OpenAI与麻省理工学院（MIT）量子工程系统组（EQuS）联合披露的一份案例研究显示，在 GPT-5.6 Sol 与 Codex 驱动下，AI 智能体已经能够端到端自主运行超导量子比特实验，覆盖实验执行、结果分析和量子比特校准。
这份报告题为《案例研究：超导量子比特的智能体校准》。按报告表述，研究人员已将 AI 接入实验室硬件控制系统，使其可以从发射微波脉冲、读取与处理实验数据，到根据结果动态调整下一步测量方案，连续完成闭环实验流程。
MIT 团队如何把 AI 接入量子实验室
在 MIT 工程量子系统小组，博士研究生 Beatriz Yankelevich 将 GPT-5.6 Sol 搭载在 Codex 的自主智能体框架上，并把 AI API 连接到实验室硬件控制系统。经过数月迭代，研究团队向模型提供了实验装置细节、芯片设计图、模板代码、常见失败原因，以及成功与失败图表样例等实验上下文信息。
研究团队随后把一块从未被测量过的新芯片交给 AI 处理。这块芯片包含 6 个超导量子比特，其中 4 个为固定频率量子比特，2 个为可调频率量子比特。芯片参数未知，AI 需要围绕设计目标，自行探索真实物理参数。
报告称，从硬件控制软件到微波信号源，再到数据采集卡，相关系统均向 AI 开放。研究人员还为 Codex 注入了针对特定测量场景的技能包，用于说明各类量子测试的物理逻辑和评估标准。
AI 如何完成闭环实验流程
在没有人类实时微操的情况下，GPT-5.6 Sol 完成了一整套闭环操作。按照案例中的描述，流程包括：
- 根据芯片设计目标，自主规划首轮测量所需的微波脉冲频率、功率和宽度；
- 直接调用控制软件，调度底层硬件，向稀释制冷机中的芯片发射微波脉冲序列；
- 接收量子态反射信号，并进行数字化清洗、拟合与傅里叶变换；
- 依据结果继续迭代：若信号理想，则提取量子比特共振频率并写入数据库；若数据异常，则调整测量边界并启动新一轮试错调优。
从识别量子比特跃迁频率，到校准用于控制和读取的微波脉冲，再到测定量子信息可保留的相干时间，报告称 AI 已自主跑通整套标准测量流程。
6 量子比特新芯片测试结果
研究团队用这套系统测试了一块未经校准的 6 量子比特芯片。对于固定频率量子比特相关的 40 项标准测量，报告称 AI 自主完成了绝大部分流程，人类研究员仅干预 4 次。
报告把这一结果描述为 AI 在物理实验前沿场景中的一次自主实操验证。按文中介绍，系统在高信噪比、特征明显的信号环境下表现最好：它先发出宽带扫频信号，在噪声背景中识别由量子能级跃迁引起的谐振腔反射凹陷，然后自动缩小扫描窗口，锁定量子比特跃迁频率；接着切换到时域控制，拟合脉冲幅度与翻转角之间的关系，完成读取与控制脉冲标定，并测出量子比特保持相干态的时间窗口。
OpenAI 放出的技术文档截图还展示了模型的推理片段。面对一段波动的阻尼正弦曲线，模型内部分析为：「当前拟合残差偏大，可能是由于解调相位的参考基准漂移，导致 I/Q 分量混合……我需要首先执行相位解缠绕，如果残差仍未降至阈值以下，则应当将微波失谐量增加 5 MHz 重新扫描……」
为什么量子比特校准难度极高
案例研究将突破的重点放在量子比特校准这一步。超导量子计算中的量子比特被描述为「人造原子」，依赖超导约瑟夫森结构形成非线性的离散能级。为了实现量子逻辑门运算，研究人员需要使用精确到纳秒甚至皮秒级的微波脉冲，在不同能级间翻转量子态。
这类实验的难点在于量子态极易受干扰。报告提到，极微弱的电磁杂散信号，甚至稀释制冷机几毫开尔文级别的温度漂移，都可能导致退相干，使原本准备好的量子信息坍缩为噪音。
另一个难点是参数漂移。量子比特的物理特性不是固定常量，会受到材料缺陷和两级系统波动等因素影响，导致芯片前一天测得的共振频率，第二天可能已经变化。
测量流程本身也具有强依赖关系。研究人员需要先确定每个量子比特的共振频率，再校准拉比振荡以确定脉冲幅度，随后测量拉姆齐条纹以修正相位，再继续测定能量弛豫时间 T 和相位退相干时间 T。前一步结果直接决定后一步能否进行，前序误差会逐步放大，导致后续测量失效。
在 MIT EQuS 团队的实验环境里，量子芯片被置于名为稀释制冷机的低温装置中，温度降至毫开尔文级别，接近绝对零度。芯片完成封装和冷却后，研究人员无法再直接接触它，所有交互都必须通过软件完成。
实验人员需要在室温下的电脑上编写微波脉冲序列，经由同轴电缆送入低温装置深处，与芯片上的量子电路相互作用，再把极其微弱的反射信号放大、数字化，带回进行分析。
