量子计算硬件的工程化进程中，量子比特校准长期占据研究人员大量时间。每一次芯片上电测试，都需经历频率扫描、脉冲优化、串扰修正等一系列相互依赖的测量步骤，每个结果决定下一步的参数选择。这套流程高度重复、耗时密集，恰恰是AI智能体最适合切入的场景。
2026年9月，OpenAI发布案例研究，披露MIT工程量子系统研究组（EQuS）的研究生Beatriz Yankelevich将GPT-5.6 Sol通过Codex智能体框架接入实验室硬件控制系统，在一块包含6个超导量子比特的未校准芯片上，完成了从参数推断到脉冲发射、数据采集、降噪分析再到实验决策的全自主闭环。
超导量子比特校准的工程瓶颈
超导量子比特是目前主流的量子计算物理实现方案之一。这类量子比特需要被放置在稀释制冷机中，冷却到接近绝对零度（约15毫开尔文），以维持量子态的相干性。研究人员通过微波脉冲序列控制量子比特在不同能级之间的跃迁，并探测其量子态。
校准这套系统的难度在于步骤之间的耦合性。第一步需要找到每个量子比特的跃迁频率，这个频率决定了后续所有微波脉冲的载波频率。第二步是优化读取脉冲参数，使得量子态测量的信噪比最大化。第三步是测定T1（能量弛豫时间）和T2（相位相干时间）等关键指标。每一步的参数选择都依赖前一步的测量结果，任何一步的偏差都会向下游传播。
据OpenAI案例报告描述，有经验的研究人员能够辨别发生漂移的量子比特状态或异常实验信号，但这种「软控与重复测量决策」的场景尤其适合AI介入。（来源 OpenAI案例研究，2026年9月）
量子比特校准就像给一架有六根弦的钢琴调音，但每根弦的音高会随温度微变，调准一根弦的过程可能让另一根弦轻微跑调，调音师必须在六根弦之间反复来回，每一步都根据上一次的听音结果调整下一次的手法。人类调音师能做到，但耗时长、精力消耗大；如果有一个不知疲倦的助手能在明确规则下自主执行这个来回过程，效率就能大幅提升。
Codex接入实验室，从API到微波脉冲
Yankelevich的方案核心在于将GPT-5.6 Sol的API直接打通实验室硬件控制系统。她通过Codex为AI注入了「实验上下文」，包括实验装置细节、芯片设计图、特定测量技能包。这些技能包包含模板代码、常见物理失败原因、成功与失败的图表样例，相当于给AI配备了一套标准操作规程。
在硬件层面，从控制软件到微波信号源再到数据采集卡，全部向AI开放访问权限。GPT-5.6 Sol直接调度真实物理设备而非运行在模拟环境中。这种「数字大脑+物理手脚」的架构，使AI能在接收实验目标后自行规划测量参数，调用控制软件发射微波脉冲序列，接收返回的微弱量子态反射信号，再对数据进行清洗、拟合与傅里叶变换。
Codex框架的关键价值在于它将大模型的推理能力封装为可执行动作。传统实验自动化通常采用脚本固化流程，遇到异常只能报错等待人工介入。而Codex智能体具备思维链推理能力，能够根据当前数据状态动态调整下一步策略，信号清晰时快速推进，信号异常时自行扩大扫描范围或调整测量参数。
六比特芯片的自主测量闭环
测试芯片是一块包含6个超导量子比特的新芯片，其中4个是固定频率量子比特，2个是可调频率量子比特。芯片的物理参数完全未知，AI必须根据设计目标自行探索真实的物理参数。
在几乎没有研究人员干预的情况下，Codex完成了标准测量序列的完整流程。第一步，识别6个量子比特的跃迁频率，每个量子比特的共振频率落在5GHz至6GHz区间的不同位置，AI通过宽带频率扫描定位峰值信号。第二步，校准用于控制和读取的微波脉冲参数，包括脉冲功率、持续时间和包络形状。第三步，确定量子比特保持量子信息的相干时间（T1和T2）。
整个过程中，GPT-5.6 Sol的思维链实时输出推理过程。它根据芯片设计目标推断首轮测量的微波脉冲频率、功率和宽度范围；然后直接调用控制软件，操纵硬件向稀释制冷机深处的芯片发射脉冲序列；接收返回信号后，对数据进行拟合与傅里叶变换以提取物理量；如果信号达标，自动提取共振频率存入数据库作为下一步基准；如果数据异常，则当场调整测量边界，开启新一轮试错。
OpenAI案例报告指出，在流程明确、信号清晰的常规实验中，AI已经能够自主完成相当一部分工作。（来源 OpenAI案例研究，2026年9月）
信号噪声边界，AI的能力天花板
实验并非一帆风顺。信号强度与噪声水平对GPT-5.6 Sol的处理效率有显著影响。在低信号强度或大噪声的环境下，找到合适的测量参数需要更长时间，有时还需要研究人员介入指导。这一边界揭示了当前AI自主实验能力的真实状态，它擅长在信号明确的参数空间中快速搜索，但在信噪比恶劣的边缘场景中，仍缺乏人类研究者凭借物理直觉做出的判断。
模型与实验物理之间的适配尚未成熟。人类研究者的「直觉」就是长期实验积累的模式识别能力，看到某个异常峰形就能联想到串扰来源或驱动功率溢出。这种隐式知识目前以技能包形式部分传递给AI，但颗粒度仍有差距。
从数据辅助到自主实验的范式跃迁
这次实验的深层意义在于科研范式的转换。过去十年，AI在科学领域的角色主要是数据处理和模式识别，从基因组序列预测蛋白质结构、从天文图像识别星系、从材料光谱推断成分。这些场景中，AI处理的是已采集好的数据，实验本身仍由人类设计和执行。
GPT-5.6 Sol在MIT量子实验室的角色发生了本质变化，AI不再只处理数据，而是直接参与实验设计、硬件控制和决策反馈。它根据当前结果决定下一步测量什么、用什么参数、如何判断数据质量。这构成了「感知-决策-执行」闭环，与工业自主控制系统架构高度同构。
对量子计算产业而言，校准效率的提升直接转化为研发周期缩短。当前超导量子计算正处于从几十比特向几百比特扩展的工程化阶段，比特数量增加后，校准复杂度近似平方增长，每增加一个比特，需排除它与所有已有比特之间的串扰。50比特系统的全量校准单次可能耗费数天人工。如果AI能将其中60%以上的常规测量自主完成，研究人员就能集中于异常诊断和新实验设计。
从更宏观的视角看，OpenAI与MIT的合作释放了一个信号，大模型在硬核科学领域的落地路径，已经从「帮人分析数据」走向「替人跑实验」。这条路径的终点是一套可复用的智能体实验框架，只要技能包适配，同一架构理论上可驱动材料科学、低温物理等领域的自主实验。
