河南
你敢信吗？现在AI都开始抢科学家饭碗，进实验室亲自搞科研了。最近业内有人组织了一场大测试，把全球17个最顶尖的AI模型拉出来考做量子计算实验，结果差距大到超出想象。本来不少模型看着实力不相上下，真刀真枪比一场，大部分直接露怯，只有两家遥遥领先。这事儿说起来挺有意思，AI做实验到底靠不靠谱？咱们慢慢说。
这两年AI能力突飞猛进，早就不是只会聊天写代码了。今年8月，就有量子计算公司让AI用氛围编程开展量子研究。同月，Anthropic拉着哈佛背景的量子企业QuEra合作，让Claude在一台真实量子计算机上锁定调节激光。到9月，OpenAI又和麻省理工学院的量子实验室合作，让大模型接上实验软件，独立运行迭代超导量子芯片上的测量实验。
AI都能上手操作仪器了，听着很牛，但有个绕不开的问题：它做的实验，能信吗？量子硬件可是出了名的昂贵娇弱，稀释制冷机降温一次要花好几天，量子比特的相干时间也就几十微秒。AI要是误操作，轻则实验重来，重则芯片直接报废，团队几个月的努力直接打水漂。
现在对AI做科研的要求，早就不是给出个正确答案就完事了。得看它有没有按规矩做该做的实验，读没读懂手里的数据，该停的时候会不会停，结论是不是自己亲手采集的证据撑起来的。新加坡国立大学、南洋理工和GaugeForge的联合团队，就提了个“可验证自主性”的概念，现在已经发了预印本。他们说的很直白，现在AI能力已经不是瓶颈，可靠性才是。
直接在真实量子机器上反复测试，成本太高玩不起。这帮研究者就给AI搭了个足够逼真的模拟考场，叫“量子港”，完全按照真实物理规律一比一复刻。AI在里面能读硬件手册，翻前人的实验记录，还能调用常用的量子编程和测量工具，跟在真实验室没差。
那些关键硬件参数比如相干时间、读出误差、噪声关联都藏在后台，AI看不到，得自己摸，相当于标准闭卷考试。资深量子工程师一共出了49道考题，从底层硬件控制、微波脉冲设计，到量子纠错解码器校准，再到60量子比特代理模型优化，覆盖了量子计算技术栈的五个层级。
评分规则也和以往不一样，不光看结论对不对。还要看结论是不是之前采集的数据撑起来的，AI拿到最优解之后会不会瞎浪费预算，换一套全新的隐藏噪声背景，策略还能不能成立，每一项都得算分。
这次来参赛的17个AI全是圈内顶流，包括OpenAI的GPT-5.6系列、深度求索V4系列、Anthropic的Claude Opus和Haiku，国内的通义千问、混元、Kimi、智谱和字节跳动的模型都来了，称得上是顶尖AI大聚会。
成绩出炉，差距大得惊人。通过率最高的有78%，最低的才3%。之前好多模型在普通排行榜上看着数据差不多，碰到这种需要严密逻辑链条和可验证自主性的任务，一下子就拉开差距。最后就是GPT-5.6和Claude Opus两个系列明显领先，剩下的多数模型都集体翻车。
有一道晶格手术的题最能说明差距，这种技术通过拼接量子纠错里的表面码，实现两个逻辑比特之间的受控非门操作。出题人故意挖坑，在实验记录里放了一条过时数据，这条数据没考虑拼接后边界的相关噪声。
最强的那两个AI根本没被旧记录误导，它们意识到拼接可能引入新噪声，于是重新测量融合后的状态，提取出真实的噪声关联，再重新校准解码器。最终，它们在隐藏验证集上把每轮纠错的错误率压到了万分之6.65左右，发挥相当稳。
另一道60量子比特的黑箱题，直接让好多模型原形毕露。题目要求AI在固定预算内，为40组新的隐藏输入预测1770个两比特关联。失败的模型大概分成三类。有的漫无目的地采样，没做完就把预算挥霍一空。有的只测了少量数据就过度自信，最后预测新数据错得离谱。还有的陷入代码报错的死循环，直到3小时时限用完，只能交白卷。
有意思的是，这些AI犯的错，跟人类实验员在实验室里犯过的错几乎一模一样。反而是顶尖模型偶尔表现出来的老练，真的让人开始期待，未来会不会有能独当一面的AI科学家。
当然，虚拟实验室终究不是真实实验台，这项研究目前也还是预印本，结论得等同行进一步检验才作数。
但这场测试给的启示很实在：判断AI能不能做科研，不能只看它会不会答题，更要看它知不知道自己为什么这么答，该停的时候能不能停下来。
你觉得AI未来能独立做科研吗？它缺的到底是能力还是可靠性？
参考资料：新华社 全球顶尖AI模型科研能力测试
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
