💬
🤖
AI Support
24/7 online · instant AI reply
✕
← Back
区块链 just now · Bijing

Claude participates in optimizing eight types of quantum circuits: with more gate-efficient designs, how far are we from usable quantum computing?

Claude参与优化八类量子电路:有了更省门的设计,离可用量子计算还有多远 - 币界网 Anthropic在10月16日发布量子电路设计研究:研究人员把八类计算基元的自然语言任务交给Claude,再由自动评估程序检验正确性、计算所需量子比特和门操作,模型在循环反馈中提出改进方案。公司称,在这八项任务中,新设计比此前发表的方案使用更少的量子比特和门,其中部分任务的改进达到数量级级别。最需要划清的边界是:这是算法与电路设计的研究结果,不是量子计算机已经完成大规模商业计算,也不是模型在未经验证的情况下证明了新的物理定律 。 Anthropic在10月16日发布量子电路设计研究:研究人员把八类计算基元的自然语言任务交给Claude,再由自动评估程序检验正确性、计算所需量子比特和门操作,模型在循环反馈中提出改进方案。公司称,在这八项任务中,新设计比此前发表的方案使用更少的量子比特和门,其中部分任务的改进达到数量级级别。最需要划清的边界是:这是算法与电路设计的研究结果,不是量子计算机已经完成大规模商业计算,也不是模型在未经验证的情况下证明了新的物理定律。 量子计算的工程难点,不只在于增加量子比特数量。量子比特对噪声敏感,错误会在长电路中积累;一项任务即使理论上能运行,也可能因为需要太多门操作和纠错资源而无法落地。因此,减少电路的“面积与时间”消耗,与改进硬件同样重要。 研究团队选择的八类任务涉及化学、优化、物理模拟、数论和数值计算,它们是更大算法中的组成部件。部件变小,有助于压低未来应用的资源预算,但不能自动推出整套算法在现有机器上都能跑通。研究的关键设计是一条可计算、可否证的闭环。 Claude先用代码表达一种量子电路方案,外部评估器对功能正确性进行检查,再给出与量子比特和门数相关的评分;模型据此修正方案。对于一些输入可由经典计算机明确验证的电路,这种方法尤其合适,因为正确与否不必依赖模型自评。外部评估器也使研究结果比“模型声称发现优化”更有说服力。 文章所说的相对自主,是在研究人员设定问题、测试口径和反馈机制后,循环中的若干轮迭代不需要人逐步给提示。一个例子是椭圆曲线计算中的模逆运算。量子电路必须保持可逆,不能像普通程序那样随意丢弃中间状态;清除临时结果通常要把计算反向再做一遍,这会花费更多门。 保留中间结果则可能占用更多量子比特。优化的核心因此不是单纯删掉几行代码,而是在空间和时间之间找到更合理的取舍。研究把点加法和相关运算作为压力测试,称新方案通过重组计算结构取得改进。 普通读者不必记住每种门的名称,但应记住:衡量量子电路优劣时,正确性、量子比特、运行步骤必须一起看。另一类例子来自量子优化和化学模拟。公司称,模型识别了某些问题中的重复结构,避免对相同部分反复计算;也发现旧设计为极少见输入付出的代价过高,因而调整了处理方式。 文章提到某一领先量子优化算法中的昂贵步骤可降低约12倍成本。这里的“12倍”指该步骤在研究设定下的资源估计,不能扩写成所有量子应用性能提升12倍,更不能当成真实量子硬件的实测加速。不同电路对物理错误率、编译和纠错方案的要求不同,纸面门数只是走向可用机器的一环。 研究也提供了一个认识AI科研能力的更好角度:并非模型写出漂亮解释就算科学进展,而是提出可运行候选、接受外部检验、与公开基线对比,最后由领域专家检查适用范围。对于量子算法这样的高度结构化领域,自动评分的反馈比较明确,模型更容易探索人类难以穷举的设计空间。换到缺少可靠评估器的领域,这套方法未必有同样的表现。 AI科研的潜力取决于测试系统与人类审查是否足够严格。从产业角度看,资源需求下降可能改善未来的路线图。例如化学模拟所需的门数或量子比特减少,就可能让某个应用不必等待原先预测那么大的机器。 但未来机器还须具备足够低的物理错误率、稳定运行时长、纠错开销和可重复的实验结果。研究中的电路优于已有方案,也不等于所有学界方案已被穷尽;后续同行复核、复现与针对新硬件的编译仍十分重要。公司在页面上链接了论文,读者应区分公司介绍里的潜在意义与论文中严格定义的比较对象。 这件事对AI行业的启示或许比“AI会不会取代量子科学家”更具体:当问题可以明确编码、结果可以自动判真伪、成本可以客观计分时,模型能在不断试错中提出有价值的结构改进。研究者的角色并未消失,而是前移到选择重要问题、设计评估标准、确认数学结论,并把局部优化连接到真实硬件约束。科研组织下一步需要公开更多可复现细节,让外部团队检验哪些改进普适,哪些只在选定规模和参数下成立。 判断同类新闻有三把尺子:先问优化对象是否被清楚定义,再问正确性是否由外部程序或同行验证,最后问改进是在理论估算、模拟器还是真实硬件上取得。三个层次不能相互替代。此次公开资料最强的证据落在电路设计与评估比较,商业机器的交付时间仍是开放问题。 来源:Anthropic,2026年10月16日《Designing more efficient quantum circuits with Claude》:https://www.anthropic.com/research/designing-efficient-quantum-circuits 英国央行副行长Sarah Breeden对CNBC表示,对冲基金在全球债券市场中的存在感上升,加上杠杆使用增加,使得一场市场冲击向其他市场传导的可能性高于以往。IMF也警告,对冲基金的杠杆和拥挤交易可能在动荡时期放大市场压力。万事达卡与BVNK在10月15日宣布推出Global Money Platform,把法币账户、稳定币余额、兑换、卡消费和本地银行付款等能力放在一套API下。

📌 Recommended Exchanges

OKX | Binance | Bybit | Bitget | Gate.io


AI Analysis:

🦊 Nova's Take Anthropic's Claude reportedly improved eight classes of quantum circuit designs through an iterative natural-language feedback loop, cutting qubit and gate counts versus published baselines. This is an AI-for-science milestone, but "usable quantum computing" is still years out — design efficiency gains don't solve error correction or hardware decoherence. 📊 Market Impact Short-term impact is sentiment-only: no direct cash flow to any token, though it reinforces the AI-crypto narrative (TAO, FET, RNDR-type plays) and could spark brief speculative rotation. Mid-term, quantum-threat chatter around ECDSA/BTC cryptography may resurface, but practical risk remains distant and not tradeable. 💡 Trading Advice Treat this as narrative fuel, not a fundamental catalyst — avoid chasing AI-token pumps on headlines alone. If you play the theme, size small, use tight stops, and remember quantum-FUD on Bitcoin is a recurring scare headline, not a real near-term risk. *Analysis only — manage your own risk.* 🦊

Disclaimer: This information is from public sources for reference only. Traceless does not guarantee accuracy.

💬 0
🏪 Strategies

💬 Comments

🔑 Login to leave a comment
No comments yet. Be the first!