OpenAI 與麻省理工學院宣布 AI 成功接管量子電腦

就在剛剛，OpenAI 聯合 MIT 宣布震撼消息：AI 成功接管量子計算機！

在一份名為《案例研究：超導量子比特的智能體校準》的聯合報告中，MIT 量子工程系統組（EQuS）的研究人員證實：在 GPT-5.6 Sol 與 Codex 的驅動下，AI 智能體已經能夠端到端地自主運行量子計算實驗！

In other words, GPT-5.6 Sol can now conduct physical experiments autonomously.

在這個過程中，AI 實現了量子計算實驗的自主運行、結果分析和量子位元校準。

從控制實驗室硬體釋放微波脈衝，到讀取和處理海量複雜數據，再到根據結果動態調整下一步實驗方案，AI 實現了 7×24 小時值班。

雖然物理學家們暫時還不會失業，但科研的遊戲規則，在這一刻已被徹底改寫。

AI for Science 已從「數據輔助」躍升為「自動化科研」。

Large models act as scientific research brains to directly schedule experimental hardware, completely breaking through the efficiency bottleneck of fundamental physics.

未來，前沿科學的核心壁壘將是「超級 AI + 無人實驗室」，在硬核科學領域，AI 從此開始真實落地！

This marks the real-world application of AI in hardcore scientific fields.

AI 進軍實驗室，OpenAI 攻向下一門學科

在現實中，製造並控制一台量子計算機，是一件難度極高的事情。

在 MIT 工程量子系統小組，博士研究生 Beatriz Yankelevich 將 GPT-5.6 Sol 搭載於 Codex 的自主智能體框架上，做了一件大膽的事：直接將 AI 的 API 打通實驗室的硬體控制系統！

經過幾個月的迭代，研究人員賦予了 AI「實驗上下文」——把實驗裝置細節、晶片設計圖、特定測量技能（包括模板代碼、常見物理失敗原因、成功與失敗的圖表範例）全都「餵」給了 GPT-5.6。

一場前所未有的 AI 閉環自動化實驗，正式打响。

為了測試 AI 的極限，研究團隊給 GPT-5.6 安排了一項硬核任務：一塊從未被測量過、包含 6 個超導量子位元的新晶片。

其中 4 個是固定頻率量子位元，2 個是可調頻率量子位元。晶片的參數完全未知，AI 必須根據設計目標，自行探索出真實的物理參數。

從硬體控制軟體到微波信號源，再到資料採集卡，全部向 AI 開放。

研究人員為 Codex 注入了針對特定測量場景的「專業技能包」（Skills），告訴它每一種量子測試的物理邏輯和評估標準。

Then, humans let go of their hands.

在螢幕上，GPT-5.6 Sol 的「思維鏈」如水流般傾瀉而出。

它在沒有人類實時微操的情況下，執行了一系列令人頭皮發麻的物理學閉環操作。

1. 自主推斷參數：根據晶片的設計目標，自行規劃首輪測量的微波脈衝頻率、功率和寬度；
2. 底層硬體調度：直接調用控制軟體，操縱硬體向稀釋製冷機深處的晶片發射微波脈衝序列；
3. 數據反芻與降噪：接收返回的微弱量子態反射信號，對其進行數位化清洗、擬合與傅立葉變換；
4. 決策自適應迭代：如果信號完美，自動提取量子比特的共振頻率並存入資料庫，作為下一步測量的基準；如果數據異常，即時調整測量邊界，啟動新一轮試錯調優。

從識別量子位元躍遷頻率、校準用於控制和讀取的微波脈衝，到最終測定量子資訊能夠留存多久的相干時間，全套標準物理學測量流程，AI 全流程自主跑通。

在針對固定頻率量子位元的40項繁雜的目標測量中，AI完全自主完成了絕大部分，人類研究員僅干預了4次！

這是 AI 在物理學最前沿陣地上，完成了一場教科書級別的「自主實操」。

為何量子位元校準，是人類科學家的「人間煉獄」？

要理解 GPT-5.6 Sol 這次突破的分量，我們必須先揭開量子計算底層那層冷酷又迷人的面紗：為何校準量子晶片會讓全球頂尖物理學家痛不欲生？

在經典計算機中，一個晶體管的狀態極其非黑即白：要麼是 0，要麼是 1，穩如泰山。

但在超導量子計算的世界裡，量子比特（qubit）被稱為「人造原子」。

They construct nonlinear discrete energy levels using superconducting Josephson junctions.

