凌晨2点不用修激光锁了！Claude接管激光控制，6秒内修复故障

2026年8月27日，QuEra宣布Anthropic的AI智能体Claude在“模型硬件标准”（Model Hardware Standard，MHS）研究预览框架下，自己完成了量子计算机激光系统控制软件的编写工作，并完成自主验证。

结果显示，在没有告诉AI智能体系统故障的具体原因的情况下，AI智能体可以在700次有限测试中将激光系统695次恢复到目标状态，恢复率达99.3%；大多数故障可在6秒内完成恢复，最复杂的故障恢复需要约10-14秒，而人工专家通常需要5-10分钟。

“多年来，量子计算机规模化最难的不是物理，是凌晨两点开车去修理激光锁的人，”QuEra Computing量子系统副总裁Sergio Cantu说。“我们基于模型硬件标准建立了一个解决方案来解决这个问题：锁在几秒钟内自我恢复，每次都经过验证，捕捉到那些容易被人工忽略的噪音。我们正在建造能够自我修复的量子计算机。”

QuEra计划将这个AI驱动的自动化扩展到其量子计算机的其他复杂子系统中，减少对专业人员的依赖并降低成本。

最难的不是物理，是凌晨两点的激光锁

量子计算机不是插电即用的黑盒子。比如QuEra的中性原子路线，要用锁定在精确频率上的激光来操控原子量子比特，频率精度要到约千分之一纳米的量级。

但是激光很脆弱。温度波动、振动甚至是人员走动带来的气压变化，都会让激光的频率漂移。当漂移超过阈值，反馈回路失效，锁断开，计算就会戛然而止。

这在过去意味着是一场与时间的较量。开头那段由QuEra Computing量子系统副总裁Sergio Cantu说的话道出行业的真实痛点：“多年来，量子计算规模化最难的部分不是物理，而是凌晨两点开车去修激光锁的人。”

QuEra此前做了多年的常见扰动自动重锁，其256量子比特生产QPU Aquila在Amazon Braket上运行率已超过99%。但是遇上那些罕见但致命的复杂故障还是要依赖专家，始终没有实现自动化。一个四人专家团队需要用2-3周时间为特定故障编写恢复脚本，且只能处理他们能预见到的那些故障。

这种模式在实验室里还可以维系，但当量子计算机部署到客户的数据中心变成7x24小时运行的算力基础设施时，专家的时间和物理距离就成了无法逾越的瓶颈。

当AI接管激光

把同样的问题交给Claude就完全不一样了。MHS给代理提供了一个专用测试平台，让它自己提方案、上真机试、读结果、再迭代，这个过程循环连轴转，包括通宵，覆盖了数百个此前没有人手处理过的故障案例。

验证数据官方新闻写得很清楚，在包括7种故障类型的700次限时试验中，Claude的系统恢复目标达695次，成功率99.3%。还有就是速度和质量。常见故障恢复中位时间是0.9-5.4秒，即使是最难处理的“模式跳变”故障也只需要10-14秒就能恢复，而人类专家需要5-10分钟才能恢复。

不成功的时候它也不虚报成功，5次失误被归因于台架状态而非软件逻辑。测试台就放在正常运行的实验室里，试点期间激光自动跳模43次，全部被自动接住并回收。

更关键的是第二步。当团队让AI优化激光锁定质量而不仅仅是恢复的时候，它更是把残余噪声降低了五倍，并且在大约19小时无人值守运行中消除了之前每小时1.6次的失锁现象。在一台独立的、不受AI影响的仪器上测量，其调校结果和资深专家持平，并修正了人工调校导致的隐藏在220kHz附近的隐藏共振。

随后，QuEra让AI智能体把这套方法迁移到第二个工作波长。该智能体在一次无人值守的夜间运行中，从零开始计算新的操作参数，调出的锁定状态比原先安静约10倍，并通过验收测试，类似的工作过去需要花费数周的现场调试。

QuEra社长北川拓也的说法是，客户期望整台机器、每一个子系统都能在专家不在场的情况下自行运转，这次试点让“让机器保持最佳状态”这件事变简单、变便宜了。

MHS：AI“接管”物理设备的第一套协议

这件事的技术母体是MHS。

MHS最初是Anthropic和HHMI Janelia Research Campus合作的一个项目，目前处于有限研究预览阶段，QuEra是参与者之一。Anthropic给出的项目目标是让AI智能体安全操作物理设备的共享规范，第一批覆盖科研实验室和先进制造：显微镜、液体处理工作站、机械臂、量子计算机的激光校准。

