Claude 跑了 53 小时设计量子电路：人没写答案，写的是判卷程序

先说结论：Anthropic 这次的 53 小时，不是一个智能体醒着干了两天两夜，而是一个闭环转了 53 小时：模型写一版电路，判卷程序打分，模型拿着分数再改。人在这件事里没有消失，只是挪了位置，从「做题的人」变成了「出题和写判卷程序的人」。这套办法能搬到多少别的工作上，取决于那份工作能不能写出一个便宜、客观的判卷程序。

发生了什么

10 月 16 日（北京时间 17 日凌晨），Anthropic 发布研究文章，配套论文 10 月 15 日挂上 arXiv。论文作者是 Anthropic STEM 研究员项目的 Andi Gu、Anthropic 的量子物理学家 Alek Kemeny，以及哈佛大学的 Susanne Yelin 和 Mikhail Lukin。下面的数字都来自这两份材料，属于作者自报，论文是预印本，尚未经过同行评审。

他们给 Claude Mythos 5 八道量子电路设计题，覆盖化学、优化、量子模拟、数论和数值计算。量子计算机的两样资源都很稀缺：一是量子比特（qubit）的数量，二是要执行的「门」的数量，门越多，算得越久。所以每份设计按「量子比特数 × Toffoli 门数」打分，越低越好。Toffoli 门是最贵的门之一，业内常用它的数量估算运行时间。

论文摘要的说法是：八道题里有七道，Claude 找到的电路在量子比特数和 Toffoli 门数上都明显少于已发表的最好设计；第八道是椭圆曲线上的「点加法」，Claude 找到了一种新的可逆结构，代价和收益是交换出来的：其中一版比此前量子比特最少的设计多用 12% 的量子比特，门数少 17 倍。Anthropic 文章称这是第一个不需要存储分支历史的 divsteps 可逆实现（divsteps 是普通计算机上做模逆运算的一种算法）。另一道题是一种量子优化算法里最贵的解码步骤，Claude 的设计比 Google 此前的构造少约 12 倍的门。

53 小时说的就是点加法那一次运行。按 Anthropic 的描述，运行过程中人工输入只有两样：开头一段话的说明，以及中途偶尔提醒它「想得更宽一点」。

53 小时里，每一轮到底在干什么

把这件事当作一个产品流程来拆，步骤其实很清楚。

第一步，人出题。 每道题有一份手写的任务说明：电路要算什么、怎样算对、按什么打分。论文特别写了一句：任务边界、输入分布、数据表示和准确率目标，这些让搜索「可做」的选择，同时也把「这块电路在更大的算法里怎么用」的假设写了进去。换句话说，题目本身就是人的判断。

第二步，人写判卷程序。 Claude 写的不是电路图，而是生成电路的 Python 程序。判卷程序检查结果对不对、数资源、打分。论文写明，模型除了每次提交后拿到的反馈，接触不到判卷程序本身，论文展示的提示词里也写着：以判卷程序的结果为准。输入太多查不完时，判卷程序随机抽样检查，给出的是统计上的把握，不是逐个穷举。

第三步，模型先发散，再各自打磨。 开局要求 Claude 提出几种思路完全不同的方案，每种方案自成一族，并行改进；表现好的方案定期在族之间交换。这套搜索框架用的是开源项目 OpenEvolve，它的仓库介绍自己是 AlphaEvolve（Google DeepMind 的系统）的开源实现。

第四步，每一轮都是新会话。 这是最容易被「53 小时」掩盖的细节。论文写明，各轮之间不共享一段越来越长的对话：每一轮开一个新的智能体会话，拿到任务说明、一份要改进的程序和它的评分反馈，再加上档案库里的其他程序、早先尝试的摘要和模型自己记下的心得。模型看不到完整的搜索历史。会话里它可以在测试输入上试跑草稿、向一个普通程序查询指定输入的正确输出，也可以把小任务交给子智能体。真正跨越 53 小时的记忆，是那个档案库，而不是模型的上下文。

第五步，人在两个地方接手。 Anthropic 自己写了一个局限：早期实验里 Claude「天性保守」，会反复怀疑已经成立的改进，倾向于沿用熟知的方法。他们的对策就是上面两条：硬性要求并行提出不同方案，以及偶尔提示它放宽搜索。也就是说，那几句「想宽一点」不是客套，是在纠正模型的一个已知倾向。

还有一处值得单独记下：解码那道题里，为最坏情况预留存储要 665 个量子比特。Claude 写了一个模拟器，跑了 4.03 亿次解码，发现几乎每次最多只需要存一个值，于是只预留 19 个量子比特，代价是大约每一万次有一次失败。这个失败率之所以能接受，是因为任务说明里事先写了允许的错误率。能不能拿失败换资源，是人定的。

为什么重要

本站今天写过四个 Gemini 智能体通关《我的世界》，那件事的关键是过程能不能查账。这次的关键在更前面：结果由谁来判。

在量子电路这道题上，有三个条件同时成立：设计能写成代码；对不对能由普通计算机检查；好坏有一个客观的分数。Anthropic 在文章里也是这样解释为什么挑这道题。有了这三条，「人不用守在旁边」才说得通，因为每一轮的错都会被判卷程序当场拦下，不需要人逐版审。

我们读材料的感受是，对做智能体产品的人来说，可以带走的不是「模型能连续工作两天」，而是这套分工：人负责把题目写清楚、把判卷程序写对、把允许的误差说出来；模型负责在这个框里尽量多试。越是写不出判卷程序的工作，比如一份需要拿捏分寸的合同、一次要看对方脸色的谈判，这种长时间无人值守就越难照搬。

Anthropic 拿八年和 53 小时作对比：化学分子 FeMoco 的模拟成本估算下降约 15 万倍，花了许多研究组八年；而点加法的新设计来自一次 53 小时的运行。这个对比是 Anthropic 给的，两者衡量的不是同一件事，前者是一条研究线上多次改进的累积，后者是一道题上的一次搜索，读的时候要分开看。

我们的看法

我们的看法：这项研究证明的是「有好的判卷程序时，模型能在里面长时间自己改进」，而不是「模型可以在任何工作上无人值守 53 小时」。人最难被替换的那一步，恰好是写题目和写判卷程序，这一步决定了搜索往哪里走、什么样的失败可以接受。依据是论文对每轮会话结构、判卷方式和人工提示的描述。如果之后出现同样长度、在没有程序化判卷的任务上取得可验证成果的报告，或者有人复现时发现人工干预远多于文中所写，我们会修正这个判断。

我们不知道什么

• 这次运行花了多少算力和词元。两份材料里我们没有找到费用或调用次数。
• 「偶尔提醒」具体有几次、在什么时候。文章只说人工输入限于开头说明和偶尔的提示。
• 结果能否被独立复现。论文是预印本，电路资源数是作者用自己的判卷程序算出来的。
• 这些设计离实际运行还有多远。两份材料给的是资源估算，没有在量子硬件上运行的结果；纠错、控制等其他部件也会影响最终成本。

接下来看什么

• 论文作者是否公开任务说明和判卷程序，让其他团队在同样的题上复现或比较。
• Anthropic 文章提出一种可能：把同样的方法用到纠错码、解码器和硬件控制等部件上，甚至联合优化。按它的说法，这些部件同样能写成代码、检查对错、按成本打分，值得留意是否出现下一批结果。
• 其他公司的智能体产品是否开始把「自定义判卷程序」做成用户能配置的一项，而不只是让模型跑得更久。