2026年4月，北京中科国光量子科技有限公司（简称“国光量子”）做了一件挺有意思的事：让AI自己跑完了一场量子计算实验。
研究员只在最开始说了一句话，最后看到一份完整的实验报告。中间所有的代码编写、任务提交、结果整理，全部由智能体一手接管。从坐到电脑前到看到结论，前后只花了几分钟。
这条路线走通以后，原本只有少数人能坐到机器前的量子实验，离更多人又近了一步。国光量子也借这次机会，把一段时间里关于“AI怎么和量子结合”的思考整理出来，分享给愿意了解、愿意一起往前走的朋友。
离我们最近，也离我们最远
量子计算这两年总是频繁出现在公众视野里。每次有新成果发布，热搜上都能看到它的影子。可热度归热度，真想往里走一步，大多数人都会被挡在门外。
对一般读者来说，叠加、纠缠、退相干这些词，光是字面就够劝退。展厅里的图文展示也帮不上太多忙——看完只记得“很厉害”，至于厉害在哪、怎么用、和自己有什么关系，还是模模糊糊。一段视频看完，知识点就和水汽一样转眼就蒸发了。
对研究员来说，门槛在另一个地方。一次实验要把算法、编程、平台操作、任务排队、结果分析挨个走一遍，每一段都不算难，加在一起就够把许多有想法的人卡住。再加上量子计算机本身造价不低、机时紧张，能真正坐到机器前的人很少。很多原本完全可以做出来的研究，就这样卡在了门口。
公众这边缺一个听得懂的入口，研究这边缺一个跑得通的助手。两件事看着无关，其实指向同一种解法——让AI走进量子实验室，把过去需要经验、耐心、长时间训练才能完成的事情，先帮人做掉一大半。
让量子从展厅走向工作台
把这条路打通，最直接的好处是把量子从“看一看”变成“试一试”。
过去介绍一个量子算法，往往要从几页公式开始讲。现在用户给一个词语，系统当场写代码、跑实验、解释结果，几分钟就能完整过一遍。对象从专业听众扩展到任何感兴趣的读者。一场演示，有时候比一节课更能让人理解量子到底在做什么。中学生、大学生、企业员工、家长带着孩子，都可以亲手按下那个“运行”键，看着真实的量子机器为自己跑出一组数据。
研究端的变化更值得说。以往一次小实验，从查资料到出报表，熟手要忙两三个小时，新手一整天也未必搞得定。这里面真正需要思考的部分其实不多，大把时间消耗在重复劳动上——同样的代码反复改，同样的格式反复贴，同样的图表反复画。把这些环节交给AI以后，研究员把心思放在判断、设计、优化上，剩下的事让机器去做。
把眼光放长一点，这两条技术线本身的结合就值得期待。AI和量子都是当下最受关注的方向，把它们打通，不是简单的相加，更像是给量子计算装上一台AI发动机——让原本沉重的实验流程跑得更快，也跑得更远。
一句话开始的实验
我们这次把目标定得很克制：用户提出一个与变分量子线路相关的任务描述——这类做法在量子机器学习里很常见，也被很多人看作量子算力将来可能参与大模型训练的一条重要思路——系统便能够自动完成一个小规模的量子计算实验，再给出一份人人都能读懂的报告。听起来只是一句话的事，但对于人类学者而言，完成这一切可能需要很长时间的知识积累。
这个任务的整体流程如下：
首先是程序设计。研究员不用写一行代码，只要在对话框里说出实验目标，智能体就会调动背后的大模型，写出一份完整的实验代码，里面既有算法说明，也有可执行的程序，和资深研究员手写的版本看上去几乎一样。代码生成的过程，研究员可以全程旁观，也可以中途打断、追加要求——它更像一个能听懂中文的助手，而不是一个冰冷的脚本生成器。
接下来是任务提交。代码不会停留在本地，而是直接送往真实的量子计算机。排队、运行、状态查询、超时重试都由智能体一手安排，研究员不用反复刷新页面盯进度。哪台机器空闲，它会自己挑；哪台机器在维护，它会自动换一台；遇到任务卡住，它会先尝试自己解决，处理不掉再来找人。
