全球17大顶级AI实验室大逃杀！惨遭集体翻车，GPT-5.6与Opus断层领先

新智元报道

科幻成真了？

2026年，如果你一直关注 AI for Science 的最前沿，你会发现整个风向已经变了。AI Agent 走向真实的科学实验室，已经不再是科幻小说里的情节！

8月，Nature报道量子计算公司 Pasqal 利用 AI 工具在量子领域实现「Vibe Coding」。

同月，Anthropic 联合哈佛背景的量子计算公司 QuEra 丢出一枚重磅炸弹：他们竟然让 Claude 学会了锁定和调节真实量子计算机里的激光器。

紧接着，9月，OpenAI 与 MIT EQuS 实验室高调宣布，全新的 GPT-5.6-Sol 已经深度接入了实验室的软件系统，能够自主运行并迭代超导量子芯片的测量实验！

显然，AI已经不再是那个坐在屏幕后帮你改代码的聊天机器人了，它已经长出了「手」和「眼」，亲自操作昂贵、精密、脆弱的量子硬件。

这绝对是令人震撼的突破。

然而，你真的敢用AI去操作量子实验室吗？

如果 AI 自己做实验，光看答案够吗？

假设今晚实验室没人。你把钥匙交给一个 AI Agent，让它自己去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。

你敢信吗？

在真实的量子工程里，每一个决策都在烧钱。

稀释制冷机的降温时间按天算，激光器的寿命按小时损耗，量子比特的相干时间只有脆弱的几十微秒。

Agent 的一次「瞎猜」和「盲目自信」，代价可能是整批芯片报废，或者团队几个月的心血化为乌有。

所以问题根本不是「它最后答对了吗」。

真正要问的是：它有没有做该做的实验，它有没有看懂刚拿到的数据？它会不会在已经拿到答案之后继续乱跑，把宝贵的实验预算耗光？它给出的结论，到底有没有被自己真正取得的证据支持？

在聊天框里，AI 的幻觉最多带来一句荒谬的回答。但如果它拥有了设备控制权，幻觉就会变成真实的物理后果。

从「能做对一次」，到「敢把它放进实验室」，中间还隔着深渊。

这就是当前 Agent for Quantum 最大的隐患：「会做一次」绝对不等于「能够可靠地做完」。

对智能体而言，能力不是瓶颈，可靠性才是。

智能体懂物理，却依然会相信过时的校准、选择糟糕的测量方式，或者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

意思就是，别给我扯你懂多少量子力学，把你的实验记录本交出来！你的结论，必须有你在执行过程中真正取得的证据来支撑。

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，直接在赛博空间里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、带物理动态、有真实反馈的虚拟量子工程实验室。

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

Agent 面对的不再是一道题，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本，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。

但在这个公共界面的背后，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（比如超导 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。它必须自己决定：

1.第一步该测什么？

2.拿到这组乱七八糟的实验数据后，代表了什么物理现象？

3.下一步还要不要继续测？还是调整策略？

4.什么时候该收手提交最终结果？

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，也没有人会直接把参数交给你。

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

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。

它采用了一种最狠的评分机制——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。

编辑：Aeneas 大卫