按文中说法，MIT 的 EQuS 实验室经常流片生产用于基准测试的标准量子芯片，而完成一次完整特性表征，往往需要训练有素的物理学研究生连续数日守在仪器旁，进行成百上千次互相依赖的手工测量和调整。
AI 的优势与当前边界
OpenAI 和 MIT 在披露中同时强调，这次测试并不是预设好的自动化脚本，而是一套动态决策系统。报告认为，GPT-5.6 Sol 在高信噪比、特征清晰的环境下能够稳定完成定义明确的标准工作流。
但边界也很明确。当信号较弱，或物理背景噪声较大时，GPT-5.6 Sol 的表现会变得迟缓。在低信噪比边缘区域，模型需要多次试探参数，耗时显著上升；当芯片出现不可预测的异常物理现象时，AI 也可能误判，无法准确归因，最终仍需资深研究人员手动介入。
按报告表述，当前 AI Agent 已能较稳定跑完定义清晰的标准流程，但面对高度模糊、存在物理反常的复杂结果，顶级科学家的直觉仍不可替代。
实验室分工可能出现的变化
在这份案例研究中，OpenAI 和 MIT 认为，引入 GPT-5.6 Sol 与 Codex 后，实验室分工开始变化。文中列出的方向包括：人类研究人员更多专注于方案、机制和全局规划等顶层设计；底层调参与重复执行环节被剥离；理论、测控、仿真等任务可由多个 AI 岗位并行协作；Codex 负责战术执行，代码生成后直接在真实量子芯片上运行，并根据物理反馈实时反向调试。
按照这一描述，过去以周为单位的科研迭代周期，有可能被压缩到小时甚至分钟级别。案例将这一闭环概括为「理论推演—仿真设计—物理硬件控制—数据拟合—迭代优化」的一体化流程。
文中还提到 OpenAI 另一项数学相关争议
除量子实验案例外，原文还提到 OpenAI 当天因另一项数学方向成果登上国际新闻。文中称，OpenAI 宣称在「千禧年问题」相关方向上取得重大突破，涉及 Navier–Stokes 方程，并称某些流体在该方程下会在有限时间内达到无限速度。
围绕这一成果，数学家 Tristan Buckmaster 提出质疑，称 OpenAI 在听到他与合作者、Anthropic 研究员 Levent Alpöge 的相关研究工作后，匆忙抢先发布所谓「解法」；他还声称，OpenAI 试图排除 Levent Alpöge 在论文上的署名。
按原文说法，OpenAI 表示他们解决的是 Euler 方程的奇点问题，而另一方解决的是 Navier–Stokes 方程；Buckmaster 则称他们距离 Navier–Stokes 方程也只差最后一步，并因此在 OpenAI 之前匆忙发表相关成果。
文中还提到，OpenAI 这次调用了 1 万个智能体，运行 88 个小时，消耗 1300 亿 token。OpenAI 首席执行官 Sam Altman 也被引述称，双方方法似乎不同，但确实受到了 Anthropic 的刺激。他的原话是：「的确，我们尝试这一方向，是因为上周互联网上有传言称 Anthropic 的模型已解决了一个千禧年问题，我们好奇我们的模型是否也能做到。」
在相关讨论中，有网友调侃称：「听说 Anthropic 发现了室温超导体，希望没有竞争对手再丢 88 小时、1 万个 post-Astra 智能体去抢发稿。」Altman 回复了「let’s try」。
参考资料与来源
文中列出的参考资料包括 OpenAI 的《案例研究：超导量子比特的智能体校准》PDF、OpenAI 官网关于 Codex 量子计算实验的页面，以及两条 X 平台链接。
- https://cdn.openai.com/pdf/case-study-agentic-calibration-of-superconducting-qubits.pdf
- https://openai.com/index/codex-quantum-computing-experiments/
- https://x.com/anabology/status/2097450250067689558
- https://x.com/LuminaBench/status/2097421659552518226?s=20
本文来自微信公众号「新智元」，作者为 ASI 启示录，编辑为 Aeneas 大卫。MarsBit 页面显示，文章发布时间为 2026-09-09T12:43:11.000Z。