最后是结果分析。运算完成后，数据回到智能体的工作环境里，由它把测量结果画成图表、和理论值做对比、整理成一份图文并茂的实验报告。这份报告可以直接看，也能导出成常见的文档格式，发给同事、贴进论文、放进汇报材料里都没问题。
整个过程从问出问题到看到结论，几分钟之内完成。研究员只在最初提需求和最后审报表两个时刻露面，中间所有的工作都跑在自动化的轨道上。看着AI按部就班地把这些事一件件做完，那种感觉有点像第一次用上自动驾驶——你还坐在车里，但脚已经从油门上挪开了。
不只是演示，是真的能用
类似的“AI加量子”演示市面上并不少见，多数停留在仿真层面——看上去漂亮，离真实场景还有不小的距离。我们这次想做的，是把它变成研究员真的能用上的工具。
在智能体这一侧，我们选用了近期讨论度很高的OpenClaw（大家也叫它“小龙虾”）作为面向研究员的AI客户端。它可以把对话、写代码、跑任务、看结果串在同一条线上，也能够定时执行自动化任务，还能够不断扩充新的技能包。我们认为它可以成为一个面向科研的总入口：量子实验要真正自动化，先得有一个靠得住、能干活的智能助手。
在大模型这一侧，我们没有押宝某一个模型，而是市面上几款主流大模型都接了进来，根据任务不同，让最擅长的那个去做最合适的事。文献查找、代码编写、数据分析、报表撰写，每一步都有更合适的“专家”上场，而不是让一个模型从头干到尾，最后变成“哪儿都行，哪儿都不出彩”。
在量子这一侧，我们坚持用真实的量子计算机做实验，而不是模拟。模拟器跑得通的算法，在真实机器上未必跑得通——因为真实环境里有噪声、有误差、有各种工程上的不完美。只有让算法直面这些不完美，结果才有研究价值。对教学和验证来说，把学生带到真实的机器前，比给他们一个理想环境的演示要有分量得多。
在自动化这一侧，我们把整条流程做成了闭环。研究员可以让系统在凌晨自动跑一批参数对比，第二天上班直接看汇总；也可以把一次实验的所有产出——代码、数据、报告——打包归档，方便日后复盘。自动化不是把人甩开，而是让人留在最该出现的位置上。
我们想走得更远
做出这套方案之后，国光量子对自己在量子领域的位置也有了更清楚的认识。
从行业角度看，我们没有把这套能力锁在自己的系统里。选择开源生态作为底座，意味着合作伙伴、高校团队、独立研究员都可以基于它继续往前走。这种开放姿态，比拿出一个封闭的演示要更有生命力。一项工具能不能持续生长，看的不是它有多少功能，而是有多少人在用它、改它、推动它前进。
从教育角度看，混合编程一直是量子课堂上的拦路虎。学生既要懂数学和算法，又要熟悉编程和操作，门槛抬得很高。把这条链路自动化以后，学习者可以先把注意力放在“为什么要这么做”，再回头看“具体怎么做”，理解曲线被拉平很多。我们也希望这套工具能走进更多课堂、毕业设计和科研项目，让初学者更快上手，让资深研究员把时间留给真正难的问题。
把眼光放到更长的时间线上，我们相信量子和AI的结合远远没有走到尽头。今天我们做的是让一次实验自动跑通，明天要解决的是让一组实验自己优化，再往后，可能是让AI提出问题、自己设计、自己复盘。这条路并不平坦，但每走稳一步，量子计算就离更广的人群近一点。
我们打算沿着这条路一直走下去。让更多人真正理解量子，也让真正做量子研究的人，把更多精力留给那些值得他们投入的事。
给量子计算装上AI发动机，只是国光量子迈出的第一步。
今天，国光量子让一次实验从一句话自动跑通；明天，也许能让AI自己发现新的药物、设计更轻更强的材料，甚至提出人类从未思考过的科学问题。每一次大模型的能力进化，都在把量子技术等前沿科技，从厚重的书本中释放出来，推向每一个认真提问的人。
量子计算也不再是不可触及的玄学，它是正在一步步走近我们生活的“未来工具”。而AI，正是那部让所有人都能够更快抵达这个未来的“曲率引擎”。国光量子也希望更多的伙伴加入进来，一起让这台发动机加快运转，向着宇宙的深空全速前进。