為了讓這些「人造原子」乖乖聽話，科學家必須使用精確到納秒甚至皮秒級的微波脈衝，在不同能級之間翻轉量子態，以此實現量子邏輯閘的運算。

但「人造原子」實在太脆弱、太神經質了。

首先，相干性極度脆弱。

空間中極其微弱的電磁雜散信號、甚至稀釋製冷機幾毫開爾文（mK）的溫度漂移，都會導致量子比特發生「退相干」，好不容易準備好的量子資訊瞬間坍縮為噪音。

而「參數漂移」，也是一道難題。

子比特的物理特性從來不是一成不變的常數。受微觀材料缺陷、二能級系統波動影響，晶片昨天測出的共振頻率，今天可能就漂移了。

而且，研究中的多個因素還多層依賴，環環相扣。

要進行一次精確的計算，你必須先找出每個量子位的共振頻率；找到頻率後，還需校準拉比振盪以確定脈衝幅度；接著測量蘭姆齊條紋以精準修正相位；然後測量能量弛豫時間 $$T_$$ 和相位退相干時間 $$T_$$……

上一步的數據，是下一步測量的絕對前置條件。一旦前序步驟有微小的系統誤差，後面的測量全部報廢。

MIT 的 EQuS 團隊每天面對的，就是這樣一個極端的實驗環境：量子晶片被放置在一個名為「稀釋制冷機」的巨大圓筒裡，溫度被降至驚人的毫開爾文級別（接近絕對零度，比外太空還要冷）。

一旦晶片封裝冷卻，人類便無法再以手觸碰它，所有互動都只能透過軟體進行。

研究人員在室溫下的電腦上編寫微波脈衝序列，通過同軸電纜將這些脈衝打入冰箱深處，與晶片上的量子電路發生相互作用，再將微弱的反射訊號放大、數位化，帶回現實世界進行分析。

MIT 的 EQuS 實驗室的日常，就是頻繁流片生產各種用於基準測試的標準量子晶片。

然而現實是，對每一個晶片進行完整的特性表征，通常需要一位受過訓練的物理系研究生連續數天數夜守在儀器旁，進行數百上千次環環相扣的手動測量與調整。

這是物理學界公開的秘密：當代量子物理學家往往將70%以上的青春耗費在被稱為「調參螺絲釘」的重複性實驗勞動中。

而現在，GPT-5.6 Sol 一舉打破了這個僵局。

GPT-5.6 Sol 如何破解量子「黑盒」？

根據 OpenAI 和 MIT 披露的細節，這次測試絕非預先寫死腳本的「自動化宏」，而是一場高度智能化的動態博弈。

面對這枚未經校準的 6 量子位元晶片，GPT-5.6 Sol 展現出極其擬人化的「物理學直覺」與「自適應決策」：

當量子信號處於高信噪比、特徵明顯的狀態時，Codex 的表現堪稱完美。

它首先發出一組寬帶掃頻信號，在噪聲背景中敏銳地捕捉到由量子能級躍遷引起的諧振腔反射凹陷（Resonance Dip），隨後自動收窄掃描窗口，高精度鎖定量子比特的躍遷頻率。

隨後，它無縫切換至時域控制，精準擬合脈衝幅度與翻轉角的關係，完成讀取與控制脈衝的校準，並最終測定量子比特保持相干態的時間窗口。

The entire process flows seamlessly, with no human intervention required.

在 OpenAI 放出的技術文檔截圖中，GPT-5.6 Sol 的思維鏈展示了它的思考過程。面對一段有波動的阻尼正弦曲線，它在內部自言自語：

The current fitting residual is too large, possibly due to drift in the reference benchmark of demodulated phase, causing I/Q component mixing... I need to first perform phase unwrapping; if the residual remains above the threshold, the microwave detuning should be increased by 5 MHz and rescanned...

這種基於「理解物理含義」的糾錯與分支決策，正是過去傳統腳本程式無法企及的壁壘。

科學研究生產力正在被重構

當然，官方報告也展現了極其真實的技術邊界：

當信號變得微弱，或充斥著物理背景噪聲時，GPT-5.6 Sol 開始顯得「笨拙」。

在低信噪比邊緣區域，AI 模型需要反覆試探參數，耗時呈指數級上升；有時，當物理晶片表現出不可預測的異常物理現象時，AI 會陷入誤判，無法做出準確歸因，最終仍需經驗豐富的研究人員手動介入。

OpenAI 在報告中直言不諱：當前的 AI Agent 能夠極其穩定地執行定義明確的標準工作流程，但在解讀高度模糊、充滿物理異常的複雜結果時，頂級科學家的直覺依然無可替代。

但即便如此，它已經完成了人類歷史上最艱鉅的跨越：把科學家從枯燥的例行公事中徹底贖買了出來。

但在引入 GPT-5.6 Sol 與 Codex 後，實驗室的生產關係被徹底重構了：

角色升維：人類專注頂層設計（方案、機制、全局規劃），剝離底層調參。
多智能體協同：構建理論、測控、模擬三大AI崗位，並行作業。
Real-time self-evolution: Codex handles tactical execution; once code is generated, it is directly deployed onto real quantum chips, enabling real-time reverse debugging based on physical feedback, forming an ultra-fast closed loop.

這種「理論推演 - 設計模擬 - 物理硬體控制 - 數據擬合 - 迭代優化」的超級閉環，將過去以「週」為單位的科研迭代週期，硬生生縮短至以「小時」甚至「分鐘」計算。

This is an dimensional upgrade to the entire paradigm of experimental physics work.

今天，OpenAI 登上各大國際新聞——他們宣稱在「千禧年問題」上取得重大數學突破，證明了 Navier–Stokes（納維-斯托克斯）方程。