量子計算作為一種新興技術，利用量子力學的獨特特性來處理資訊，其潛在能力在於能比傳統電腦更高效地模擬複雜的材料與分子結構。與傳統處理器使用二進位位元不同，量子處理器是由量子位元（Qubits）組成。然而，在實際操作中，準備與執行量子位元實驗極其耗時，通常需要數月時間以及數以千計的初步量測。這類高度重複且需要精確調整的流程，正是人工智慧代理人可以發揮作用的領域。
根據 OpenAI 發布的案例研究，麻省理工學院（MIT）工程量子系統小組（EQuS）的研究員 Beatriz Yankelevich 嘗試將 GPT-5.6 Sol 透過 Codex 介面連接至實驗室軟體，探索 AI 是否能簡化量子晶片的實驗工作流。該研究團隊主要研究超導量子位元，這類量子位元被冷卻至接近絕對零度的稀釋冷凍機（Dilution Refrigerators）中，並透過微波訊號進行精確控制。由於超導量子位元在晶片製成並冷卻後，研究人員完全透過軟體與其互動，這使得量子實驗成為 AI 代理人介入的理想測試場域。
量子校準的核心挑戰與運作方式
超導量子位元常被稱為人工原子，因為它們像真實原子一樣只能處於特定的能階。研究人員必須設計並校準微波脈衝序列，將量子位元在不同能階間移動，並分析回傳的數位訊號以判定其量子狀態。這個過程至關重要，因為它能揭示量子位元的共振頻率、量子資訊的保持時間（相干時間）以及執行運算所需的設定參數。
量子校準並非單一的指令，而是一系列相互依賴的量測過程。每一次的量測結果都會決定下一步的操作方向。此外，量子位元的物理特性可能會隨時間漂移，或出現不可預期的物理行為導致結果不一致。在傳統流程中，這需要經驗豐富的研究員即時觀察並調整參數。
AI 代理人的實作與成效
在實驗中，Yankelevich 將 GPT-5.6 Sol 應用於一個未經校準的六量子位元晶片。她為 Codex 提供了特定的量測技能說明，定義如何執行與評估每項實驗。AI 代理人隨後根據晶片設計目標，自主選擇量測參數、操作硬體並分析數據。如果訊號不夠清晰，AI 會自行精煉量測參數；若結果符合要求，則將數據儲存並進入下一個量測環節。
結果顯示，當訊號明確時，GPT-5.6 Sol 能在幾乎不需要人工干預的情況下，完成標準的校準序列，包括識別轉移頻率、校準控制與讀取脈衝，以及確定量子資訊的保持時間。這將原本需要研究員花費數日完成的晶片特性分析，轉化為可自動化運行的流程。研究員可以在潔淨室工作或在深夜讓 AI 持續運行量測，僅需透過手機遠端監控進度並在必要時給予方向指引。
技術限制與實務意義
儘管在常規流程中表現出色，但 AI 代理人在面對弱訊號或高雜訊的實驗數據時仍面臨困難。在這些模糊的物理結果面前，AI 尋找合適參數所需的時間會大幅增加，且仍需經驗豐富的研究員提供指引。這表明目前的 AI 代理人雖然能處理定義明確的工作流，但在解釋歧義物理現象方面仍有侷限。
然而，這次實驗的實務意義在於重新定義了研究員的角色。對於常規的晶片特性分析，AI 承擔了重複性的監控工作；而對於前沿的新型實驗，研究員則利用 AI 強大的程式碼編寫與修改能力，快速測試新的控制、分析與模擬代碼。
透過將 AI 代理人直接連接至實驗室硬體，研究人員得以從繁瑣的量測中解放，將精力集中在更高層次的科學工作中，例如詮釋實驗結果、設計新實驗以及規劃研究方向。這種人機協作模式將量子研究的節奏從單線的監控，提升為多線並行的自動化探索。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。