
量子门压至 1/17,代价是量子比特增加 12%
#
53小时,17倍。这两个数字放在一起,乍看像量子计算又迎来了一次颠覆性飞跃。
但先把话说在前面:这不是明天就能破解椭圆曲线加密,也不是AI已经全面超越人类所有既有方案。它是一次算法层面的优化,代价和边界都要一起算。
2026年10月,Anthropic的研究团队发布了一份说明,记录了一件让他们自己也觉得意外的事。他们把椭圆曲线点加法中的模逆运算——现代密码学的核心运算之一——的量子线路优化问题,交给了AI模型Claude Mythos 5,配上任务说明和一套自动评估器,让它自己跑。连续探索53小时之后,模型交出了一份方案:关键计算步骤的量子门数量,比此前量子比特用量最省的方案少了约17倍。
这道题不是随便找来练手的。人类物理学家和工程师已经把它抠了很多年,折中方案做得相当精细。AI没有推翻物理规则,而是找到了一条此前没被系统描述过的解题路径。
要看懂这份成果的真正分量,得先弄明白一件事:写一份好用的量子“操作菜谱”,到底难在哪。

图示:量子电路与硬件结构示意图. 来源:Tech Explorist
一、量子计算机的“菜谱”,为什么这么难写? 🧠
量子线路,就像一份操作清单。清单里的每一个步骤叫“量子门”,每一步都要消耗时间和计算资源;清单里用到的材料叫“量子比特”,每多一个,硬件成本就往上跳一截。
步骤越少、用量越省,量子计算机就越接近真正的实用。
那为什么把这份“清单”写短这么难?
传统电脑没有这个烦恼。你算完一个中间步骤,不需要的数据随手删掉就好,内存清了继续下一步,没有任何额外成本。
但量子系统有一条绕不过去的物理约束:可逆性。信息不能被随意擦除。量子计算本质上要求每一步操作都可以被“撤销”,你在中途随便清掉一块数据,整个精心维持的量子态就会受到干扰——有点像你写草稿时不能直接擦掉一行字,擦掉就毁掉整张纸。
这在像“模逆”这样的运算里尤其麻烦。模逆运算充满分支判断:每走到一个岔路口,程序需要知道之前走了哪条路,才能继续往下算。传统思路是把每一步的分支历史都存下来——但存下来的这些历史,需要额外的量子比特来承载。分支越多,需要的“临时账本”就越厚,账本越厚,硬件成本就越高。
这就是量子线路优化的核心死结:你想省时间,就得留历史;你想省硬件,历史就会让你付出更多时间的代价。 人类物理学家在这个两难里耗了很多年。
二、AI没有硬算,而是换了一种思路 💡
这次AI找到的突破,不是靠算力碾压把所有可能方案全跑一遍。
它干了一件更有意思的事:放弃记录分支历史,改为推导代数关系,在需要用到某个中间值的时候,直接从当前手头的数据“现场反推”出来。
这听起来像投机取巧,但背后需要严格的数学推导来支撑。模型需要找到足够通用的代数恒等式,让“反推”这个动作每次都能可靠成立。存中间结果,和算出中间结果,表面上是两条平行路,但数学上可以互相转换——AI找到的,是一条从旧方案里很难看出来的转换路径。
这个过程并不顺利。Claude最初尝试了一些简单规则,在小规模测试上能跑通,但把问题扩展到256位完整规模的时候,这些规则失效了。失败之后,模型转向了更底层的数学推导,才找到了后来的解法。
这不是幻觉,也不是聪明反被聪明误。这就是正常的算法探索过程:先试最直觉的方向,碰壁,再找更深的出路。 只不过人类做这件事需要的时间通常以月甚至年计,这次AI用53小时走完了这段路。

