一个人干翻一整个物理团队？Nature发文：量子计算也能Vibe Coding了

在传统软件开发领域，“Vibe Coding”已经成为一个被广泛讨论的概念：使用者不需要精通语法细节，只用自然语言描述想要实现的功能意图，交由大模型生成完整可运行代码，再通过多轮反馈迭代完成开发工作。

现在，这种开发方式正在进入量子计算领域。

近日，《Nature》发表了一篇题为《AI tool lets researchers‘vibe code’in the quantum realm》的报道，介绍了法国中性原子量子计算公司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。

Pasqal的联合创始人Christophe Jurczak直言不讳表示，他现在只需坐在家里沙发上，靠着一组自主运行的AI智能体（Agent），就能单枪匹马完成过去需要一整个高知物理团队才能跑通的量子模拟实验。

不过，Pasqal团队的研究也清楚地表明，量子领域的“vibe coding”并不是让研究人员完全脱离专业知识。相反，在实验目标、物理可行性和结果解释等关键环节，人类专家仍然不可替代。

真正被降低的是从理论方案到硬件实验之间的工程实现壁垒，而不是量子计算本身的理论复杂度。

中性原子设备上的智能体流

中性原子量子计算是目前量子硬件赛道中极具竞争力的一条技术路线，它利用光镊在真空中捕获并排列铷或锶等中性原子，通过精准调控的激光将这些原子激发到高度活跃的里德堡态，从而实现量子比特之间的纠缠。

这种架构在做“模拟量子计算”时有着天然的优势，非常适合用来模拟复杂的自旋系统或者优化材料特性。

但在传统的研发流程里，如果你想在这样的机器上验证一个磁性材料的相变过程，你需要先把物理文献里的哈密顿量（Hamiltonian，描述系统总能量的数学算符）推导出来，再把这些哈密顿量翻译成冗长的底层控制代码。这一步非常考验研究员的交叉学科背景。

现在，Pasqal引入了一套基于大语言模型（LLM）的智能体工作流。该团队把Anthropic公司的Claude Code编程智能体架设在自家成熟的软件栈之上——脉冲序列设计库Pulser、基于矩阵乘积态的含噪模拟器emu-mps、以及Pasqal云SDK。

整个流程被拆解为六项模块化技能：从文献中提取实验协议、编译成原子排布和激光脉冲序列、无噪声模拟验证、按真机当前噪声参数做含噪模拟、提交真机执行、回收数据并做科学分析。

图：从科学文献到硬件实验的AI工作流

基于这一框架，研究人员只需把一篇描述某物理现象的最新PDF论文喂给系统，用自然语言下达指令：“帮我验证一下这篇论文里的三维阵列模拟结果”。

接下来的事情就交给了AI。智能体首先会扮演“物理分析师”的角色，提取文献中的哈密顿量参数；接着，它会切换到“量子程序员”的身份，自动调用Pulser库编写代码。

更厉害的是，这个智能体具备自我纠错的循环机制。它会先在一个经典的量子模拟器上跑一遍“虚拟测试”，绝不会直接把没验证过的代码丢给千里之外真实的量子计算机。

如果代码报错，或模拟出来的物理参数与预期不符，智能体会读取错误日志，自己分析并修改代码，然后再试一次。直到虚拟测试完美通过，它才会将任务通过云端API发送到位于沙特阿拉伯宰赫兰或是加拿大谢尔布鲁克的真实量子物理实机上。

根据该团队的测试，应对一些基础的一维或二维晶格自旋模拟时，智能体展现出了对底层硬件约束条件的掌握力。

但在处理受限于当前云端节点算力的三维模拟时，智能体还能准确解释为什么由于物理机量子比特总量的限制，当前任务无法执行。

这种带有专家级诊断判断的交互，正是“Vibe Coding”能在量子领域落地的关键所在——它不仅是代码生成器，更是能够理解量子硬件物理极限的协同研究员。

智能体的两次失误

研究团队设计了三组案例验证这套智能体的能力。

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。

图：一维Z₂密度-密度关联函数复现结果

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，直接基于Pasqal一份专利得到迭代Rydberg独立集剥离的图着色快速算法。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。

