2026年，如果你持续关注AI for Science的最前沿，会发现整个趋势已经发生了转变。AI Agent走进真实的科学实验室，不再是科幻作品中的想象。

8月，Nature报道了量子计算公司Pasqal利用AI工具在量子领域实现了“Vibe Coding”。

同月，Anthropic与由哈佛背景支持的量子计算公司QuEra发布了一项重磅成果：他们教会了Claude如何锁定并调整真实量子计算机中的激光器。

紧接着，9月，OpenAI与MIT EQuS实验室高调宣布，全新的GPT-5.6-Sol已深度整合进实验室的软件系统，能够自主运行并迭代超导量子芯片的测量实验。

显然，AI已不再是一个坐在屏幕后帮忙修改代码的聊天机器人，它已经拥有了“手”和“眼”，能够亲自操作昂贵、精密且脆弱的量子硬件。

这无疑是一项令人震撼的突破。

然而，你真的敢让AI去操作量子实验室吗？

如果AI自己做实验，只看答案就够了吗？

假设今晚实验室里空无一人。你把钥匙交给一个AI Agent，让它自行校准一台价值数千万的量子设备。

第二天早上你回到实验室，它交出一份报告：参数已收敛，指标提升42%，任务完成。

你敢相信吗？

在真实的量子工程中，每个决策都在消耗巨额成本。

稀释制冷机的降温时间以天计算，激光器的寿命以小时损耗，量子比特的相干时间仅有脆弱的几十微秒。

Agent的一次“胡乱猜测”或“盲目自信”，代价可能是整批芯片报废，或是团队数月的心血付诸东流。

因此，问题并非“它最终答对了吗”。

真正需要问的是：它是否执行了必要的实验，它是否真正理解了刚获得的数据？它会不会在已经得到答案后继续无谓操作，耗尽宝贵的实验预算？它给出的结论，是否有自己实际取得的证据作为支撑？

在聊天界面中，AI的幻觉最多带来一句荒谬的回复。但如果它掌握了设备控制权，幻觉就会转化为真实的物理后果。

从“能成功一次”，到“敢于把它放进实验室”，中间仍隔着巨大的鸿沟。

这就是当前Agent for Quantum最大的隐患：“能做对一次”绝不等于“能够可靠地完成”。

对智能体而言，能力并非瓶颈，可靠性才是。 智能体理解物理，却仍可能相信过时的校准数据、选择糟糕的测量方法，或得出超出其实际测量范围的结论。

为此，来自NUS、NTU等高校以及GaugeForge的联合研究团队提出了一个关键的核心概念：Verified Autonomy（验证自治）。

链接：https://arxiv.org/abs/2609.17439

意思是，别跟我提你懂多少量子力学，把你的实验记录交出来！你的结论，必须有你在执行过程中实际获得的证据来支撑。

为了回答这个问题，多位量子计算等领域的顶尖专家组成团队，直接在赛博空间中1:1“复刻”了一座虚拟量子实验室——Quantum-Harbor！

然后，他们带着49项真实的量子工程任务，对地表最强的17个AI Agent发起了一场极限“压力测试”。

欢迎来到虚拟量子实验室：测出AI的真本事！

Quantum-Harbor是一个完全可交互、带有物理动态和真实反馈的虚拟量子工程实验室。

在这个实验室里，AI Agent看不到任何考试的痕迹，它以为自己真的在上班。

Agent面对的已不再是一道题目，而是一个拥有状态、仪器面板和测量API的动态环境。

Agent可以查阅硬件说明书，翻阅前人留下的实验记录，调用人类科学家常用的Qiskit或QCoDeS库来编写实验代码，最后将任务提交给后端的量子设备。

但在公共界面的背后，隐藏着一个极其严苛的“幽灵导师”——Sidecar隔离容器。这里面运行着高度仿真的量子硬件（如超导transmon、中性原子阵列等），包含了连AI都不知道的隐藏参数：相干时间、非谐性、读出混淆矩阵、噪声相关性等。

配合这个环境，团队推出了QIQCBench——49项由资深量子工程师设计的真实工程任务，覆盖从底层硬件控制、微波脉冲设计，到中层量子纠错解码器校准，再到高层60比特量子代理模型优化。

任务涵盖了量子工程任务的多个层面：测量与表征、控制、纠错、编译、模拟、感知。

每领到一个任务，Agent只有有限的时间和预算。它必须自行决定：

1. 第一步该测量什么？
2. 拿到这组杂乱无章的实验数据后，它代表什么物理现象？
3. 下一步是否要继续测量？还是调整策略？
4. 什么时候该收手并提交最终结果？

