MIT的稀释制冷机里，躺着一块没校准的六量子比特芯片。以前调这块芯片，研究生要盯着屏幕连轴转好几天。这次负责校准的是接进Codex的GPT-5.6 Sol，人只用手机偶尔看一眼进度条。
这不算AI取代实验员。它接管的是重复、有明确对错的那部分活。真正卡住AI的地方，是信号一旦变弱变糊，它就转不动，还得靠专家拍板。
AI具体干了什么
主角是MIT工程量子系统组（EQuS）的研究生Beatriz Yankelevich。她把Codex接上实验室控制软件，让GPT-5.6 Sol自己选参数、跑测量、分析数据，再决定要不要重测，或者把结果存下来进入下一步。
测试对象是一块未校准的六量子比特芯片，EQuS常年拿它给制造工艺打基准。校准这类芯片要走一串互相牵连的测量：先测共振频率确定能级，再用它校准控制脉冲，脉冲准了才能测出量子信息能保持多久——也就是相干时间。每一步的结果，决定下一步测什么、怎么测。
这种链条式测量，过去必须有人守着：上一步出结果，才能定下一步的参数，没法交给一个定时跑的固定脚本。GPT-5.6 Sol能自己判断“这个结果够不够好、要不要往下走”，这是它跟传统自动化脚本的差别——脚本按固定参数跑一遍就完事，它能根据结果动态改参数。
省下来的主要是人工连续监控的时间。常规流程里，AI能撑起夜间运行和多任务并行：Yankelevich可以让几个agent同时跑不同的问题，自己不用守夜。
信号一乱，AI立刻慢下来
清晰信号下，GPT-5.6 Sol基本能独立走完整套序列：定频率、调脉冲、测相干时间，人几乎不用插手。
问题出在弱信号、噪声、异常物理结果这类情况。量子比特的性质会漂移，行为偶尔反常，这时AI要花更长时间才能找到合适的测量参数，有时得靠经验研究者出手指导。
| 场景 | AI的表现 | 人要做什么 |
|---|---|---|
| 信号清晰 | 独立走完标准序列，支持夜间/并行运行 | 抽查结果即可 |
| 信号弱/噪声/异常 | 找参数明显更慢，容易卡住 | 现场判断、纠偏 |
原文没有给出效率提升的具体数字，谈不上加速了多少倍。目前能确认的只是常规环节可以脱离持续人工监控，规模化到什么程度还看不清。
对谁意味着什么
对关注AI Agent和科研自动化的读者，值得盯的不是这次校准本身，是这套“选参数—跑测量—判断—决定下一步”的决策环。它能不能搬到别的实验流程，取决于那个流程的测量链条是不是也像量子比特校准这样，结果可判定对错、步骤前后强关联。哪些学科具备这种条件，是接下来该观察的变量。
对量子计算、实验物理和实验室软件从业者，现实一点的动作是：先把AI用在常规校准和夜间、并行任务上，把人力从盯屏幕挪到判断和实验设计上；但异常信号的处理权暂时不要下放，遇到反常结果，还得留经验研究者在场。
《论语》说“工欲善其事，必先利其器”，没说这把器该由谁拿主意——这正是这次实验最诚实的地方。实验室自动化不新鲜，从人工读表到自动化仪器，每一代工具先接管的都是手上的重复劳动。这次也一样：被接管的是“怎么测”，没被接管的是“测什么、为什么这么测、结果反常了怎么办”。
对量子实验室来说，这条分界线比“AI又强了多少”更值得记住：常规校准可以外包给代理，异常信号和实验设计，目前还是人的活。
【锐评】熟练工的活先被接管，拿主意的活还得靠人——分水岭清楚得很。