产业生态的协同推进

Pasqal这套工作流证明了AI智能体能够打通从文献到真机的链路，但它不是个例。全球还有两条不同技术路线的相关研究，分别从量子代码生成数据集、混合量子-高性能计算调度协议两个方向，完善量子Vibe Coding的底层基础设施。

纽约大学阿布扎比分校的Nouhaila Innan及其团队发布了PennyLang数据集，共3347个PennyLane框架专用的量子代码样本，附带上下文描述，从GitHub仓库、教科书和官方文档中筛选整理。

他们还建立了基于检索增强生成（RAG）的评估框架，在264个测试用例上评测了多个大模型。

结果显示，开源模型Qwen 7B在引入RAG后，代码生成成功率从8.7%提高到41.7%；LLaMa 4从78.8%提高到84.8%。值得注意的是，商业模型如Claude 3.5 Sonnet在无检索条件下已可达95.1%的成功率，RAG带来的边际增益有限，甚至可能因检索噪音而轻微退化。

早稻田大学的Masaki Shiraishi团队则从另一个方向入手。他们开发了基于模型上下文协议（MCP）的量子执行服务器，在日本AIST的ABCI-Q混合量子-经典超算平台部署。

这套系统让AI智能体通过标准化接口，以自然语言提交任务，自主生成OpenQASM电路，选择后端（GPU模拟器或量子硬件），并通过PBS作业调度系统提交至计算节点。

图：两阶段PBS批处理架构

其测试包括3-qubit GHZ态制备与测量，QAOA期望值的计算等。在定量评估中，QAOA任务在运行5次成功率100%，GHZ任务运行8次，6次成功，失败原因为JSON格式输出错误，并不是量子逻辑错误。

AI智能体正在重构量子计算的入口

事实上，在全球量子计算产业链上，从科技巨头到量子初创企业，都在加速把AI智能体嵌入量子计算的操作层。

例如，IBM主导了一项AI驱动的量子算法发现项目，其中，智能体从大量科学文献中自动阅读、识别与已验证量子算法匹配的现实问题，进行大规模候选筛选，再交给人类专家验证。

IBM Research金融服务全球应用负责人表示，最近在量子研究中智能体变得非常有价值，它可以帮研究人员研究不同的量子电路和算法，识别最优的编译策略。

谷歌是在硬件控制层面推进AI自主化。其在《Nature》期刊上发表的最新成果，把强化学习与量子纠错结合，使自主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，无需中断计算。这套方案在Willow处理器上将逻辑错误率额外降低20%，达到每千次纠错循环不足一次的历史最低水平。

另外，谷歌的AlphaEvolve编程智能体也在量子芯片层面发挥作用。它为Willow处理器设计的电路方案，相较传统优化方法，错误率降低了整整10倍。

国内企业也在快速跟进。2026年7月世界人工智能大会上，图灵量子发布行业级量子-经典混合Agent平台QAgent，这是全球首个面向产业应用的量子计算智能体平台。

QAgent打通了“自然语言输入—任务拆解—量子Agent协同调用—算力调度—结果输出”的端到端闭环，用户不用掌握复杂量子物理、编程知识，用自然语言描述业务目标就可以调用光量子真机算力。

同时，初创公司幻码跃迁也在7月完成数千万元种子轮融资，聚焦量子计算与AI融合，定位为“国产量子计算系统级软件与应用解决方案提供商”。

显然，AI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。

不过我们需要注意的是，当下工具的潜力巨大，但AI智能体暂时还不能称得上是一个“完全自主的科学家”，更多的还是人和AI协同发展。

[1]https://www.nature.com/articles/d41586-026-02495-4

[2]https://arxiv.org/abs/2607.25834

[3]https://arxiv.org/abs/2503.02497

[4]https://arxiv.org/abs/2604.08318

[5]https://finainews.com/strategy/bmo-ibm-weigh-in-on-agentic-ai-quantum-synergy/#jeg_loginform

[6]https://www.36kr.com/p/3800598078430208#1

[7]https://www.zhiding.cn/ai/2026/0723/3194247.shtml