老实讲，第一眼看到 Anthropic 这篇研究，我先被几个数字撞了一下。

50万亿。3.4亿。15万倍。53小时。

2017 年，研究者估算量子计算机要算 FeMoco 的基态能量，大约需要 50万亿个 Toffoli 门。FeMoco 是固氮酶里的铁硫簇，化学家想搞懂它，方便设计更好的工业催化剂。Toffoli 门又是量子电路里最贵的操作之一，数它基本等于数计算时间。

后来，多个研究组花了约8年，把这个估算压到 3.4亿个门。

现在，Anthropic 让 Claude 去优化量子电路。这项研究由 Anthropic STEM Fellows Program 的 Andi Gu 主导，合作方包括哈佛和 QuEra 的量子物理学者。

一次 53小时 的自动运行里，Claude 在椭圆曲线问题上拿出了新设计。其中一个方案比此前最小旧设计多用 12% 量子比特，却少用 17倍门。

这不是说量子计算机明天就能进工厂。

但它抛出了一个很扎眼的问题：量子计算最难的部分，会不会先被 AI 拆掉一块？

Such improvements substantially reduce the quantum resources that useful applications require, so practical quantum computers could arrive sooner than previously anticipated.

量子计算卡住的，可能不只是芯片

很多人一听量子计算，第一反应是：量子比特不够多。

Anthropic 说得很直白。现在量子计算机只有几百到几千个 qubits。它们还很娇气，热、振动、宇宙射线都可能扰动状态。小错误一累积，答案就跑偏。

所以，硬件要进步，算法也得省着用。

Claude 这次干的活，就是把量子电路设计得更省。

任务并不玄。八个基础计算原语，覆盖化学、优化、物理模拟、数论、数值计算。Claude 拿到的是自然语言说明，外加一个自动评估器。评估器负责判对错，再打分。

分数也很粗暴：量子比特数 × 门数。

门多，算得久。量子比特多，硬件压力大。

Claude Mythos 5 就在一个闭环里自己跑：提出电路，接受评分，根据反馈改，再提交。中间几乎没有人插手。

结果，八个方向里，它都给出了比已发表最佳算法更省的设计。

个人觉得，这里最有意思的地方，是 Anthropic 说这些提升来自新的结构和数学洞察，已经越过简单修修补补。

53小时，AI 把一个不能删草稿的难题重写了

第一块硬骨头，是椭圆曲线里的 point addition。

它是椭圆曲线离散对数算法的核心步骤，也是量子计算里的经典基准。普通计算机算正向很快，想反推 n 就很难。量子计算机曾被认为能在这类问题上获得指数级加速。

真正贵的步骤，是 modular inversion。

经典计算机常用 divsteps。它反复比较、交换、加减、折半，一路把数字化简到答案。问题放到量子电路里，麻烦来了。

量子电路有两个普通程序没有的枷锁。

它不能随便 if-then。因为量子态同时处理很多输入，你不能只跑一条分支。

它也不能随便删草稿。中间信息要能反向恢复，否则最终结果会被污染。

divsteps 每一轮都会产生分支信息。经典程序用完就扔。量子电路得留着，方便回滚。草稿越堆越多，量子比特就爆了。

Claude 的想法挺野：能不能干脆不存草稿？

它猜测，每轮后的数字对本身，可能已经足够推断出分支历史。换句话说，让数字自己携带记录。

一开始并不顺。小测试能过，256位全尺寸就失败。

随后，Claude 转向理论路线。它证明了一组结果，推出新的代数恒等式，再导出一个精确解码公式。之后用大规模数值模拟验证，还用 Lean 做了形式化检查。

最后，它做出了首个不保存分支历史的可逆 divsteps 实现。

这里插一句。这个细节很关键，因为它把必须存历史这个前提掀了。

再往后，Claude 又做了工程折中。解码省量子比特，但费时间。某些情况下，存一点草稿反而更划算。

于是它生成了一族新设计。其中一个方案相比此前最小设计，多用 12% 量子比特，少用 17倍门。

说实话，这种路径很像人类研究员：先猜结构，再补证明，再做实验，最后给出工程取舍。

另一场优化里，Claude 干脆换掉了老算法

第二个案例更偏优化。

DQI，decoded quantum interferometry，是被看好的量子优化路线之一。它最贵的一步，是 Reed-Solomon 解码。

素材里给了一个很直观的对比。Google Quantum AI 估算过一个 OPI 问题：让 Frontier 超算跑，大约要 3个月。让未来量子计算机跑 DQI，大约 1小时。

但这1小时里，大头仍花在解码。

先前方案用 extended Euclidean algorithm。它的步骤会随输入变化。普通程序没问题。量子电路不行，因为它得用一套固定门处理所有叠加输入。

于是旧电路只能把轮数拉长，把每一步都跑满，哪怕很多输入根本不需要。

Claude 很快判断：这套方法不适合量子电路。

它换成 Berlekamp-Massey 解码。这个方法每轮动作更规整，轮数固定，天然适合固定门序列。

但可逆约束又回来了。

每一轮都会产生临时值。临时值不能直接删。全存下来又太贵。

Claude 的处理方式，和前面类似：尽量从当前状态重构临时信息，只给少数例外留存储。

最坏情况要 665 个量子比特。

它没有按最坏情况硬扛，而是写了一个高速模拟器，跑了 4.03亿次样本解码，看例外到底多常见。

结果几乎每次最多只需要保存一个值。最终电路只留 19 个量子比特。大约万分之一运行会因为空间不够失败，但仍在任务允许的误差范围内。

方法换了，架构改了，资源预算也重算了。

三层叠加后，解码器门数比 Google 先前构造少了约 12倍。

反转来了：AI 并不是一上来就敢想

如果只看结果，很容易把故事写成 AI 天才降临。

素材里其实埋了个反差点。

Anthropic 提到，早期 Claude 很保守。它会反复怀疑看起来正确的改进，也会对已经足够稳的结果二次、三次检查。它还偏爱老方法。

这点我反而觉得更真实。

AI 并不天然等于激进创新。它也会被已有模式拽住。研究者后来要求它同时提出几种不同路线，偶尔提示它把搜索范围放宽。之后，它才追到更激进的方案。

椭圆曲线那个结果，就是这样出来的。它没有从旧电路上抠门，它去找一种此前不可行的可逆模块反转方法，再补出数学证明和实现。

评论区也挺热闹。

有评论把这理解成量子汇编语言里的代码高尔夫：只要验证闭环足够强，LLM 就能快速试错。也有人一边自称 AI 怀疑者，一边承认这次看起来确实不错。还有人盯着论文署名和表述挑刺。

这些声音都提醒一件事：AI 科研值得兴奋，但别急着封神。

量子计算还没到，AI 先把路修短了

Anthropic 的结论并不飘。

AI 可以帮助设计量子电路，让有用量子计算更接近真实硬件。电路设计只是其中一环。纠错码、解码器、硬件控制都互相牵扯。未来如果 AI 能从算法到硬件一起优化，第一台容错量子机也许能更早碰到真正有用的问题。

回头看那组数字。

8年。15万倍。53小时。17倍。12倍。

这些数字堆在一起，兴奋点在于：科研里那些又慢、又贵、又繁琐的中间步骤，可能正在被压缩。

问题也留下了。

当 AI 学会优化量子电路，下一步会不会直接参与设计整台量子计算机？

【锐评】：AI 还没造出量子计算机，先学会了给量子计算砍预算。

参考链接：
https://www.anthropic.com/research/designing-efficient-quantum-circuits