深夜两点，你刚把一个优化跑完，准备把它写进下周的论文——量子点加法的某个子模块，门数从 8000 压到了 7000，整理一下就是一篇还不错的 follow-up。结果第二天早上你刷到 Anthropic 的一篇博客，标题平淡得像通知：「Designing more efficient quantum circuits with Claude」。你顺手点开，看到一张表，你盯着看了一分钟没说话。

表上写的是：你的那个 7000 门优化的同一个子模块，Claude 给的方案是 1300 门。是你的 5.4 倍。论文还没发表，AI 已经替你写完了。

——这就是 2026 年 10 月 15 日发生的事。

一组让你后背发凉的数字

Anthropic 这次发的工作，名字很朴素，叫《Discovering state-of-the-art quantum circuits with large language models》。46 页，10 张图，6 张表。四个作者，第一作者 Andi Gu，是 Anthropic STEM Fellows 项目的研究员，同时挂靠哈佛量子计划；其余三位分别是 Anthropic 的量子物理学家 Alek Kemeny、哈佛的 Susanne Yelin，以及同时在哈佛和 QuEra Computing 任职的 Mikhail Lukin——Lukin 是中性原子量子计算这个领域绕不开的人。

他们让 Claude Mythos 5 去做的事，听上去很平凡：8 个量子算法基础子模块，从头设计电路。比的是「门数 × 量子比特数」这个标准综合指标。

结果是这样的：

8 个任务里 7 个，Claude 把人类已发表的最优方案按在地上摩擦。 第 8 个，Claude 干脆做了一件人类没做过的事——为素数域模反运算发明了一种全新的可逆架构。

「按在地上摩擦」还不够刺激。更刺激的是这件事发生的方式。

一个周末，你可能重写了八年的研究

Anthropic 没有给 Claude 任何中间步骤提示。它拿到的是一份英文任务描述，几百字，说明输入是什么、输出应该是什么、可以用什么量子门。然后，Claude 在 OpenEvolve 这个开源演化搜索框架里，从一张白纸开始——自己写代码、自己提方案、自动评估器打分、它根据分数改自己的代码——

整个过程没人看。

53 小时。Anthropic 在博客里写：「After working for 53 hours with minimal human input (limited to the initial brief and occasional prompts to think more broadly), Claude arrived at a completely new approach to the problem.」

你读完这句话可能没什么感觉。我把它翻译成科研界听得懂的版本：

Anthropic 给 AI 投了一份任务书，让它自由发挥 53 小时。AI 跑出来的新方案，把一个困扰人类研究组 8 年的优化问题，刷新了 17 倍。

「8 年」这个数字不是我编的。Anthropic 在论文对比里写得很清楚——之前人类在化学估计的某个类似优化上做过的 150,000 倍降幅，「took many research groups eight years」。而 Claude 这一轮的椭圆曲线点加法 divsteps 优化，53 小时，单次运行。

这意味着什么呢？意味着人类研究的「年」这个单位，第一次被一台没有学历、没有实验室、没有咖啡续杯的机器按「天」来结算。

它真的「懂」吗？这是你需要担心的那部分

老实讲，看到「AI 自己设计电路」这种表述，训练有素的科研人第一反应是怀疑。LLM 是预测下一个 token 的，它怎么可能理解量子电路的物理含义？

Anthropic 在论文里解释了这一层顾虑，给出的答案很克制：

• 它不是靠「猜」。「量子电路可以写成普通代码」这个事实，意味着 Claude 可以像写程序一样写电路、运行、检查、改错。
• 评估器是独立的传统程序，「对每一个输入，输出都是确定的」，所以每条电路都能被一台经典计算机验证对错——这不是 LLM 在自证，是 LLM 在写一台经典计算机能检查的证明。
• 评分函数也是确定的——「门数 × 量子比特数」，没有主观权重。

这一组合带来的效果是：你不需要相信 Claude「懂」量子物理，你只需要相信一个能跑代码的评估器说「这个电路是对的，而且门更少」。

但这并不意味着 Claude 是空洞的搜索器。Anthropic 在博客里提到一个非常值得细看的细节：

「Claude reasoned that these records might not need to be stored at all, because the branch information could be decoded from the two numbers themselves after each step.」

divsteps 这个算法，经典计算机做起来飞快，但搬到量子电路上有致命问题——它每一步都「扔掉」一些选择信息，而量子电路必须可逆，必须保留所有历史。人类研究员的常规思路是「想办法把历史压紧一点」。Claude 给的答案是——「历史根本不用存，分支信息可以从每步之后的两个数字本身解码出来」。

这不是搜索。这是推理。它能识别出一个长期被人类接受的限制条件（必须存历史）其实是多余的，然后用数学证明这个直觉是对的——用 Lean 形式化证明。

Anthropic 同时也承认这种推理不是全无成本的——Claude「一开始很保守，反复质疑明显对的改进，对证据充分的结果还要多检查两三遍」。团队不得不用并行 + 多家族搜索的方式，强制它去探不同的方法家族。换句话说：Claude 是个聪明但偏保守的研究员，需要你催它往更野的方向去想。