图示:前沿量子硬件与算力芯片结构示意. 来源:Positive News
三、减少17倍量子门,代价是什么? ⚖️
先把两个数字的来源分清楚:17倍来自椭圆曲线点加法中的模逆任务,12倍来自DQI译码任务,两者不能合并理解。
大多数报道的标题只写了“量子门减少17倍”,这个数字是真实的。但还有另一个数字,几乎没有被同等强调:在椭圆曲线点加模逆这项任务里,17倍门数缩减的代价是量子比特用量比此前最省的方案增加了约12%。而且这个17倍是相对“此前量子比特用量最省的方案”而言;如果换成另一份门数更少、但更耗量子比特的方案,Claude的电路在门数上并不占优。
17倍和12%不是同一件事的正反面,而是两种不同资源之间的交换。量子门对应运算时间和操作步骤;量子比特对应硬件规模。把步骤压缩了17倍,但硬件要多备12%——这不是突破了物理限制,是在物理限制内找到了一个更好的交换比。
同一研究项目里,Claude还对DQI译码(decoding quantum interference)做了一版优化,量子门数量比Google Quantum AI此前的构造减少了约12倍。这是另一个任务、另一组基准,不和椭圆曲线的12%拼成同一条结论。
回到椭圆曲线这项任务,AI摸到的其实是一个可以调节的平衡点。研究说明里提到,这里存在一套可调节的机制:把旋钮往一边拧,更多节省量子门;往另一边拧,更多节省量子比特。这个“旋钮”本身就是这次探索的价值所在——它不只是给出了一个点,而是揭示了一个此前没有被系统描述过的权衡空间。
科技突破最容易让人兴奋的,是它创造了什么纪录;最值得认真看的,却是它为这个纪录付出了什么代价。
四、AI会不会算错?谁来当裁判? 🧪
##
大语言模型以“一本正经地胡说八道”闻名,这个疑问合理。
在这次研究里,研究团队用了两层验证机制,但两层覆盖的范围不同,需要分开看。
第一层是Lean形式化证明助手。Lean是一套数学证明工具,它不评价答案“看起来合理不合理”,只判断逻辑推导链条里每一步是否严格成立。如果某一个环节出了错,证明直接无法通过编译。但需要说清楚:Lean在这次研究里被用来形式化验证的是模逆步骤核心论证中的关键性质,不是整套量子电路的逐行形式化证明。它堵住的是数学推导链上的关键漏洞,不等于“整个方案已经过形式化认证”。
第二层是大规模模拟抽样,针对的是DQI译码器的设计。研究团队运行了约4.03亿次模拟解码,测试这套译码方案在各种输入下的表现。测试发现了一个有价值的工程结论:绝大多数情况下,只需要预留19个量子比特作为辅助资源,而不是按最坏情况一口气保留665个;大约万分之一的运行会因为特殊输入遇到失败。
这不是“万分之一可以接受所以没问题”,而是说:通过统计,这套方案可以在知情的情况下做资源配置——大多数时候用最少的资源跑,极少数特殊情况单独处理。
但要说清楚:数学上站得住,不等于在真实量子计算机上跑得起来。 Lean证明、4.03亿次模拟解码、真实硬件运行,是三个不同层次的问题。

图示:量子线路优化与逻辑门演化图解. 来源:ResearchGate
五、纸面方案,距离真机还有多远? 🚀
这次研究的所有成果,目前还都是算法层面的优化,尚未在真实量子硬件上运行验证。研究说明以预印本形式发布,尚未经过独立同行评审。
真实的量子计算机面临的是另一套问题。当前的量子计算机只有数百到数千个量子比特,而且极其脆弱——热、振动,甚至宇宙射线,都可能干扰量子态的稳定性。算法上的量子比特连接方式,不一定符合真实芯片的物理拓扑结构;在芯片上执行操作时还有调度开销。这些都是把纸面方案搬上真机时要重新面对的工程问题。
有一个历史对比能帮助理解这段距离有多长。
模拟FeMoco分子(固氮酶核心辅因子)是量子计算领域的一个标志性目标。2017年,研究人员估算完成这个模拟需要约50万亿个Toffoli门。经过多支团队、多年的算法改进,这个数字被压缩到了约3.4亿个——相比最初估算减少了约15万倍。这组数字来自Anthropic研究说明的援引。
这15万倍不是某一次突破换来的,而是大量科学家在很多年里一点点堆出来的。AI这次的探索,是这条长路上的一步,不是终点。
六、AI没有取代科学家,但科研方式确实在变 🔬
这次研究真正值得关注的,不只是17倍这个数字。
更值得注意的是这件事的完成方式:一个通用AI模型,拿到任务说明和自动评估器,自己探索了53小时,在人类已经做得很深的地方找到了新的解法。
这里面有几个关键的分工。人类研究团队负责:定义任务、设计评估标准、在关键节点提供少量引导。AI负责:在这个框架里展开大规模的搜索和推导。Lean证明工具负责:独立判断模逆步骤核心论证中的关键性质是否成立。
这种分工意味着,AI能找到什么,很大程度上取决于评估器怎么设计。评估器是AI的考官,它能测到什么,AI就能被优化到什么。AI擅长在给定指标下找更优解,但指标之外的问题——什么算“好”、什么算“可接受”、什么算“值得跑在真机上”——仍然由人类定义。
从“AI辅助人类处理信息”到“AI参与科学问题的求解本身”,这个边界确实在移动。但这次研究也清晰地展示了另一个边界还立在原地:谁来定义什么是正确答案,谁来搭建验证它的机制。
量子计算离商业化还很远。这份优化方案还没有在真机上运行过。研究报告还在等同行评审。
但有一件事已经发生:在一个人类已经做得相当深入的问题上,AI找到了一条新路——而且有足够严格的验证机制,让我们能分清这条路是真实的,还是幻觉。
不是AI算得有多快,而是我们开始有办法知道它算没算对。
免责声明:* 本文涉及的研究成果以预印本形式发布,尚未经过独立同行评审;文中“53小时”“17倍”“12%”“4.03亿次模拟解码”等数字均来自Anthropic研究说明及其公开转述,最终口径以同行评审后的论文为准。文中涉及的对比基准均来自研究说明及公开转述,不同方案之间的比较需结合具体硬件约束;量子计算从算法优化到真机落地仍需硬件层面的长期工程验证,本文不构成对实用化时间表的预测。*
---THE END---午安 🌙
本文关于:#AI科研 #量子计算 #形式化验证 #资源权衡#AIResearch #QuantumComputing #FormalVerification #Tradeoff
互动话题:你觉得AI参与科研,最该先解决“算得快”,还是“验得准”?
文章未另外注明的均为「鱼秋允」原创→
你能在喧闹里听到孤寂,就能在荒芜里看见花开。写人物,写情绪,写人间。
**🌸愿君此去繁花似锦🌸**