Anthropic在10月16日发布量子电路设计研究：研究人员把八类计算基元的自然语言任务交给Claude，再由自动评估程序检验正确性、计算所需量子比特和门操作，模型在循环反馈中提出改进方案。公司称，在这八项任务中，新设计比此前发表的方案使用更少的量子比特和门，其中部分任务的改进达到数量级级别。最需要划清的边界是：这是算法与电路设计的研究结果，不是量子计算机已经完成大规模商业计算，也不是模型在未经验证的情况下证明了新的物理定律。

量子计算的工程难点，不只在于增加量子比特数量。量子比特对噪声敏感，错误会在长电路中积累；一项任务即使理论上能运行，也可能因为需要太多门操作和纠错资源而无法落地。因此，减少电路的“面积与时间”消耗，与改进硬件同样重要。研究团队选择的八类任务涉及化学、优化、物理模拟、数论和数值计算，它们是更大算法中的组成部件。部件变小，有助于压低未来应用的资源预算，但不能自动推出整套算法在现有机器上都能跑通。

模型不是凭一句提示得到答案

研究的关键设计是一条可计算、可否证的闭环。Claude先用代码表达一种量子电路方案，外部评估器对功能正确性进行检查，再给出与量子比特和门数相关的评分；模型据此修正方案。对于一些输入可由经典计算机明确验证的电路，这种方法尤其合适，因为正确与否不必依赖模型自评。外部评估器也使研究结果比“模型声称发现优化”更有说服力。文章所说的相对自主，是在研究人员设定问题、测试口径和反馈机制后，循环中的若干轮迭代不需要人逐步给提示。

一个例子是椭圆曲线计算中的模逆运算。量子电路必须保持可逆，不能像普通程序那样随意丢弃中间状态；清除临时结果通常要把计算反向再做一遍，这会花费更多门。保留中间结果则可能占用更多量子比特。优化的核心因此不是单纯删掉几行代码，而是在空间和时间之间找到更合理的取舍。研究把点加法和相关运算作为压力测试，称新方案通过重组计算结构取得改进。普通读者不必记住每种门的名称，但应记住：衡量量子电路优劣时，正确性、量子比特、运行步骤必须一起看。

另一类例子来自量子优化和化学模拟。公司称，模型识别了某些问题中的重复结构，避免对相同部分反复计算；也发现旧设计为极少见输入付出的代价过高，因而调整了处理方式。文章提到某一领先量子优化算法中的昂贵步骤可降低约12倍成本。这里的“12倍”指该步骤在研究设定下的资源估计，不能扩写成所有量子应用性能提升12倍，更不能当成真实量子硬件的实测加速。不同电路对物理错误率、编译和纠错方案的要求不同，纸面门数只是走向可用机器的一环。

从电路设计到现实应用还隔着几层验证

研究也提供了一个认识AI科研能力的更好角度：并非模型写出漂亮解释就算科学进展，而是提出可运行候选、接受外部检验、与公开基线对比，最后由领域专家检查适用范围。对于量子算法这样的高度结构化领域，自动评分的反馈比较明确，模型更容易探索人类难以穷举的设计空间。换到缺少可靠评估器的领域，这套方法未必有同样的表现。AI科研的潜力取决于测试系统与人类审查是否足够严格。

从产业角度看，资源需求下降可能改善未来的路线图。例如化学模拟所需的门数或量子比特减少，就可能让某个应用不必等待原先预测那么大的机器。但未来机器还须具备足够低的物理错误率、稳定运行时长、纠错开销和可重复的实验结果。研究中的电路优于已有方案，也不等于所有学界方案已被穷尽；后续同行复核、复现与针对新硬件的编译仍十分重要。公司在页面上链接了论文，读者应区分公司介绍里的潜在意义与论文中严格定义的比较对象。

这件事对AI行业的启示或许比“AI会不会取代量子科学家”更具体：当问题可以明确编码、结果可以自动判真伪、成本可以客观计分时，模型能在不断试错中提出有价值的结构改进。研究者的角色并未消失，而是前移到选择重要问题、设计评估标准、确认数学结论，并把局部优化连接到真实硬件约束。科研组织下一步需要公开更多可复现细节，让外部团队检验哪些改进普适，哪些只在选定规模和参数下成立。

判断同类新闻有三把尺子：先问优化对象是否被清楚定义，再问正确性是否由外部程序或同行验证，最后问改进是在理论估算、模拟器还是真实硬件上取得。三个层次不能相互替代。此次公开资料最强的证据落在电路设计与评估比较，商业机器的交付时间仍是开放问题。

来源：Anthropic，2026年10月16日《Designing more efficient quantum circuits with Claude》：https://www.anthropic.com/research/designing-efficient-quantum-circuits