OpenAI 披露 MIT 量子实验：GPT-5.6 Sol 接入制冷机，90% 自主标定量子芯片
OpenAI 披露与 MIT 合作的量子计算研究，GPT-5.6 Sol 配合 Codex 接入稀释制冷机，实现 6 比特超导芯片的端到端自动化标定与过夜测量。
北京时间 9 月 12 日凌晨，@OpenAI 官方转发麻省理工学院（MIT）工程量子系统小组（EQuS）的最新研究案例，披露 GPT-5.6 Sol 配合 Codex 实现了未经标定超导量子芯片的端到端自动化标定与 12 小时连续过夜实验。这一动作表明 OpenAI 正在借助轻量级协议将 Codex 从通用代码补全推向深水区的“科学实验自动化基础设施”（Lab Automation），尝试接管高精密物理仪器的测量与调优闭环。但该案例目前属于学术合作与定制化验证，物理采集本身的串行时延意味着智能体无法通过算力并发暴力加速实验，且模型在低信噪比与物理参数漂移环境下依然高度依赖资深研究员纠偏。
本期追踪窗口为北京时间 2026 年 9 月 11 日 21:00 至 9 月 12 日 21:00。窗口内确认了一条 @OpenAI 官方转发推文，互动数据为 9 月 12 日 21:07 左右的接口快照。
| 北京时间 | 动作 | 核心信息 | 互动快照 |
|---|---|---|---|
| 9 月 12 日 04:24:45 | @OpenAI 官方转发员工推文 | 转发研究员 Eva Zhang 推文，介绍 MIT 研究生使用 GPT-5.6 Sol 与 Codex 自动化运行超导量子芯片常规测量、标定与实验设计。1 | 44,725 次浏览；362 个赞；21 次转发；2 次引用；28 条回复。1 |
Loading content card…
接入稀释制冷机：Jupyter MCP 驱动 40 项标定测量 90% 自主完成
在实验物理领域，超导量子处理器的部署与前期表征极为繁琐。芯片在微纳加工并封装后，必须置于专门的稀释制冷机（dilution refrigerator）底部冷盘，抽真空并降温至毫开尔文（millikelvin）温度（接近绝对零度）。在极低温环境下，物理学家完全依赖室温控制机柜向芯片发射微波脉冲，并通过数字化返回的电压信号来测定谐振频率、能级跃迁与量子相干时间。这一流程通常包含成百上千次相互依赖的试探性测量，耗费实验人员数天至数周的时间。2
MIT 工程量子系统小组（EQuS）研究团队让运行在 Ultra 推理层级下的 GPT-5.6 Sol 接入 Codex 应用。整个系统并未搭建繁复的专属环境，而是仅通过实验室自建的轻量级 Jupyter MCP（模型上下文协议）连接内部仪器编排软件。智能体获得了测量参数、执行脚本、实时生成的复数传输谱（S21 数据矩阵）、运行日志和测量数据库的读写权限，并能自动在 Markdown 文件中记录实验日志。3
在测试一块包含 4 个固定频率比特与 2 个频率可调比特的全新 6 比特超导芯片时，智能体表现出较强的自主决策能力：
- 自主发现多路复用谐振腔：面对背景信号大幅波动的复杂射频数据，智能体在 7.2920 GHz 至 7.7520 GHz 频段成功识别出全部 6 个读出谐振腔，并在 -31 至 -34 dBm 的微波功率下完成了穿通特性（punchout）拟合与高分辨率精细扫描。3
- 标定链路高自主率：针对 4 个固定频率量子比特的 40 项标准标定测量（包括确定基态到第一激发态的跃迁能量、校准 X 门 π 脉冲功率、提取弛豫与退相干时间、测定色散频移 χ 以及计算有效残余激发温度），研究人员仅人工干预纠偏了 4 次，自主完成率达到 90%。3
- 12 小时连续过夜运行：在完成零磁通基准标定后，智能体接管了编排系统的参数遍历循环，在研究员离场情况下连续自主监控运行 12 小时，完成了 200 项 自动化测量，仅在少量物理执行报错点进行人工复核。2
物理直觉缺失与串行物理瓶颈：AI 无法“暴力加速”物理世界
