实验室 Agent 的能力上限由测量信号、通过条件与异常升级机制共同决定。MIT 的六量子比特校准案例展示了这份合同的两面：GPT-5.6 Sol 能处理高信噪比的常规测量，弱信号和未知物理现象仍需研究者判断。值得迁移的是实验闭环，而非模型替代实验人员的叙事。
阅读时间： 约 7 分钟 · 字数： 约 2800 字
TL;DR
- 给 Agent 一张测量依赖图，而不是一句模糊目标。
- 每一步都要定义观测量、成功形态、拟合检查、保存规则和失效模式。
- 信号质量与采集延迟直接决定 Agent 的信任等级。
- 弱信号、漂移和未知物理特征必须升级给研究者。
- 评价指标应是有效实验吞吐和节省的研究者注意力。
MIT 案例究竟证明了什么
MIT 工程量子系统组通过内部 Jupyter MCP，把 Codex 接入现有实验编排软件。Agent 可以读取实时参数、程序、图表、原始数据、日志、测量数据库和源代码。研究者还为每类测量准备了 Skill，说明前置校准、执行模板、参数选择、成功与失败图形、常见物理失效原因。
实验对象是一块从未测量过的六量子比特芯片，包含四个固定频率量子比特和两个可调频量子比特。Agent 找到了六个读出谐振器并选择初始读出功率，随后完成固定频率量子比特的标准校准。四个固定频率量子比特共有 40 项目标测量，研究者对其中 4 项进行了改进性干预。
这个结果有价值，证据范围也很清楚：它是一项作者报告的单案例，设备是用于制造工艺基准的相对简单芯片。MIT 作者开发基础设施并实施实验，OpenAI 作者为 Agent 基础设施和论文提供建议。论文没有提供人类与 Agent 的受控效率对照，也没有证明通用实验自主性。
自动化的最小单位是测量合同
校准量子比特听起来像一个动作，实际上是一串相互依赖的决策。下一步取决于物理信号是否出现、拟合是否可信、数值是否符合物理范围，以及此前校准是否仍然有效。
MIT 的流程可以拆成五步：定义测量，采集信号，绘图和拟合，评估结果，保存参数供后续步骤使用。要把它迁移到其他实验室，应为每一步建立版本化合同：
| 合同字段 | 必须回答的问题 |
|---|---|
| 前置条件 | 哪些早期校准和设备状态必须有效？ |
| 动作边界 | 允许控制哪些仪器，参数范围和时长是什么？ |
| 观测量 | 应出现什么原始信号或派生量？ |
| 验收条件 | 什么形状、拟合质量、不确定度和物理范围才可用？ |
| 状态保存 | 保存哪个参数，溯源信息和有效期是什么？ |
| 恢复策略 | 可调整哪个变量，最多重试多少次？ |
| 升级条件 | 哪些歧义、漂移和异常需要研究者接管？ |
这份合同把部分实验直觉变成可执行接口，同时保留尚未被编码的判断空间。
信号质量决定信任等级
固定频率量子比特代表实验中较容易的一侧。信号清晰、器件行为符合预期时，Agent 能选择参数、检查图形并沿测量链推进。
可调频量子比特暴露了边界。远离最高频率后，频谱信噪比下降。Agent 虽然找到了频谱，仍需要研究者提示它扩大磁通扫描范围、重新检查频率区间，才能获得可接受结果。过程中它曾错误地把一张图判断为合格。最终测量还出现了约 4.8 GHz 的未知模式交叉和可能具有物理来源的不对称。
因此，自主或人工的二元开关过于粗糙。更实用的是四级状态：
- 继续： 信号清晰，预期拓扑、拟合与物理检查全部通过。
- 局部重测： 信号存在但精度不足，只允许改变一个受控变量。
- 回溯依赖： 漂移或冲突表明早期校准可能过期。
- 人工升级： 特征无法解释、超出 Skill 的失效模式，或多次重测仍无结论。
