2026年10月15日，一篇46页的论文安静地出现在arXiv上：「用大语言模型发现最先进的量子电路」（arXiv:2610.22367）。作者Andi Gu是Anthropic的STEM研究员，导师是量子物理学家Alek Kemeny，合作者来自哈佛大学的Susanne Yelin和Mikhail Lukin，以及量子计算初创公司QuEra Computing。

第二天，Anthropic在官方博客发布了这项研究的完整介绍。标题很克制，但内容不克制：Claude Mythos 5（Anthropic官方命名，见其2026年10月16日研究博客）在8类量子电路优化任务中，全部超越了已发表的人类最优方案，部分提升达一个数量级。

这不是AI辅助科学家做研究，也不是AI在人类方案基础上微调优化。这是AI在没有人类介入的情况下，独立推导出了人类从未想到的全新算法结构。

量子计算的核心瓶颈：电路就是一切

要理解这件事的意义，先要理解量子电路在量子计算里有多重要，以及为什么这个领域的每一点进步都弥足珍贵。

量子计算机的基本单位是量子比特（qubit）。不同于经典计算机的比特只能是0或1，量子比特可以同时处于0和1的叠加态——量子力学的这个特性，让量子计算机理论上能以指数级加速处理某些特定问题：比如模拟复杂分子的量子行为、破解现有加密算法、优化大规模调度问题。

但现实的量子计算机极其脆弱。今天最先进的量子计算机只有数百到数千个量子比特，而且这些量子比特对热、震动、甚至宇宙射线都极度敏感——任何细小的外部扰动都可能让量子比特的状态崩塌，导致计算出错。量子比特和计算时间，都是极其稀缺的资源。

量子电路就是量子计算机执行算法的方式。一个量子算法由一长串基础操作（称为「门」）组成，就像古典计算机的机器码。其中最昂贵的门叫「Toffoli门」——执行一个Toffoli门需要消耗大量量子资源，时间长、引入错误的概率高。优化量子电路，本质上就是用更少的Toffoli门、更少的量子比特，完成相同的计算任务。

以FeMoco分子的模拟为例。FeMoco（固氮酶里的铁硫簇）是自然界将氮气转化为氨的关键。理解它的量子化学行为，可能帮助科学家设计出更高效的工业催化剂——这直接影响到合成氨生产，而合成氨是全球粮食生产的基石，估计养活了全球约一半人口。

2017年，研究人员估计量子计算机需要50万亿个Toffoli门才能精确模拟FeMoco。通过一系列算法改进，这个数字降到了约3.4亿——降低了约15万倍（数据来源：Anthropic官方研究博客，引用自多篇量子计算论文的综述），相当于一台未来大型量子计算机几个小时的计算量。每一次这样的突破，都让实用量子计算机的到来更近一步。

Claude做的，就是继续推动这条进步曲线。在8个关键的量子计算原语（quantum computational primitive）上，Claude全部找到了优于所有已发表方案的解法。

闭环推导：53小时，没有人类介入

Anthropic的实验设计出奇地干净。他们给Claude Mythos 5提供了8个量子计算任务的自然语言描述，涵盖数值计算、化学、优化、量子模拟和数论。同时搭建了一个自动评估器：评估器会检查Claude提出的电路方案是否数学上正确，然后给出一个分数（使用的量子比特数 × 门的数量，数字越小越好）。

然后，就让Claude自己跑。没有人工介入。

Claude提出一个电路设计→评估器验证正确性并打分→Claude根据分数和反馈改进设计→提出新方案……这个循环持续不断，直到Claude找到满意的解法，或者时间到了。整个过程中没有任何人工参与。这就是Anthropic所说的「闭环」（closed-loop）量子电路优化。

在最引人注目的一个案例中——也是花时间最长的一个——Claude持续推导了53小时，最终为「椭圆曲线点加运算中的模逆」（modular inversion for elliptic curve point addition）设计出了一种全新的可逆算法架构。

「模逆」（modular inversion），即在给定整数 a 和模数 m 的情况下，找到 x 使得 ax ≡ 1 (mod m)，是椭圆曲线加密（ECC）的核心运算之一。椭圆曲线加密是当今互联网HTTPS安全的主要支柱之一——你手机上每次打开一个以「https://」开头的网页，背后都在使用椭圆曲线密码学。

