近日，中性原子量子计算公司Pasqal宣布，在Pasqal Cloud上推出AI辅助工作流，用户可以在Claude Code、Cursor、Codex等智能体编程环境中安装插件。从一篇论文、一项专利或一个明确的研究想法出发，完成实验规格提取、脉冲序列生成、仿真验证、云端提交和测量数据分析，大幅压缩那个长期横在“想法”和“硬件执行”之间的工程环节。
正如Pasqal首席执行官Wasiq Bokhari所言：“量子计算的瓶颈正在转移。曾经需要研究人员关注的工作，如今可以越来越自动化，使研究人员能够更专注于科学本身。”
如果把这句话放在技术演进脉络看，它实际上承认了事实：量子硬件的可访问性已经不再是第一瓶颈，如何让不具备专业量子工程背景的研究者有效使用这些硬件，才是当前最大的摩擦点。
事实上，Pasqal此次推出的AI辅助工作流与其8月份出现在《Nature》期刊上题为《AI tool lets researchers‘vibe code’in the quantum realm》的报道中的工作是一脉相承的。报道介绍了Pasqal研究团队开发的一套人工智能工具。该工具能够根据英文自然语言指令生成量子计算程序，并进一步调用量子计算机执行实验。
不过，就在Pasqal的人工智能工具出现不久后，OpenAI与麻省理工学院（MIT）量子工程系统组（EQuS）共同发布的一项案例研究报告指出，基于GPT-5.6 Sol大模型和Codex驱动的AI智能体，实现了端到端自主运行超导量子比特的相关计算实验。
显然，AI智能体在量子实验室出现的频率越来越高，正在成为量子计算从实验室专属走向行业可调用的关键入口层。
从想法到QPU实验
云访问早就把量子处理器变成了远程可用的资源，但是，可用不等于好用。
一个量子实验的起点可以是一篇已发表的论文、一项专利、一份技术说明，或者仅仅是研究者脑海中一个尚未形式化的直觉。然而，无论起点是什么，它最终都必须被翻译成量子处理器能够执行的形式：选择原子寄存器布局、定义激光脉冲参数、检查硬件约束、在仿真中验证序列、通过云端提交作业、最后解读测量数据。
这些步骤中的每一步单独来看都不算复杂。最大的问题是它们分属于原子物理、激光控制、软件工程、云计算等不同的专业知识领域，且需要持续协调。就像Pasqal在其技术博客中说道：“许多有前景的想法即使有合适的硬件，也未被测试。”
当然，这并不是因为研究人员不够聪明，主要是从“我知道该测什么”到“硬件跑出了数据”之间的工程距离超出了单个研究团队的范畴。
因此，Pasqal本次推出的AI辅助工作流要做的是让AI负责协调工程步骤，让科学家保留科学判断，本质上是尝试利用AI智能体弥合上述的工程距离。
具体来看，这套工具流以代理技能（agentic skill）的形式，作为插件装进Claude Code、Cursor、Codex这类主流的代理编码环境，和Pasqal现有的软件栈配合——用于脉冲序列设计的Pulser、用于仿真的emu-mps、用于设备访问和QPU执行的Pasqal Cloud SDK。
图：从科学文献到硬件实验的AI工作流
来源：Pasqal
整个流程分为几个阶段。首先是协议提取与形式化，智能体从论文或原始想法中提取物理参数、目标可观测量、约束条件和硬件假设，生成一个结构化的experiment_spec.json文件。这个文件成为后续所有操作的参考输入。
Pasqal特别强调，研究者在这一步之后需要审查和批准规范，“因为规范成为后续所有内容的参考输入”。
接下来是脉冲序列生成，智能体将规范转换为可执行的Pulser序列，包括原子寄存器和时变激光控制参数。
然后是验证阶段，候选序列在仿真中测试，先使用无噪声仿真器检查理想行为，再用噪声感知仿真器评估在真实设备噪声下目标信号是否仍然可见。
只有通过验证后，QPU提交才会发生。智能体通过Pasqal Cloud SDK管理硬件执行，并整合设备当前工作点的校准信息。
最后是结果分析，原始比特串被转换为规范中定义的可观测量，并与仿真预测进行对比。
在整个设计中Pasqal都在反复强调，工作流取代的是工程协调，不是科学判断。关于测量什么、如何验证实验、结果是否真正支持物理主张的决策，仍然由研究者负责。
这个边界非常重要。因为在当前的AI能力边界下，试图用智能体替代科学判断既不现实，也会引发专业社区的抵触。
执行成功不等于科学正确
研究团队设计了三组案例验证这套智能体工具的能力。
第一个案例是复现Keesling 2019年Kibble-Zurek量子相变实验，测试智能体识别硬件限制的能力。
研究者故意要求智能体实现硬件难以支持的Z3有序相，智能体读取FC1设备参数后自动判定该方案不可实现，给出物理解释，并转向硬件原生支持的Z2相；后续还按照研究者提示把一维原子链改成环形寄存器消除边界效应，分别在FC1（56原子环）、SA1（96原子环）完成真机实验，得到的密度‑密度关联函数和原始论文实验结果在统计误差范围内吻合。
整个流程仅需要研究3次提示，一小时内就完成作业部署，还可以自动处理云平台任务暂停、作业报错等基础设施故障。
第二个案例是三角晶格受挫量子磁相模拟，来自一篇只有理论仿真、没有硬件实现的学术论文。