每次状态转换都应携带证据：原始数据哈希、图表、拟合参数、残差、仪器设置、Skill 版本，以及接受或拒绝的原因。
物理采集才是瓶颈
论文指出，单次测量耗时从几秒到几十分钟，很多测量只能串行执行。研究者观察到，即使最终找到正确参数，Agent 通常也比熟练实验人员慢。此时，限速器是物理采集，不是 Token 生成。增加 Agent 数量无法靠暴力并行压缩同一条校准链。
优化目标应随之改变：尽量减少昂贵的物理采集，把便宜计算用于规划、仿真、写代码和分析。调度器至少应做到：
- 运行前估计信息增益和采集成本；
- 只复用仍在有效期内的校准状态；
- 诊断弱信号时一次只改一个变量；
- 只把独立芯片或独立控制路径并行化；
- 新测量已经难以改变结论时及时停止。
MIT 团队的实际收益来自合理分工。零磁通校准完成后，编排器连续运行 12 小时并采集 200 项测量，Agent 负责监控，之后再检查少数失败点。设备仍决定速度，研究者可以把夜间看守时间用于分析和设计。
上线前的六道门
1. 冻结实验上下文
一次运行必须绑定芯片身份、布线、仪器校准、代码版本、模型版本、Skill 版本和设计目标。脱离这些上下文的参数既无法复现，也不应被下游复用。
2. 分离提议与验收
模型负责提出参数和分析方法，独立代码负责限制设备动作、复算关键派生量和执行硬检查。模型的文字信心不能覆盖失败的约束。
3. 带血缘保存数据
原始数据、转换过程、图表、拟合、不确定度和所选参数应成组保存。上游校准变化后，下游状态应自动失效。
4. 写入物理失效样本
Skill 既要包含成功示例，也要包含噪声频谱、缺失谐振、饱和、漂移、仪器故障、扫描区间截断和设备特有伪影。MIT 研究者明确指出，补充物理失效模式有助于改善 Agent 表现。
5. 把升级视为成功
弱证据下及时停止是在保护实验。正确升级应单独计数，不能混入失败率。未知模式、相互矛盾的测量、持续低信噪比和可能损坏设备的动作都需要研究者批准。
6. 验收完整闭环
应跟踪每个制冷机小时的有效校准量、节省的研究者时间、无效采集、过期状态使用、干预频率、错误接受率、恢复时间和硬件事件。最终指标是经过验证的实验吞吐。
常见问题
GPT-5.6 Sol 已能自主校准量子计算机吗？
证据支持更窄的结论：它在一块相对简单的六量子比特芯片上完成了标准测量，清晰信号下表现较好；弱信号和含歧义的可调频测量仍需明显人工指导。
测量型 Agent Skill 包含什么？
它包含前置校准、代码模板、参数选择、分析方法、成功与失败特征和示例图。它为模型提供实验上下文，权限限制和确定性检查仍由系统单独承担。
为什么不能用 Agent 群并行搜索参数？
同一设备和控制链常常只能串行采集，后续测量还依赖前一步结果。并行生成更多方案无法移除物理约束，反而可能制造更多待验证任务。
怎样衡量实验室 Agent 的自主性？
同时报告任务类型、信号条件、人工干预、错误接受、恢复行为和有效吞吐。单一自主率无法区分常规扫描和含歧义的物理诊断。
参考资料
- OpenAI 对 EQuS 实验的介绍
- MIT 与 OpenAI 联合案例 PDF
- QCalEval：量子校准图形理解基准
- 112 量子比特处理器的 Vibe calibration
- Agent 自动化量子实验研究
- 科学 Agent 的验证栈
下一步很具体：从一个常规测量开始，把合同写完整，再用历史成功和失败数据回放。实验室 Agent 是否可靠，首先取决于这份合同能否让错误被及时看见。