量子计算有一个很现实的瓶颈：想跑的算法，往往需要比现有机器能承受的更多的操作与更多的量子比特。Anthropic 在 10 月 16 日公布的一项研究，换了一个思路——不先造更大的机器，而是让 AI 去设计更省资源的电路。结果是：在 8 项计算任务里，Claude 设计的电路有 7 项同时刷新了已发表设计的最优纪录。

这次实验是怎么做的

实验的核心是一个“生成—评审”闭环。研究人员用自然语言给 Claude 下达每项任务的描述，Claude 提出电路设计，一个自动化评审器负责两件事：先验证电路的计算结果是否正确，再按资源消耗打分。评分看两个指标：Toffoli 门的数量和峰值量子比特数。Claude 根据评审反馈不断迭代，整个过程在初始任务说明之后只有极少的人工干预。

最受关注的一次运行持续了 53 小时，任务是椭圆曲线上的点加电路，其中最贵的部分是模逆运算。常规计算机用一种叫 divsteps 的方法做模逆，但它会丢弃一部分中间选择记录，而量子电路要求可逆，必须把这些记录保留下来，这正是它一直难以变成实用量子电路的原因。Claude 找到的办法是：这些记录不需要存下来，可以在每一步之后从数字本身反推出来。它还把支撑这一结论的恒等式证明出来，并用形式化证明工具 Lean 做了验证。

数字怎么看，不能只看“17 倍”

“门数降到十七分之一”这个说法需要配上完整的对照表，否则很容易被误读。拿点加电路来说：

• 一份此前已发表的设计用了约 7000 万个 Toffoli 门、838 个量子比特；
• Claude 用 divsteps 加解码思路给出的设计，用了约 400 万个 Toffoli 门、935 个量子比特。

也就是说，门数大约降到原来的十七分之一，但量子比特数反而多用了约 12%。这是一个资源置换，不是全方位的碾压。研究团队用“Toffoli 门数乘以峰值量子比特数”作为综合排序指标，因为不同硬件对门数和比特数的敏感程度不一样，单看一个指标决定不了哪个设计在某台具体机器上更好。

另一处被重点提到的解码电路，估算结果是从约 510 万个 Toffoli 门降到约 44 万个，峰值量子比特数从 1938 个降到 1837 个。这项同时降低了两项指标，属于 7 项“双降”任务之一。第 8 项则给出了另一种算术方法，提供了新的门数与比特数折中方案，而不是简单的双降。

这不是真机演示，也不是密码已被攻破

有三点必须说清。第一，这些结果是电路设计的资源估算与计算验证，没有在量子硬件上实际运行。第二，电路深度、布线、硬件噪声与纠错开销都会影响一个设计在真实机器上的表现，门数和比特数只是其中的两个维度。第三，点加电路是离散对数类量子算法里的核心步骤，但这不等于已经有量子计算机能攻破已部署的密码学。这项研究讨论的是“如果未来有足够大的容错量子计算机，算法的资源需求可以降到多少”，而不是“现在就能破解”。

对研究者来说，真正的价值在哪里

这项研究的意义不在于某个电路的数字，而在于验证了一种工作模式：把“提出设计—自动验证—按资源打分—再迭代”做成闭环，让模型在有明确验证信号的任务上持续探索。量子电路设计恰好有这种信号——正确性可以验证，资源消耗可以计算，模型可以围绕这两个信号自动迭代。

Anthropic 在介绍中做了一个对比：某个化学任务的资源估算曾经花了多个研究组八年时间才降低了十几万倍，而这次的设计来自一次 53 小时的运行。这个对比说明的不是“AI 已经取代研究者”，而是“在验证信号明确的领域，AI 可以把探索的吞吐量提上去”。真正决定这些电路有没有用的，是后续能否把它们整合进完整算法，并在真实硬件与纠错约束下评估。

落地前要核对什么

1. 先看对照基准：每个任务对比的是哪一份已发表设计、哪个年份的版本，不同基准下的“提升倍数”不能直接比较。
2. 同时看两项指标：门数降了多少、比特数是降了还是涨了，以及综合乘积是多少，三者要一起看。
3. 区分估算与实测：资源估算是设计阶段的数字，真机表现还要看电路深度、连通性与纠错开销。
4. 不要把电路进展等同于密码风险：评估密码迁移时间表时，要看容错量子硬件的整体进展，而不是单个电路的门数变化。

一句话总结：Claude 这次展示的，是 AI 在“有验证信号的工程设计任务”上可以跑得很快、找得很广；但从“设计出更省资源的电路”到“在真机上跑出有用的算法”，中间还隔着硬件与纠错这两道真正的关口。