让人工智能当科学家，听起来像科幻小说，如今却正在真实的实验室里上演。

今年8月，一家量子计算公司用人工智能工具以氛围编程的方式开展量子研究。同一个月，Anthropic与哈佛背景的量子计算企业QuEra合作，让Claude在一台真实的量子计算机里锁定并调节激光。到了9月，OpenAI与麻省理工学院的一个量子实验室宣布，把模型接入实验软件，让它独立运行并迭代超导量子芯片上的测量实验。

人工智能似乎已经可以走进实验室，亲手操作仪器了。可一个尖锐的问题随之而来：它做的实验，靠得住吗？

量子实验室容不得一次失手

量子硬件昂贵又脆弱。稀释制冷机降温一次要花好几天，量子比特的相干时间只有几十微秒。 智能体一次误操作，就可能让芯片报废，或者让团队几个月的工作付诸东流。

因此，仅仅给出一个正确的最终答案远远不够。真正重要的是，智能体有没有做该做的实验、是否理解手里的数据、能否在恰当的时候停手，以及它的结论是否建立在亲手采集的证据之上。

新加坡国立大学、南洋理工大学和研究机构GaugeForge组成的联合团队，为此提出了可验证自主性的概念，相关论文已以预印本形式公开。它的核心意思很简单：结论必须由执行过程中产生的证据来支撑。 研究者的判断是，能力已经不是瓶颈，可靠性才是。

在真机上反复考试成本太高，研究团队选择先给人工智能搭一个足够逼真的模拟考场。

为了检验这一点，团队搭建了一个名为量子港的虚拟量子实验室，号称按照真实物理规律一比一复刻。智能体可以在里面阅读硬件手册、翻看前人的实验记录，也能调用常见的量子编程和测量工具。后台还藏着一个影子容器，模拟超导量子比特、中性原子阵列等硬件。相干时间、读出误差、噪声关联等关键参数都被藏起来，智能体看不到。

在此基础上，资深量子工程师设计了49道考题，组成测试集。题目从底层硬件控制、微波脉冲设计，到量子纠错解码器校准，再到一个60量子比特代理模型的优化，覆盖了量子计算技术栈的五个层级。

评分方式也与众不同。它要看结论是否有此前采集的数据支撑，要看智能体在已经拿到最优解后是否还在白白浪费预算，还要看它的策略能否在一套全新的隐藏噪声背景下依然成立。

参赛的智能体一共17个，包括OpenAI的GPT-5.6系列、深度求索V4系列、Anthropic的Claude Opus和Haiku，以及通义千问、混元、Kimi、智谱和字节跳动的模型。

高手过招，差距一目了然

成绩出炉，差距大得惊人。排行榜上最高通过率为78%，最低只有3%。

在普通排行榜上看起来不相上下的模型，一旦面对需要严密逻辑链条和可验证自主性的任务，立刻拉开了距离。GPT-5.6和Claude Opus两个系列明显领先，其余多数模型集体失手。

一道关于晶格手术的题目最能说明问题。这种技术通过拼接量子纠错中常用的表面码，来实现两个逻辑比特之间的受控非门操作。出题人故意在实验记录里埋了一条过时的数据，它没有考虑拼接后边界上出现的相关噪声。

最强的智能体没有被旧记录误导。它意识到拼接可能引入新噪声，于是重新测量融合后的状态，提取出真实的噪声关联，再重新校准解码器。最终，它在隐藏验证集上把每轮纠错的错误率压到了万分之6.65左右。

另一道60量子比特的黑箱题则让许多模型原形毕露。智能体需要在固定预算内，为40组新的隐藏输入预测1770个两比特关联。

失败者大致分三类。有的漫无目的地采样，把预算挥霍一空。有的只测了少量数据就过度自信，对新数据预测失准。还有的陷入代码报错的死循环，直到3小时时限用尽，只能交上一份白卷。

这些错误，像极了人类实验员在实验室里犯过的错。 而顶尖模型偶尔闪现的老练，又让人看到了人工智能科学家的希望。

当然，虚拟实验室终究不是真实的实验台，这项研究目前也还是预印本，结论有待同行进一步检验。

这项测试给出的启示很清楚：判断人工智能能否胜任科研，不能只看它会不会答题，更要看它是否知道自己为什么这样答，以及何时应该停下来。

你觉得AI能独立做科研吗？它最该补上的是能力还是可靠性？评论区聊聊你的看法，也转发给关注AI发展的朋友一起讨论。