Anthropic公布了一项实验：给Claude八类量子电路的纯语言规格说明，配一个自动评估器，让它在闭环中自主迭代设计。结果Claude找到了比已发表最优电路更优的方案，部分提升达一个数量级甚至更多。这个案例值得开发者关注的，不是量子计算本身，而是它展示了一种可复制的自主优化范式。

闭环是怎么跑起来的

整个流程没有人类在轮次之间介入。Claude用Python写出电路实现，交给程序化评估器；评估器先验证正确性，再按“量子比特数×门数”打分；分数和反馈回到Claude，用于下一轮改进。人类输入仅限于初始的一段文字说明，以及偶尔提示它“想得更宽一些”。

这个闭环能成立，依赖三个条件，缺一不可：

任务可代码化。 量子电路本质是门序列，可以用普通程序描述、运行和修改，因此能直接复用Claude的编码能力。

正确性可自动判定。 这类量子算法每个输入对应一个确定输出，普通计算机就能验证，不需要量子硬件。

目标可量化。 比特数乘门数是一个客观、单一、可优化的分数。

对做Agent的团队来说，这三条比“Claude会设计量子电路”更有迁移价值：一个自主优化Agent能不能跑起来，往往取决于你能不能把任务改造成“可写代码、可自动验证、可打分”的形态。

它到底改了什么

Claude的改进不是调参，而是发现了新的结构性和数学洞察。

在模拟铁硫分子时，它注意到分子的对称性和重复结构意味着某些结果可以算一次、复用多次，不必对系统每个部分重算。在另一些任务里，它发现已有电路包含昂贵组件，而这些组件只用于处理极罕见的输入，于是重新设计去掉了它们。

两个具体案例：一是模逆运算的新可逆算法，这是椭圆曲线计算中最贵的一步；二是把某个主流量子优化算法中最贵的步骤成本降低约12倍。

这里的关键约束是量子电路不能像普通程序那样做if-then分支，也不能丢弃信息——每一步必须可逆，中间结果只能通过“反向计算”来清除，代价是额外门数。这迫使设计者在空间（比特）和时间（门数）之间做艰难权衡：早清除省比特但可能重算，晚清除省重算但占比特。Claude正是在这个约束空间里找到了新解。

可验证性边界在哪

这个案例之所以可信，恰恰因为它的验证是外部的、程序化的、可复现的。评估器独立于Claude，正确性判定不依赖模型自述。

但边界也很清楚：

  • 只覆盖了“每个输入对应确定输出、经典计算机可验证”的那一类量子算法。资料明确说这是“相当常见”的一类，但并非全部。
  • 打分函数是代理指标，不是真实硬件上的运行时间。
  • 实验针对的是八个计算原语，不是完整应用。
  • 量子电路设计与通用企业AI应用之间距离很远：后者往往目标模糊、验证依赖人工、反馈周期长，很难直接套用这个闭环。

换句话说，这套方法在“目标可形式化、验证可自动化”的任务上成立，越往模糊决策走，可迁移性越弱。

对中国AI团队的启示

第一，AI for Science的切入点可以更“窄而硬”。 与其追求通用科学助手，不如找那些有明确评估器、有公开基准、有量化分数的子问题。量子电路优化是一个，分子模拟、编译器优化、调度问题也有类似结构。

第二，Agent编排的核心是评估器，不是提示词。 这个实验里最关键的工程组件是那个自动评估程序。没有它，闭环不成立。团队在搭自主Agent时，应优先投入可自动验证的评估环节，而不是反复打磨提示。

第三，长时自主运行需要容忍“无进展”阶段。 资料提到Claude在点加法任务上工作了53小时，人类只给了初始简报和偶尔的宽泛提示。这意味着Agent编排要支持长时间运行、状态保持和阶段性反馈，而不是一问一答。

第四，把“可逆”“不可丢弃信息”这类领域约束显式写进任务描述。 Claude的改进来自在约束下推理，约束越清晰，搜索空间越可控。

需要冷静看待的部分

这项工作的意义是“AI能帮助重新设计量子电路”，从而可能让实用量子计算机更早到来。但这是对未来的推断，不是已经实现的工程落地。量子硬件本身仍只有数百到数千比特，且对热、振动甚至宇宙射线高度敏感，错误会累积。电路优化能减少资源需求，但不能替代硬件进步。

对大多数开发者而言，短期内更现实的收获不是去做量子电路，而是借鉴这套“可代码化+可自动验证+可打分”的闭环思路，把它迁移到自己领域里那些边界清晰、验证成本低的优化任务上。