MHS实际上就是把实验室和工厂里无法兼容的设备，抽象为一套统一的、可读写的状态字典，AI智能体通过这套接口去发现设备、读取运行数据、下发控制命令。Anthropic技术团队成员之一Alek Kemeny有个说法：MCP给软件世界做的事情，MHS要给物理世界做一遍。

不过，这次的接口有MCP、命令行、代码文件（API）这三种，说明MHS是模型无关的，任何Agent harness都可以通过标准协议接入MHS。换而言之，QuEra这次用的是Claude，但标准本身不绑定Claude，它瞄准的是整个实验科学仪器的“USB-C”时刻。

具体到QuEra这次研究，MHS让Claude在专用测试平台上自己跑闭环：提出方案、在硬件上尝试、读结果、优化，连续通宵运行，覆盖百余种失败情形。

这里的一个关键设计是产出物是一个常规的、完全可检查的程序，不是运行时做决策的模型；设备在标准内声明边界、联锁、急停，智能体默认在这些范围内运行。工程上来说是“AI写控制代码、确定性程序跑在线”，不是塞模型进伺服环。

AI for Quantum

从宏观角度来看，QuEra这一步已经落在了AI for Quantum这一条清晰的主线上，也就是用AI解决量子计算机本身的工程瓶颈。

Google是这条线推进最密集的公司之一。2024年11月，Google Quantum AI和DeepMind联合在《Nature》发表AlphaQubit，用基于Transformer的神经网络做量子纠错解码，比起张量网络方法错误率低了6%，比相关匹配低了30%，并在最高241比特的模拟系统上保持优势。

2024年12月，Willow芯片首次在实验中验证了“低于阈值”的纠错，码距从5扩大到7，逻辑错误率下降约2.14倍，逻辑比特寿命291微秒首次超过最佳物理比特的119微秒。

今年7月，Google Quantum AI和DeepMind再次合作，在《Nature》发表用强化学习做处理器自校准的工作：强化学习智能体利用纠错过程本身产生的探测事件实时调优超过1000个控制参数，把逻辑错误率的稳定性提高了3.5倍，并创下码距7表面码每周期7.72×10⁻⁴逻辑错误率的新纪录。

Google的表述相当直白：要造一台“从自身错误中学习、永不停止计算的量子计算机”。

微软则在硬件上给出另一个样本。该公司6月初发布的拓扑量子芯片Majorana 2，号称借助微软Discovery智能体AI辅助，量子比特可靠性比前一代提升1000倍，平均量子比特寿命达到20秒，基于此把可扩展量子计算机的预期时间表提前到2029年。

法国Pasqal的研究人员最近展示了AI智能体根据自然语言指令生成量子计算代码并自动在真机上运行，把4天的工作压缩到1天。

还有就是，NVIDIA今年推出了Ising，这是首个开源的量子AI模型家族，涵盖关键量子工作，包括用于自动化量子处理器快速调优的Ising校准，以及加速量子纠错所需的实时解码的Ising解码。

NVIDIA Ising采用名单已经覆盖了Atom Computing、Infleqtion、IQM、IonQ、哈佛大学、费米实验室等。英伟达创始人、首席执行官黄仁勋表示：“AI对于实现量子计算的实用化至关重要。借助Ising模型，AI将成为控制平面——量子机器的‘操作系统’——可以将脆弱的量子比特转化为可扩展且可靠的量子GPU系统。”

此外，中国科学技术大学等组成的团队利用AI模型生成全息图，快速构建无缺陷原子阵列，解决了中性原子量子计算规模化的核心瓶颈之一，将原子阵列重排时间压缩至60毫秒，支撑了迈向“万原子时代”的可能。

显然，AI正在成为量子领域的“得力助手”。

不过我们需要注意的是，当下工具潜力虽巨大，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.quera.com/press-releases/quera-computing-uses-ai-to-automate-a-critical-quantum-computer-subsystem-enabling-the-acceleration-of-commercial-grade-quantum-computing-deployments-from-quera

[2]https://www.quera.com/blog-posts/holding-the-light-teaching-an-ai-to-lock-and-tune-our-quantum-computers-lasers

[3]https://quantumzeitgeist.com/anthropic-ai-tunes-quantum-lasers-queras/

[4]https://www.nvidia.com/en-us/solutions/quantum-computing/ising/?trk=article-ssr-frontend-pulse_little-text-block

[5]https://explainx.ai/blog/anthropic-model-hardware-standard-mhs-research-preview-august-2026