量子计算机被认为未来有能力破解现有的椭圆曲线加密（通过Shor算法），但要真正实现这一点，需要能高效执行模逆的量子电路。这正是这个问题如此重要的原因——它是密码学界和量子安全领域最核心的技术挑战之一。

Claude的解法来自一个出乎意料的方向。它发现了经典算法divsteps（一种用于计算整数最大公因数的高效算法，以其在经典计算机上的速度著称）可以被改造得适用于量子可逆计算。这个发现出人意料，因为divsteps的经典形式并不满足量子计算的「可逆性」约束（量子计算要求每一步操作都必须可逆，因为量子态不能被复制或破坏，只能被转换）。

通过重新设计divsteps中处理可逆性的方式，Claude在Toffoli门数量和量子比特的权衡上，大幅优于现有的所有已发表方案。arXiv论文的摘要准确描述了这个发现：「搜索发现了一种新的可逆架构，用于素域模逆。通过以不同的方式处理可逆性，这种架构使divsteps——一种以前对于可逆整数算术来说不切实际的经典算法——变得可行，并大幅改善了模逆的Toffoli-量子比特权衡。」

除了模逆，Claude还将量子优化算法DQI（Decoded Quantum Interferometry，解码量子干涉测量）的解码步骤成本降低了约12倍（数据来源：Anthropic官方博客，2026年10月16日）。DQI是近年来量子组合优化领域最受关注的算法之一，其潜在应用包括物流调度、金融投资组合优化、新药分子设计等大规模组合问题。12倍的成本降低，意味着同样的硬件可以处理规模大得多的问题实例。

Anthropic在博客里写道：「在每种情况下，改进都来自发现了问题的新结构性和数学性洞察，而不是微调现有设计。」

这是至关重要的一句话。Claude发现了人类专家此前没有注意到的数学结构，推导出了新的算法路径，而不是在人类方案的基础上做增量调整。

「从零推导」意味着什么：认知层面的分析

量子电路优化是一个极其专业的领域。深入研究这个领域的研究人员需要同时掌握量子力学、线性代数、抽象代数、计算复杂性理论、以及特定应用领域（密码学、化学、优化）的专业知识。每一个有意义的突破，都是多年研究的结晶。

Claude不是一个量子物理学家。它在读了任务描述之后，通过反复推导和测试，发现了那些人类专家花费数年也未能发现的结构性洞察。

为什么Claude能做到这件事？从Anthropic的实验设计可以看出几个关键因素。

量子电路可以被表示为代码。Claude的核心能力之一是理解和生成代码。量子电路的门序列可以用Python等语言精确描述和操纵，这让Claude可以将量子物理问题转化为它最擅长的形式——生成代码、运行测试、分析结果、迭代改进。这种「问题→代码→测试→改进」的循环，是Claude最自然的工作模式。

存在清晰可计算的评价标准。「量子比特数 × 门数」这个目标函数可以被程序精确计算，不需要人类专家来判断哪个设计更好、好在哪里。Claude知道什么是进步，知道应该朝哪个方向优化。这种明确的、可量化的反馈信号，对于闭环学习至关重要——这正是人类科学家最难提供的东西（通常需要数月时间来评估一个新想法）。

Claude具备跨领域联想能力。Claude在训练过程中接触了大量数学、密码学、量子力学的文献。它能看出divsteps算法的内在数学结构，并联想到这种结构可能在量子可逆计算的约束下以某种变体方式工作——这种跨领域类比能力，来自对人类已有知识的深度整合，而不是凭空想象。

这三个因素的结合——代码表示、可计算评价、跨领域联想——创造了一个比单个人类专家更高效的「发现引擎」。

这不是搜索优化，不是暴力枚举，也不是模式匹配。这是真正意义上的创造性推理——在一个极其复杂的数学空间里，找到了连专家都没有走到的路径。

实用意义：量子计算机的到来可能提前若干年

对量子计算领域，这项工作的影响是实质性且立竿见影的。

每一个量子电路原语的改进，都直接压缩了运行实用量子算法所需的硬件规模。量子计算机路线图上的关键里程碑——例如能够实现容错计算的大型量子计算机——取决于算法层面和硬件层面的同步进步。如果算法层面能以10倍的速度改进，硬件发展的时间表就可以相应压缩。

