量子计算是一项新兴技术，利用量子力学的独特性质来处理信息，有朝一日或许能更好地模拟复杂的材料和分子。与传统处理器不同，量子处理器由量子比特（qubit）构成。准备和运行量子比特实验可能耗时数月，还需要数百乃至数千次前期测量，而这正是 AI 有望帮上忙的工作。
Beatriz Yankelevich 是 MIT 工程量子系统组（Engineering Quantum Systems Group，EQuS）的研究生，她借助接入 Codex 的 GPT‑5.6 Sol，探索 AI 能否简化她的实验流程。该课题组研究超导量子比特，这类量子比特被冷却到接近绝对零度，置于名为稀释制冷机（dilution refrigerator）的专用设备中。它们运算速度快，可通过微波信号精确控制，还能用常见的制造工艺制作并排布在芯片上。
超导量子比特芯片一旦制造、封装并完成冷却，研究人员就完全通过软件与之交互，这使 Yankelevich 的实验成为 AI 智能体的天然试验场。把 Codex 接入协调实验的实验室软件后，它可以运行测量、分析结果，并决定下一步尝试什么。Yankelevich 发现，GPT‑5.6 Sol 往往能自主完成常规的测量流程，为她节省了大量时间，也让实验无需时刻有人看守。这样她就能把更多时间用于分析结果、设计实验和规划研究的后续步骤。
协调相互依赖的测量
超导量子比特常被称为人造原子，因为和原子一样，它们只能处于特定的能级。微波脉冲让量子比特在这些能级之间跃迁，并探测其量子态。研究人员设计并校准发送给芯片的脉冲序列，再对返回的信号进行数字化和分析。这些测量能揭示每个量子比特的共振频率（据此可以精确控制量子比特）、量子比特保持量子信息的时长，以及执行计算所需的各项设置。
校准量子比特需要一系列相互依赖的测量，每一次的结果都会决定下一步怎么做。量子比特的特性偶尔会漂移，意料之外的物理行为也可能导致结果不一致。经验丰富的研究人员能识别这些变化，并在其出现时及时调整。软件控制、反复测量与自适应决策的结合，也让量子比特校准成为 AI 智能体颇具吸引力的应用场景。
Yankelevich 测试了 GPT‑5.6 Sol 在一块未校准的六量子比特芯片上运行测量的能力，这是 EQuS 经常用来检验其制造工艺的一种标准芯片。她为 Codex 提供了针对各项测量的技能（skill），说明如何运行和评估每个实验。借助这些技能和芯片的设计目标，GPT‑5.6 Sol 选择测量参数、操作硬件、分析所得数据，然后要么改进该次测量，要么保存结果供下一次测量使用。
当信号清晰时，Codex 在研究人员几乎无需介入的情况下完成了一整套标准测量。它识别出量子比特的跃迁频率，校准了用于控制和读取量子比特的脉冲，并确定了量子比特保持量子信息的时长。
当实验信号微弱或噪声较大时，GPT‑5.6 Sol 就要吃力一些。在这些情况下，它需要更长时间才能找到合适的测量参数，有时还需要经验丰富的研究人员给予指导。结果表明，当前的智能体能够处理定义明确的实验流程，但解读含糊不清的物理结果仍然是一大挑战。
EQuS 制造了许多这类标准芯片，每块芯片都可能需要研究人员花上几天来表征。如今课题组经常用智能体来处理常规测量，让研究人员腾出手来专注于其他工作。
“我可以让智能体在夜里，或者我在洁净室工作时，连续跑上好几个小时的测量，”Yankelevich 说。“我可以用手机查看进展，看它们做了什么，如果有需要修正的地方，或者我想探索别的方向，也可以随时引导它们。”
与研究人员并肩工作
眼下的优势在于，Codex 智能体可以在无需持续监督的情况下，帮助研究人员稳步推进实验分析和测量。经验丰富的研究人员或许仍能比当前的 AI 模型更快找到最佳校准设置。但由于省下了以往盯着校准过程每一步的时间，研究人员可以专注于其他工作。
常规的芯片表征遵循相对明确的流程。对于新颖的实验，Yankelevich 会给 Codex 智能体分配范围更窄的实验目标，同时更多地借助它们编写、修改和测试用于控制、分析与仿真的新代码的能力。把智能体直接接入实验室，让课题组能够修改代码、用真实测量来检验代码，并自主完成更长时间的工作。
“我搭建了一套基础设施，引导智能体完成我工作的多个环节，包括测量、理论和芯片设计，现在真的开始见效了，”Yankelevich 说。“我可以让多个智能体同时处理不同的问题，而我把大部分时间花在更高层次的工作上，比如解读结果、设计实验、为智能体规划下一步、阅读和写作。”