智能体成功区分1/3填充、1/2填充、2/3填充三种物相对硬件参数需求，判断1/3填充相可以在FC1上实现，1/2填充属于边际可行，2/3填充超出设备失谐上限无法实现。
但关键问题出在可观测量的选择上。论文原文给出了四种诊断可观测量，智能体却只保留了结构因子和平均磁化强度。而平均磁化强度并非该论文定义的序参量，无法区分目标模式与其他相同密度状态。智能体还忽略了有限尺寸缩放这一在小规模寄存器中解释数据的核心论证。
整套实验想要拿到物理可信结果，人类专家需要和智能体来回43轮交互纠正模型的物理选择。这也是全文最重要的结论之一：AI智能体可以输出外观合理的数据，但无法自主判别物理结论的真伪，极易产生科学层面的幻觉，必须依靠领域专家审查。
第三个案例跳出学术论文，基于Pasqal的专利得到迭代Rydberg独立集剥离的图着色快速算法。在这里，专利仅给出了高层算法描述，没有针对现有硬件的实现细节。
智能体自主设计出一套基于MappableRegister批量任务机制的多轮测量反馈流程，在不重复排队的前提下实现多轮迭代，引入束搜索策略提高求解质量，还加入经典修复步骤处理里德堡封锁泄漏带来的非法结果。
研究团队在75个随机单位圆盘图上完成基准测试，N=20全部得到精确色数；最大N=80时，着色误差不超过2。
过程中智能体也出现了误判。出现大量非法测量结果时，智能体自信地把故障归因于里德堡封锁硬件泄漏，但真实原因是一个坐标排序与比特串排序不匹配的标签错误，导致原本有效的独立集被误判为违反邻接约束。
问题出在工作流内部的数据流水线，而不是硬件或物理本身。只有专家对原始比特串到图的映射进行逐项核查，才发现这个智能体构建的看似合理、实则错误的物理故事背后的逻辑漏洞。
这里的第二、三案例共同表明，智能体在工程层面的执行效率很高，能够自主处理QPU暂停、作业报错等基础设施故障，但物理意义的判断仍需人类把关。
除上述三个案例外，Pasqal还利用这套AI辅助工作流，对全球学术预印本平台中涉及中性原子量子计算的存量理论文献进行了系统性扫描。
经过关键词检索、去重、筛除后，工作流共定位了633篇与中性原子体系高度相关的核心理论文献。随后，代理工作流对其中能够可靠解析物理语境的526篇论文进行工程实现可行性拆解。结果表明，258篇论文可以直接或稍作调整后在现有的公开Pasqal QPU上实现。
剩下那些不可实现论文的主要障碍是还没公开的硬件能力，比如实现不同类型的原子间相互作用，或者对单个原子的局部控制。
量子计算的Agent时代
当前，AI和量子的交叉融合正在同步加速。
正如文章开头提到的，2026年9月，OpenAI和MIT联合发布案例研究，声称基于GPT-5.6 Sol大模型和Codex驱动的AI智能体，实现了端到端自主运行超导量子比特的实验。它可以选择参数、调用测量程序、读取图像和原始数据、判断结果是否合格，并据此决定继续优化还是进入下一项测量。
图：自校准运行中的GPT-5.6 Sol思维链
来源：EQuS
再往前看，2026年7月，Google在《Nature》发表的最新成果指出，把强化学习和量子纠错结合，可以让AI智能体通过实时监控错误检测事件，动态调整数千个控制参数，在运算过程中持续对抗硬件漂移，且不需要中断计算。这套方案在Willow处理器上把逻辑错误率额外降低20%，实现每千次纠错循环不足一次的历史最低水平。
2026年6月，Microsoft发布Majorana 2拓扑量子芯片，宣称量子比特可靠性比上一代提升了约1000倍，量子态维持时间从微秒级跃升至平均20秒、最长接近1分钟。微软表明，这是因为其AI平台Microsoft Discovery在自动化测量、优化制造流程、检测缺陷方面发挥了关键作用，把研发周期缩短了几个量级。
国内企业也不落后。比如，2026年9月，量智开物发布国内首个智能体原子量子计算实验平台“白泽”。该平台能承担日常运行、校准、参数优化和状态维护工作，支持智能化安全地执行实验。
虽然这些成果在技术路线和定位上不尽相同，但共同指向了量子计算行业正试图用AI智能体来拆解“使用门槛”的发展趋势。
近几年，量子行业多围绕量子比特数、相干时间、门保真度等硬件指标展开较量。直到现在，这些指标仍然重要，但是当量子硬件通过云访问变成远程可用资源时，决定其实际价值的不再只是硬件性能，而是有多少人能有效地使用它。
可见，量子计算行业正在从“证明硬件可行”的阶段向“让硬件有用”的阶段过渡。在这个过渡中，类似Pasqal这样的工程效率工具，其重要性可能不亚于硬件本身的进步。
[1]https://www.pasqal.com/newsroom/pasqal-launches-an-ai-assisted-workflow-to-accelerate-cloud-qpu-experiments/
[2]https://www.pasqal.com/blog/turning-ideas-into-qpu-experiments-how-agentic-workflows-make-quantum-computing-more-accessible/
[3]https://news.microsoft.com/source/features/innovation/majorana-2-microsoft-discovery-agentic-ai
