前几天半夜刷 HN，首页挂着一条 GPT-5.6 Sol 帮着跑量子计算实验的帖子。AI 和量子两个词挤在同一个标题里，我的第一反应是绕开——这种组合，十篇里九篇半在缴智商税。
本来想直接划走。结果并没有。
翻到第三条评论，不困了。
楼里有人一句话概括这帖子：用 LLM 校准量子芯片。就这样。剩下那层光，是「量子」两个字给镀的。另一个评论说这更像一篇普通博客，不算重大公告，真算公告级别的得看 FLT 证明——前半句我同意，后半句其实还是比谁更响，没什么意思。
价值在评论区。第三条评论里坐着一个 2011 年就在干这活的人。
他说他 2011 年就用 Python 把 qubit 的启动和校准全自动化了——频谱测量、寿命表征、Rabi 和 Ramsey 测量、单 qubit 门和两 qubit swap 门的校准，一路做到完整的量子过程层析。列的时候语气特别平，像在报一份例行周报。
for qubit in chip.qubits:
spec = measure_spectroscopy(qubit)
t1,t2 = measure_lifetimes(qubit)
rabi = sweep_pulse_amplitude(qubit)
xgate = calibrate_x_gate(qubit, pi_amp=rabi.pi)
record(qubit, spec, t1, t2, xgate)
上面这段骨架是我照着他列的项目名随手搭的，不是他贴的代码。但你扫一眼就懂我想说什么了——这个流程的形状本来就是个 for 循环。十五年过去，循环没变形，变的只是给循环写胶水代码的那个东西是谁。
他后面那句话是整栋楼最值钱的：这些活里曲线拟合和数据记录本来就够用，不一定非得上 AI；AI 真正省的，是写常规代码那部分时间。再补一刀——实验结果的瓶颈在芯片本身和 qubit 寿命上，AI 没法把这些指标提十倍。
我看到这句的时候正端着杯子，手停了一下。
因为这话反过来也成立：哪天有人拿着「AI 让 qubit 寿命提升 X 倍」的稿子来找我，我第一件事应该是去翻它到底测的是哪个量。校准流程被自动化，跟物理指标被改善，是差得很远的两件事——前者是软件问题，后者是材料和工艺问题。这个区分不难，但标题党从来不区分。
我最近在自己这边的数据管线上也反复撞同一堵墙。AI 干得最稳的活，是「你已经知道这一步该做什么、只是懒得敲」的那类：读参数文件、拼路径、把一堆 csv 塞进 DataFrame、按模板出报告。拟合这种活的样板部分它也接得住。但有一类东西它接不住，而且它不知道自己接不住。
- mask = (resid < 3 * sigma) & (freq > 4.2) & (freq < 5.1)
- popt, _ = curve_fit(lorentzian, freq[mask], amp[mask])
+ popt, _ = curve_fit(lorentzian, freq, amp)
这个 diff 是我编的示意，别拿去跑。它想说的是一件我遇到过不止一次的事：AI 把拟合写「干净」了，顺手删掉那两个常数——那俩数不是随便写的，是这台设备的工作区间，是上一个人拿几次难看的测量记录换来的。它删掉它们不是因为它判断它们不重要，是因为它不知道它们重要。你没写进注释里的东西，在它眼里就等于不存在。所以我现在审它改的拟合代码，专门盯剔除条件那几行，别的一眼过 😅。
画外音：它甚至觉得自己在做清理。
所以「AI 替代初级研究人员」这个说法，我最初听着刺耳，现在觉得刺耳的是那个动词的时间态，不是内容本身。
初级研究人员一天有多少小时花在写这类胶水代码、对日志、把手动步骤串成脚本上？这部分被省掉是很实在的。问题在省下来之后干什么。省下来之后如果他去做更多测量、更快验证想法，AI 就是个放大器；如果省下来就是省下来了，那是一次性的效率提升，用完就没了。同一个工具，两种结局，差别不在工具上。
我不信「AI 取代初级工程师」那套叙事的理由，跟这位老哥的理由应该是一样的：能被自动化的，是流程已经被结构化了的那部分。他 2011 年能写脚本，不是因为他有 AI，是因为他们实验室早就把校准这件事拆成了一步一步。反过来，一件事如果还没被拆成步骤，给什么模型它也帮不上——它只会给你一份看起来很像、实际什么都没说的东西。
插一句关于「够用」的判断。我看过太多把「AI 辅助科学实验」讲成里程碑的稿子，里面的证据链一般是这样的：AI 生成了脚本 → 脚本跑通了 → 所以 AI 懂这个领域。中间那步「脚本跑通」其实是最不值钱的——实验控制代码的反馈极快，跑一遍看曲线就知道对不对，这种活本来就适合交给一个不怕重写一百遍的东西去干。反馈快的地方，AI 强得离谱；反馈慢或者根本不好验证的地方，它给的每一样东西你都得多花时间去核。这条经验我是拿真金白银换的，不是从哪篇最佳实践里抄的。
扯远了，回正题。楼里另外半栋楼在吵 AI 资本错配、数据中心和收入流的错配、订阅要不要限流、以及某家计划书里那个约等于 2026 年美国名义 GDP 百分之九十几的收入数字——我一个都不打算接，跟校准 qubit 没关系。还有个人翻出一篇 IACR 论文，标题里同时出现 8 位家用电脑、算盘和狗，下面立刻有人澄清那跟主贴是两个话题：论文是用精挑细选的大数演示量子因式分解，主贴是用 LLM 校准芯片。以及照例有人拿「邻居的狗也能做 334543333-bit RSA 分解」讽刺量子计算的宣传口径。
评论区里还有一条让我改了「该怎么问 AI」的想法。有人让 Sol 去评估「在量子计算上原生跑神经网络」的可行性，结论是不可行，然后建议看经典相干光子学和内存计算。这条回答的价值不在它对不对——我判断不了，也不打算装懂。价值在于它给了一个能去验证的方向，而不是一句「这取决于具体场景」。我见过的大部分 AI 答案烂，就烂在这儿：话说得滴水不漏，你拿着它不知道该去查什么。
那这条 HN 帖子到底算不算进展？我现在的答案是不算。它更像一份把通用工具用在某个特定技术栈上的应用记录，跟「AI 学会了量子力学」中间隔着好几条街。评论区里有人说 AI 的用处本来就是自动化常规编程这类通用任务，量子只是其中一个应用场景，量子标签让事情听起来更酷——这大概是全楼最清醒的一句。
以后我看到「AI + 某高精尖领域」的稿子，第一件事是往下翻评论区，找那句「这活我十年前用脚本干过」。找着了，我再回头看正文；找不着，也有两种可能——要么这活以前真没人干过，那它是个真新闻，要么写文章的人压根没往下翻。第二种概率更大。