量子电路的效率提升了15万倍。一个AI用了两天，又在此基础上把关键环节再压缩了一个数量级。
这不代表人类科学家变得不重要了。恰恰相反——是Anthropic的量子物理学家们设计了正确的问题框架、评估系统和优化指标，Claude才能在这个框架里发挥作用。
但它确实意味着一件事：当AI不再只是"回答问题"，而是开始"发现规律"的时候，科学进步的速度可能会比我们所有人预期的都快得多。
量子计算的未来，可能不在几百万个量子比特里。在53小时的代码迭代里。
参考文献：
- Anthropic, “Designing more efficient quantum circuits with Claude” (2026年10月16日). https://www.anthropic.com/research/designing-efficient-quantum-circuits
- Andi Gu et al., arXiv:2610.22367 (完整论文)
- Google Quantum AI, “Bringing the magic: Google breaks open a bottleneck in quantum computing” (2026年10月15日). Science, DOI 10.1126/science.aee7961