17 倍这个数字，对你意味着什么

这里我们必须把工程语言翻译成你能用得上的语言。论文里这张对比表，是这次研究里最让密码学圈后背发凉的一张：

• Schrottenloher (2026)，二元 GCD 路线：1,900,000 Toffoli 门，1,446 量子比特
• Claude divsteps+解码 路线：4,000,000 Toffoli 门，935 量子比特
• Luo 等 (2026)，欧几里得路线：70,000,000 Toffoli 门，838 量子比特
• Claude 专用欧几里得 路线：21,000,000 Toffoli 门，843 量子比特

椭圆曲线点加法，量子攻击离散对数的核心步骤之一。Claude 给的两条路线，分别把 Toffoli 门压缩了 17 倍 和 3 倍（对比已发表最优）。量子比特几乎没涨。

这什么意思？意思是——

如果 Shor 算法有一天真的在硬件上跑起来，破解一个 256-bit 椭圆曲线密钥需要的「算力」，可能比三个月前预估的少一个数量级。

你不需要懂量子力学也能理解这个：以前业内估算「要到 2035 年以后才有可能担心这个」，但「软件让硬件提前可用」这件事不是空想——Anthropic 在最后一段几乎就是在这么写：

「量子计算的实用化长期受制于硬件瓶颈，业界普遍认为需要数百万量子比特才能实现真正有价值的应用。而 Claude 此次展示的能力表明，透过算法层面的数量级最佳化，现有『简陋』的硬件也可能跑出颠覆性的结果。软件正在以另一种方式『拯救』硬件，量子运算的时间线可能因此被大幅提前。」

硬件党会被打脸吗？是的

这十年量子计算的故事大致是这样的：

硬件党：我们做不出 100 万量子比特的容错机。 软件党：那就让我们在算法层多挤一点。 硬件党：你挤一年也挤不出一个数量级。 软件党：……

Anthropic 这份工作把这个对话的格式改了。53 小时单次运行，39 倍最佳压缩（fixed-point Gaussian），17 倍最影响密码学的那个具体子模块——这些数字每一个都是「你之前对这件事所需资源数量的预估，需要打一个对折号」。

Reed-Solomon 解码那条尤其值得看——12 倍的成本压缩，对应的是 Google 等公司在量子纠错栈里使用的核心模块。意思是，「纠错码、解码器、物理硬件控制」这三层原本各自独立优化的东西，现在变成了同一个被搜索算法统一优化的对象。Anthropic 在论文里写得更直白：

「未来的 AI 将不再侷限於最佳化某個獨立電路，而是有可能從最底層的硬體物理結構到最上層的演算法邏輯進行全域性聯合最佳化。屆時，人類將可以直接按照 AI 提供的設計圖紙來製造專用量子電腦硬體。」

这话翻译成白话：AI 给你的不再是「更好的电路」，而是「更好的量子计算机该怎么造」。

接下来 12 个月，你该重新校准的预期

如果你在以下任何一个角色里，下面这些调整是值得做的：

如果你是加密/安全从业者：椭圆曲线离散对数、Reed-Solomon 解码、格密码——这三个领域的「量子资源估算表」需要在 2026 年底前集体更新一次。Anthropic 的论文里那个 53 小时 divsteps 方案，已经把模反运算的量子资源天花板下压了一个数量级。

如果你是科研工作者（特别是硬科学）：你之前可能觉得「AI 帮不了我做研究」。现在你的参照系要变一下——AI 在「能被形式化验证 + 评分函数确定」的子任务上，已经能跑赢博士论文级的工作。论文署名顺序可能会是你未来需要面对的新问题（Andi Gu 在这篇里是第一作者，Claude 没有署名）。

如果你是 AI 从业者：Anthropic 这次用的不是 RL，也不是 agent loop 那种套路，而是一个叫 OpenEvolve 的开源演化搜索——LLM 提方案，外部评估器评分。这是「LLM 作为科学发现引擎」的雏形。这条路线与 multi-step agent、tool use 是并行的，不是替代。

如果你是产品/创业者：注意「领域知识 + 可验证评分函数」这个组合。这次能成功，是因为量子电路有这两个特性；下一个被 AI 吃掉的领域，必须也满足这两个特性——你猜是哪个？

如果你是普通读者：你不需要看懂那张表。你只需要知道这件事——2026 年 10 月中旬的一个深夜，一个 AI 自己坐在那里想了 53 小时，造出了一个比人类过去 8 年研究更好的东西。这就是你正在目睹的 AI 时代的速度。

写在最后

读完这篇论文我有一个感受，可能你也会有：

我们一直说「AI 替代人类」——替代的是客服、是写文案、是写简单代码。这件事吵了三年，所有人都觉得「还远」。

Anthropic 这次告诉你的是——AI 已经走到了「替代人类发明数学」这一步。不是「辅助发明」，是「独立发明」，用 Lean 形式化证明，再用 4.03 亿次采样确认。

Anthropic 自己也很克制。它没有把这篇论文包装成 AGI 宣言，没有任何宏大叙事，博客结尾甚至加了一句「These are circuit designs, not a quantum computer」。这是科学家该有的谨慎。

但「只」设计电路的 AI，把这件事做成了这样，已经足够让你我——每一个还在靠「我会动脑」吃饭的人——重新算一下我们这一行的剩余有效期。

53 小时以前，是人类的时间。 53 小时以后，是 AI 的时间。 我们正在跨过那条线。