虽然在标准流程上展现出自动化潜力，但 OpenAI 与 MIT 在联合白皮书中详细指出了智能体进入物理实验时暴露的核心局限性。这些局限清晰划定了当前 AI 在硬科技研发中的能力边界。
首先是信噪比衰退下的物理特征识别困境。在处理频率可调量子比特时，随着外加磁通偏离极值点，信号的信噪比急剧恶化。智能体在微弱信号下多次将噪声误判为物理能谱，陷入无效拟合循环，甚至错误判定低质量扫描结果“已达标”。最终必须由经验丰富的物理学家给出人工提示，指导其拓宽磁通扫描范围，智能体才重新捕捉到真实的物理跃迁峰。3
其次是硬件采集过程的严格串行约束。在纯软件或算法领域，算力扩展可以通过并发多智能体（agent swarms）进行暴力搜索来缩短耗时。但在物理实验室中，微波脉冲的发射、波形建立、信号数字化以及多次平均以提高信噪比的过程，受制于微观物理时间与仪器接口。单项测量耗时从数秒到数十分钟不等，物理数据采集本身成为了不可压缩的“速率限制步骤”（rate-limiting step）。白皮书指出，即使智能体能够自主收敛到正确参数，其试错路径耗时依然显著慢于资深物理学家的直觉判断。3
此外，真实超导芯片存在显著的环境扰动与物理参数漂移。环境磁通波动会导致可调比特工作点漂移，相干时间也呈现时间波动；测试中还在 4.8 GHz 附近观察到未知的物理模式交叉。智能体缺乏对未知物理异常的溯源直觉，一旦遇到系统长期漂移引发的隐性失效，往往难以追溯到数十步之前的初始设置进行针对性重标定。3
商业与生态信号：Codex 攻入科学实验基础设施
从战略视角看，OpenAI 官方对这一案例的传播释放了清晰的产品与生态信号。继此前公布解决纳维-斯托克斯千禧数学难题的理论突破、以及面向企业全员红蓝对抗的“网络防御工厂”之后，OpenAI 正在系统性地展示前沿模型在硬核科研与复杂物理系统中的实操价值。1
Codex 的定位正在经历重要演进：它不再局限于面向通用软件工程师的 IDE 代码生成插件，而是逐步演化为能够理解仪器 API、分析复杂物理数据、编写仿真脚本并直接驱动实验硬件的“科研自动化操作台”。通过标准化的 MCP 协议，任何具备软件接口的高精尖科研设备（如质谱仪、流式细胞仪、冷冻电镜或量子低温系统）都可能被接入模型推理链路，将一线科研人员从高频、机械的过夜标定工作中解放出来。2
然而，将这一学术验证转化为成熟商业服务仍面临明显落差。本次实验依赖研究团队历时数月总结沉淀的“测量专用技能库”（measurement-specific skills），包括针对每项测量的代码模板、前置校准约束、调参技巧与失败图谱，本质上是将人类专家的实验经验以高密度上下文的形式灌注给模型。OpenAI 尚未将这些科学实验控制能力封装为标准化的商业订阅模块，也没有公开其在长时间复杂实验中消耗的 API 复合调用成本。对于广大外部实验室而言，自建适配硬件的自动化智能体体系依然存在极高的工程与上下文构建壁垒。3
接下来核验什么
- 实验自动化工作流在异构硬件环境下的迁移门槛。 本次标定基于 MIT EQuS 实验室自研的仪器编排软件与相对规范的单芯片环境。该方案在接入 IBM、Rigetti 等商业化量子硬件或其它第三方科研实验室的异构控制栈时，专用技能库的重构成本与通用性仍待验证。3
- 长周期物理实验调用的实际商业账单。 在 Ultra 推理层级下，模型反复进行多轮 S21 矩阵数值拟合、图像模式识别与长达 12 小时的过夜监测，其消耗的 token 用量与 API 工具调用费用尚未披露，总体拥有成本是否优于聘用专职实验技术员值得持续观察。2
- OpenAI 是否会推出面向科研仪器生态的标准 MCP 与技能市场。 随着生物制药、材料化学与量子计算等领域的实验自动化需求增加，OpenAI 是否会将科研类工具协议、仪器驱动连接器与领域技能模板纳入其商业化企业版（ChatGPT Work / Codex API）功能矩阵，是判断其科研商业化进程的关键节点。2
References
- 1
- 2
- 3
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.