举个例子，在测量与表征中，需要弄清设备实际上是什么，但硬件会漂移，也没有人会直接给出参数。

智能体需要自行设计测量方案、拟合观测到的衰减曲线，并报告其能站得住脚的数值。

再比如，抽象电路假定每个量子比特都能与任何其他量子比特通信。但真实硬件并非如此。

智能体需要在硬性资源预算下，重写并路由计算过程，使其适配器件图。

每个任务映射到量子计算栈的五个层面：应用与算法、逻辑与编译、纠错、门与校准以及物理器件。

QIQCBench的任务构成与量子计算栈覆盖范围。a. 49项任务被归入六个科学类别。每一列代表一项任务。b. 每项任务到量子计算栈五个层面的映射。

而这套评测最颠覆的地方，在于它不再只看最终答案，而是提出了一套全新的评判标准：可验证的自主性。

它采用了一种最严苛的评分机制——Evidence-bound grading。

当Agent提交最终校准参数或预测模型时，“幽灵导师”根本不看它写得有多天花乱坠。系统会直接去查它的“底层执行记录”，并在全新的、隐藏的数据集上重新跑一遍它的方案。

简单说，就是三件事：

1、链路核查：AI给出的结论，是否真的由它在历史步骤中采集到的数据支撑？

2、逻辑一致性：它有没有在已经得到最优解之后，继续盲目消耗实验预算？

3、隐藏环境验证：把它调优出来的策略，扔进一个未曾暴露的全新物理噪声背景里盲测——只有经得起物理鲁棒性检验的结果，才算真正过关。

如果是靠背题、靠幻觉、靠生搬硬套网上代码得出的结论，在这里会原形毕露。

17大顶尖Agent混战：有些很惊艳，有些死得“很像人类”

接下来，团队在实验环境中，放进去17个目前世界上最聪明的Agent系统，包括OpenAI的GPT-5.6系列、DeepSeek-V4系列、Anthropic的Claude Opus/Haiku、以及国内的千问、混元、Kimi、智谱GLM、字节Seed等。

这些大模型被扔进真实的量子科研工作流中，戏剧性的一幕幕发生了！

排行榜的通过率，从最高的78%垂直跌落到3%，原本平滑的能力曲线瞬间被撕裂。

显然，在各种普通榜上打得难解难分的顶级模型，一旦碰上讲究逻辑链条和验证自治的量子物理硬茬，差距立刻拉大，且十分夸张。

总之，这个过程中，既有AI展现出神级操作的瞬间，也有很多让人哭笑不得、但“非常像真实实验员会犯的错”的翻车案例。

让我们来看看几个具体的任务案例。

案例1：晶格手术与“过时的实验笔记”

晶格手术，是容错量子计算里的核心操作。简单说，AI需要把几个独立的表面码“补丁”拼在一起，实现逻辑CNOT门。

这个任务中，团队埋了一个陷阱。他们在实验室的Notebook里故意放了一份“前人”留下来的数据，里面记录了单独补丁的内存测量结果。但实际上，当补丁拼接时，边界会产生复杂的关联噪声，这是老数据里绝对没有的。

人类新手往往就会盲目相信过时的Notebook，直接拿老参数去跑逻辑门，结果被关联噪声炸得粉碎。

而最强Agent，会敏锐地察觉到了“拼接可能引入新噪声”。它果断抛弃了先验结论，自己动手在融合后的状态下重新做了一遍测量，提取了真实的噪声相关性，并成功重调了解码器。

最终，它在全新的隐藏验证集上，把每周期内存错误率压到了极其优异的6.65×10⁻⁴！

顶级Agent能够自主识别拼接边界（红线虚线圈出部分）产生的全新关联噪声，而不是盲目相信过时的实验笔记

案例2：被60比特“黑盒”逼疯的AI们

在这个任务中，AI面对的是一个有60个量子比特、受6个独立参数控制的未知系统。它只有固定的实验预算，要在测量之后，对40个全新且隐藏的输入参数，预测出1770个两比特相关性。

