Codex 参与真实量子芯片校准：一次公开运行说明了什么

2026 年 9 月 8 日，OpenAI 发布了一篇案例文章：MIT 工程量子系统组（EQuS）的研究生 Beatriz Yankelevich，把接入 Codex 的 GPT-5.6 Sol 用进了自己的实验流程。EQuS 研究的是超导量子比特：芯片放在稀释制冷机里冷却到接近绝对零度，再用微波信号来控制。^[S1]

文章的出发点是：芯片一旦制造、封装、冷却完毕，研究者就完全通过软件和它打交道。把 Codex 接进统筹实验的实验室软件之后，它就能运行测量、分析结果，并决定下一步试什么。^[S1]

模型实际操作了什么

测试对象是一块未经校准的六比特芯片，是 EQuS 平时用来检验制造工艺的标准型号。Yankelevich 按测量类型给 Codex 写了技能说明，讲清每个实验怎么跑、怎么评估。GPT-5.6 Sol 依据这些技能和芯片的设计目标，自己选测量参数、操作硬件、分析数据，然后要么把这次测量做得更细，要么把结果存下来留给下一次测量。^[S1]

两种测量先说明一下：Rabi 测量逐步加大驱动脉冲的幅度，回答「多强的脉冲能把比特从 0 翻到 1」，由此定出 π 脉冲和 π/2 脉冲的幅度；Ramsey 测量在两个 π/2 脉冲之间插入可变的等待时间，回答「比特的频率精确地落在哪里」。文章附的运行截图能看出这种交互细到什么程度：模型通过 Jupyter 集成下发一次 0–0.4 V 的一维 Rabi 扫描，拟合出 Xπ 幅度 50.6 mV、Xπ/2 幅度 24.8 mV（R² 0.994）；Rabi chevron 给出的驱动中心 199.27 MHz 比半磁通点谱测最小值高约 0.67 MHz，它据此把 Ramsey 失谐范围放宽到 ±2 MHz，按 4 ns 的硬件时间网格、开启主动复位完成测量，存下裸跃迁频率 f01 = 198.592407 MHz。两步分别标注采集加分析 17 s 和 67 s、token 消耗约 1k（模型自估）。换句话说，模型设定的是真实芯片上的扫描范围和脉冲幅度，读回的是实测信号，不是模拟器的输出。^[S1]

边界也正在这里：测量类型本身（Rabi、Ramsey、谱测、相干时间）都是标准流程，怎么跑、怎么评估，由研究者写进了技能说明。模型做的是在这些流程之内选参数、判读结果、接上下一步；文章并没有说它设计了新的脉冲序列或新的实验。^[S1]

信号清晰时能跑完，信号弱时还要人

信号清晰时，Codex 只需研究者少量介入，就完成了一套标准测量序列：找出比特的跃迁频率，校准控制和读出用的脉冲，并测定比特能把量子信息保持多久。信号弱或噪声大时，它要花更长时间才能找到合适的测量参数，有时还得靠有经验的研究者指点。文章的结论是：眼下的智能体能处理定义清楚的实验流程，但解读含混的物理结果仍是难题。^[S1]

文章把量子比特校准描述成一串环环相扣的测量，每个结果都决定下一步做什么；比特参数可能漂移，意料之外的物理行为会让结果前后不一致，有经验的研究者能看出来并随之调整。软件控制、重复测量加上自适应决策，三者叠在一起，使它成了适合交给智能体的场景。准备并运行量子比特实验可能要花几个月，做几百到几千次预备测量。^[S1]

EQuS 制造了大量这种标准芯片，每一块都可能要研究者花好几天来表征。文章称，这个组现在经常让智能体做日常测量。用 Yankelevich 的话说：「我可以让智能体在夜里，或者在我去洁净室干活的时候，连着跑好几个小时的测量。我用手机就能查看它们做了什么，哪里需要修正、或者我想换个方向时，就去引导一下。」^[S1]

文章也承认，有经验的研究者找到最佳校准设置，可能仍比现在的模型快；收益是省下了盯守每一步的时间，而不是校准得更好。^[S1]

Yankelevich 说，她「搭了一套基础设施，引导智能体完成工作中的好几块：测量、理论和芯片设计，现在真的开始见效了」。这个案例里出力的不只是模型：按测量类型写好的技能说明、芯片的设计目标，再加上一个能把每次结果存下来交给下一步的接口，一串环环相扣的测量才能在无人值守的情况下推进。^[S1]

做新颖实验时，她给智能体定的目标更窄，更多借助它编写、修改和测试控制、分析与仿真代码的能力；智能体直接接入实验室，团队就能改代码、拿真实测量来检验，并让智能体自主完成更长的工作段。这部分文章没有给出任何运行记录，所以只是描述，不是证据。^[S1]

信号清晰时的标准校准，恰恰是最容易演示的部分；文章自己点出的难点，即弱信号、噪声和含混的物理结果，才决定智能体在实验室里究竟能替人省下多少盯守。

它确实动到了真实硬件。

截图里的色图和拟合曲线都来自芯片上一个比特（图中标为 q1）的实测信号：驱动中心在 199.27 MHz 的 Rabi chevron、一维 Rabi 振荡、Ramsey chevron 及其线性分支拟合。模型存下的裸频率 198.592407 MHz，与半磁通点谱测的最小值 198.598819 MHz 相差 6.4 kHz。这是两种不同测量之间的交叉核对，也是这个案例里最接近定量验证的地方；但它只是两个测量结果之差，不是相对一个独立真值的校准误差。截图没有给出参考测量、重复运行或不确定度，所以 6.4 kHz 本身算不算吻合得好，从公开材料里判断不了。按本站的证据阶梯，它够得上第 4 级：真实硬件上执行了新的测量，而测什么是模型选的。^[S1]

但证据是一篇厂商案例文章。

来源是 OpenAI 自家网站，截图则是「从一次校准运行中节选的 GPT-5.6 Sol 思维链」。截图实测到的，是一个比特上的两步；六比特芯片不等于六个比特都校准完了，17 s 和 67 s 也只是这两步各自的耗时，不是整套流程。没有论文，没有代码，没有公开技能说明，也没有任何统计：用了几块芯片、跑了几次、六个比特校准了几个、研究者介入了多少次、比研究者快多少，全都没有数字。「信号清晰时只需很少介入」和「组里现在常规用智能体做日常测量」是文章和研究者的说法，不是截图里的测量结果，所以放在「有迹象」一栏。^[S1]

文章没有说校准得「更好」。

文章明说，有经验的研究者可能更快找到最佳设置。它主张的是省下了盯守的时间，而不是校准质量胜过人。^[S1]

这个案例的意义全在「交互」

多数「AI 做科学」的主张止步于代码和算力：模型写程序、跑模拟、给预测。这里模型下发给真实芯片的是扫描范围和脉冲幅度，读回的是稀释制冷机里的测量信号。这正是本站想让读者看清的区别，哪怕眼下证据还很薄。

难的不是执行，而是判读

文章自己划的边界，是信号弱、噪声大、结果含混的时候。标准芯片的标准校准早已写成流程，模型在流程之内做得不错；一旦物理现象不按预期出现，还是得靠人。

什么证据会改变这个判断

一份带统计的记录：多少块芯片、多少次运行、研究者介入多少次、与人工表征相比耗时和结果差多少；或者一次由智能体自己设计并跑通的新实验。有任何一项，这条记录就能从「一个案例」变成「一个可以比较的结果」。