Claude改进的8个电路原语涵盖：数论（模逆运算，直接影响量子密码学的实现成本）、化学模拟（铁硫族分子模拟，与新药研发和催化剂设计相关）、量子优化算法DQI的解码步骤（约12倍提速，影响组合优化问题的可处理规模）、以及物理系统的量子模拟。

这些原语是量子算法的底层基础设施——就像CPU的浮点运算单元对所有科学计算程序都有影响一样，这些原语的改进会渗透到所有依赖它们的量子应用中。一个研发量子算法的团队，可以直接采用Claude优化后的原语实现，将其整合到自己的量子应用中，而不必自己重新做这些艰难的底层推导。

Anthropic在博客里明确写道：「这些改进大幅降低了实用量子算法所需的量子资源，意味着实用量子计算机可能更早到来。更快的电路设计可以让量子计算机原本意图解决的问题——从设计新药和更好的电池，到找到更清洁的制造化肥方式——更早进入现实。」

这个框架能扩展到哪里

Claude的「闭环量子电路优化」框架之所以成功，关键在于一个可以被计算机精确评价的目标函数，以及Claude能够用代码表示和操纵问题的能力。

这两个条件在哪些其他科学领域也成立？

药物分子设计：评价标准是分子对靶点的结合亲和力，可以通过分子动力学模拟计算（虽然昂贵，但可以并行化）。AI设计分子已经有了AlphaFold等工作的铺垫，但「AI闭环设计→计算机评估→AI改进」的循环，还有大量优化空间。

材料科学新材料发现：评价标准是特定物理性质（导电性、硬度、热稳定性、磁性等），第一原理计算（密度泛函理论DFT）可以评估。AI在材料发现领域已经有早期突破，量子电路优化的框架提供了一种新的推进方式。

数学证明构造：评价标准是形式证明系统的可验证性，Lean等定理证明器可以机械检查。Claude已经在费马大定理的形式化验证项目中展现出了令人印象深刻的数学推理能力，这个方向的进一步发展值得高度关注。

编译器优化和代码性能优化：评价标准是程序的执行速度，可以直接测量。这与量子电路优化在结构上最相似——都是在保持正确性的前提下，在代码层面寻找更高效的表示。

量子电路优化的实验，用的是2026年10月今天已经存在的Claude Mythos 5和今天已经存在的评估框架。这意味着其他领域的「Claude闭环科研」，从今天就可以开始尝试。

合作者的背景：这不是偶然成功的实验

这项工作的研究团队阵容值得单独分析。

Mikhail Lukin是量子信息领域全球最顶尖的学者之一，主导了哈佛大学量子光学中心的多项里程碑式成果（详见其哈佛大学个人页面lukin.physics.harvard.edu），并参与了相关大型纠错量子计算机的研究工作，以及使用中性原子量子比特实现量子纠错的突破。他同时是QuEra Computing（一家专注中性原子量子比特方案的初创公司，2021年从哈佛剥离成立）的联合创始人，该公司目前被认为是实用容错量子计算机最有竞争力的团队之一。

Susanne Yelin是哈佛大学量子科学与工程系的教授，专注于量子光学和量子信息的理论研究。

让这两位量子物理学界的顶级学者合作，为Anthropic的Claude Mythos 5提供量子计算专业背景和验证框架，并以他们的名义联署发表arXiv论文——这不是一个临时拼凑的公关项目，而是一次在顶级学术机构和AI实验室之间建立起来的严肃科研合作。

这种合作模式本身就是一个信号：AI实验室正在成为真正的科研机构，而不只是工具提供商。

Anthropic的战略意图：能力叙事的一部分

当然，这项研究也有其清晰的战略意图，值得一并审视。

Anthropic目前正在准备IPO，当前估值超过2万亿美元。在这个节点上，Anthropic需要持续向市场证明：Claude的能力是真实的、可量化的、领先于竞争对手的——而不是只在对话基准测试上领先，或者只在「感觉上更安全」上领先。