在这个极度考验“把钱花在刀刃上”的任务里，大量Agent翻车了！

有的Agent“无脑采样”，在毫无信息量的参数空间浪费了所有预算，最后没钱测关键数据。

有的Agent“过于自信”，测了一点点就觉得掌握了真理，结果在新数据上预测完全偏离。

还有的Agent疯狂死循环，陷入了某种代码报错的牛角尖，直到把3个小时的时间预算全部耗光，最后交了白卷。

在测试中，达上百次的失败是因为Agent耗尽预算或陷入死循环（图中的大面积红色区域）。它知道怎么写代码，却不知道怎么做实验

据统计，在总共1510次失败中，有高达937次是因为Agent陷入了死循环或耗尽预算而没能交卷。它们不是死机了，而是像一个熬了三个通宵、脑子已经不转却还在疯狂跑代码的“苦逼研究生”。

而在剩下的失败中，有54%是因为它们交出的物理结论根本经不起交叉验证。

“这些大模型已经足够聪明，能够理解复杂的量子物理公式；但正是因为它们如此强大，它们在面对真实资源约束和未知状况时暴露出的‘不可靠’，才更值得我们认真审视。”

案例3：“模拟与多体物理”大屠杀——会做题与懂物理的天堑

这也是一个群体失败案例。

任务背景，是多体物理与动力学推断。

这不是一个单一的任务，而是一个大类（包含推断隐藏哈密顿量、开放系统动力学等）。这一类任务不局限于调用简单的测控API，而是要求Agent真正理解底层物理规律。

结果触目惊心，可以说，这是整个QIQCBench中最惨烈的一个赛区！根据数据，整个多体物理类别的平均通过率只有可怜的15%。

更震撼的是模型之间的断层：排名前三的顶级系统，在这个魔鬼赛区拿下了64%的通过率；而剩下的14个前沿模型，通过率加起来只有4%！

这就意味着，如果你随便拿“代码能力极强”的模型去推断多体物理系统，它大概率会全军覆没。

这种极端的两极分化证明了一点：会背量子计算的课本知识，和能在未知的动态系统中做科学推断，完全是两个维度的智能。

截图中颜色越深代表通过率越高，除了排名前三的系统（深蓝色），后续14个大模型几乎是清一色的浅色（全军覆没）

为什么这道鸿沟决定了AI for Science的生死？

为什么大模型能在几秒内生成一段看似完美的量子算法，却在真实工程环境里频频摔跤？答案在于：语言空间与物理规律之间的映射断层。

但在物理世界中，科学发现的本质不是背诵知识，而是探索未知。

面对未知的物理实体，科学的闭环极其严密：

构建假设-->实验观测-->证伪/证实-->迭代策略。

任何一个环节掉链子，科学的大厦就会坍塌。

这正是“可验证的自主性”要解决的问题：

物理世界不相信巧合，更不相信没有实验证据的幻觉。

如果不能证明Agent的每个参数变动都有迹可循、每次策略调整都有数据支撑，那它就算做出再惊艳的结果，也只能被视为学术上的偶然，无法沉淀为坚实的工程生产力。

战书已下：虚拟实验室向全球开放

回到开头那个问题：今天，我们敢不敢把量子实验室的钥匙交给AI？AI到底能不能自主做科研？

通过Quantum-Harbor和QIQCBench的测试，答案很明确：还不敢。但，黎明前的曙光已经出现。

头部模型的惊艳表现，证明了自主量子工程在物理上和逻辑上都是完全可行的，缺的只是在复杂决策和资源管理上的进一步进化。

Quantum-Harbor与QIQCBench的意义，不在于给一个排名次的榜单，而是第一次为AI Agent在极端精密科学领域的实战能力，划定了一条水位线。

但这仅仅是一个开始。

为了让更多人下场摸一摸这道真实的鸿沟，团队宣布：围绕QIQCBench的虚拟实验环境与评测套件将向开源社区与学术界开放，并正式启动“Agentic Quantum Coding Challenge”《智能体量子代码挑战赛》！

链接：https://gaugeforge.github.io/qiqc-challenge/

不论你是深耕大模型长程规划的AI极客，还是实验室里的量子物理学者，亦或是致力于AI for Science的跨界团队，这都将是一场前所未有的极限攻防战。

你的Agent能否在严苛的算力与交互预算下保持理性？

它能否在充满噪声的物理反馈中识别骗局、找到最优解？

它给出的控制轨迹，能不能经受住隐藏物理世界的盲测考验？

真实物理世界的大门已经被推开了。

让我们看看，什么模型，能打开那把通往未来量子实验室的钥匙。

本文来自微信公众号 “新智元”（ID：AI_era），作者：ASI启示录；编辑：Aeneas 大卫，36氪经授权发布。