量子电路优化是一个在多个维度上都完美的展示场景。首先，它足够专业和前沿，能够让量子物理专家都印象深刻，不是普通的「AI写代码」或「AI回答问题」。其次，它有可以量化的结果（比人类最优方案少多少Toffoli门），不是模糊的主观评价。第三，它发表在arXiv上，接受开放的学术同行评阅，结果是可以被任何人独立验证的。第四，从应用价值角度，它对量子计算机的加速有直接贡献，商业价值清晰可见。

这与Anthropic近期的一系列动作形成了一个完整的能力叙事：Claude帮助优化量子电路（本次），Claude帮助生物分子建模（另一篇官方研究），Claude完成了复杂软件工程任务（编码能力基准），Claude在STEM领域超越了博士水平的专家。

对投资者、对企业客户、对顶级科研机构——这个叙事传递的信息是：Anthropic的Claude不是一个会聊天的AI，而是一个可以参与前沿科研的认知工具，一个可以为专业人士创造真实价值的研究伙伴。

批判性地审视这些战略意图，并不意味着否定研究本身的价值——结果是真实的，论文已经在arXiv公开，任何人都可以复现实验。但完整地理解一项工作，需要既看见它的技术贡献，也看见它的发布时机和战略背景。

量子算法的历史演进：60年进步的缩影

要更充分地理解Claude在量子电路优化上的突破意味着什么，有必要回顾量子算法领域六十多年的发展历程。这个历程既是人类智识努力的证明，也是理解「AI可以从哪里接棒」的最好背景。

量子计算的理论基础可以追溯到20世纪80年代，物理学家Richard Feynman在1981年首次提出量子计算机的构想，认为只有量子系统才能有效模拟量子系统本身。1994年，Peter Shor发布了震动密码学界的Shor算法，证明量子计算机可以在多项式时间内分解大整数——这意味着现有的RSA和椭圆曲线加密理论上可以被量子计算机破解。1996年，Lov Grover发布了Grover搜索算法，对非结构化数据库搜索提供平方根级别的加速。

这些算法确立了量子计算的理论可行性，但将它们变成真正运行在量子硬件上的实际程序，需要的不只是算法本身，还需要为特定量子硬件架构优化的、资源效率最大化的量子电路实现。

这正是过去三十年里数百名研究人员付出大量努力的方向。每一个关键的量子电路原语——整数加法、模运算、傅里叶变换、模逆运算——都有其自己的优化历史，有专门的论文发表在《Nature Physics》、《PRX Quantum》、《Physical Review Letters》等顶级期刊上，每一次改进都是对人类集体智慧的贡献。

FeMoco模拟电路的演进是这段历史的缩影：2017年约50万亿Toffoli门，2018年（第一次大幅优化）降至数千亿，2019年进一步降至数百亿，经过多组研究人员的持续改进，最终在2023-2024年降至约3.4亿。每一步优化背后，都是研究团队发现了新的数学结构和算法技巧。

Claude在8个原语上全部超越了人类现有最优方案，不是把这段历史抹去了——它是站在这段历史积累的知识基础上，通过一种不同的认知路径，走到了下一步。

竞争格局：谁在做类似的事

Anthropic并不是唯一在探索「AI辅助科学发现」的机构，理解这个更大的竞争格局，有助于判断这次突破的相对意义。

DeepMind是这个领域最重要的参与者之一。2022年，DeepMind发布了AlphaFold2，在蛋白质结构预测上实现了飞跃式突破，被认为是AI用于科学发现最重要的里程碑之一。2024年，DeepMind发布了AlphaFold3，进一步扩展到药物分子和DNA/RNA结构的预测。此外，DeepMind的FunSearch（2023年）展示了语言模型可以在组合数学领域发现人类尚未发现的新结果，技术上与Anthropic的量子电路优化实验有相似之处——都是「AI提出假设→程序评估→AI改进」的闭环。

Google Quantum AI（和DeepMind同属Alphabet）在量子计算硬件层面，持续优化Sycamore超导量子比特处理器，在量子纠错方面取得了重要进展。但Google的重点是量子硬件，而非量子算法。

微软通过Microsoft Azure Quantum Research，在量子算法资源估计（量子计算实现特定任务所需的量子比特和门的数量）上有大量投入。微软的Q#语言和量子资源估计器工具，是量子算法研究者常用的工具链。

IBM的Qiskit生态系统是目前量子计算开发者社区最大的平台之一，但IBM的重点也更多在硬件执行而非算法优化。

在「用AI发现新量子算法」这个特定方向上，Anthropic的这次发布，至少在公开披露层面处于领先位置。DeepMind的FunSearch（数学发现）是最接近的竞争参照，但应用领域不同。这是Anthropic在「AI做科学研究」这条赛道上，第一次用有同行评审意义的数学证明（arXiv论文）而不是基准测试得分，向世界展示Claude的能力边界在哪里。

一个更深的哲学问题：AI发现的「版权」归谁？

Claude在53小时内推导出了一种全新的量子算法结构。这种结构，在法律上是谁的？

这不是一个假设性问题。随着AI在越来越多的科学领域开始产出真正意义上的新发现，「AI生成发明的知识产权归属」正在成为法律界、科学界和政策界越来越紧迫的讨论议题。

2021年，美国联邦巡回上诉法院在Thaler v. Vidal（DABUS案）中裁定，AI不能作为发明人被列入专利申请（判决引用：Case No. 21-2347, Fed. Cir. 2022）——专利权只能属于人类发明者。欧洲专利局、英国专利局持有类似立场。这意味着Claude推导出的新量子算法，如果要申请专利，必须以参与这项研究的人类研究员（Andi Gu、Alek Kemeny等）的名义申请，而不能以Claude为发明人。

但这个框架是否适合未来的情况，是一个开放的问题。如果未来AI能够独立运行一个科学发现管道（提出假设、设计实验、评估结果、发表论文），整个过程只有参数配置而没有人类的实质性智识贡献，人类研究员作为发明人的合法性基础就会变得非常薄弱。

Anthropic的这次实验，由于有哈佛大学研究员的实质性参与（他们定义了任务、设计了评估框架、解释了结果），知识产权归属相对清晰。但它预演了一个未来：AI作为科学发现的主要智识贡献者，法律系统对此还没有准备好。

这个哲学和法律问题，可能比量子计算技术本身，更深刻地影响AI用于科学发现的长期制度框架。

结语：这是起点，不是终点

53小时，8个量子电路原语，全部超越了人类最优方案。部分提升达一个数量级。

这是2026年10月17日的现实。用的是今天已经存在的技术，在一个经过精心设计的实验框架里，产出了经过独立验证的科学成果。

它的意义，不只是让量子计算机更快到来。它是一个数据点，说明我们距离「AI在某些科学领域可以独立推进知识边界」的世界，可能比大多数人预期的近得多。

问题已经不是「AI能不能做科学研究？」——这个问题已经有了数据点支持的答案。

真正值得思考的问题是：「这个框架能在哪些科学领域复制？什么条件是必要的？当AI开始系统性地推进多个科学领域的知识边界时，人类科研人员的角色应该如何转变？谁拥有这些AI发现的科学成果？」

量子电路优化可能只是打开了第一扇门。门后面是什么，我们还在看。至少现在我们知道，那扇门是真实存在的，Claude已经用53小时的推导，转动了把手，推开了一条缝。从缝隙里透进来的光，是真实的。

参考资料

  1. Anthropic官方博客：Designing more efficient quantum circuits with Claude — 2026年10月16日（主要信息来源）
  2. arXiv:2610.22367：Discovering state-of-the-art quantum circuits with large language models — Andi Gu、Alek Kemeny等，2026年10月15日提交（46页，Anthropic与哈佛大学、QuEra Computing合作）
  3. Anthropic研究：Claude在生物分子建模中的应用 — Anthropic官方发布
  4. QuEra Computing官网：https://www.quera.com（Mikhail Lukin联合创始人的量子计算公司，中性原子量子比特方案）
  5. DeepMind FunSearch（对比参考）：Mathematical discoveries from program search with large language models — Nature，2023年12月
  6. 美国DABUS专利案：Thaler v. Vidal, No. 21-2347 (Fed. Cir. 2022)（AI发明权归属法律判决）