人类用了 8 年，它用了 53 小时：Mythos 5 自己证明出全新的数学公式，设计出了人类想不到的量子电路
AI飞行客 人类用了 8 年，它用了 53 小时：Mythos 5 自己证明出全新的数学公式，设计出了人类想不到的量子电路
先回答那个最直接的问题：这件事是真的，而且比我第一眼读到时的怀疑要硬得多。
Anthropic 在今天晒出的这项研究里，Mythos 5 做了三件事：
1. 自主推导出人类从未发现的新代数恒等式。 2. 在 8 项量子电路设计任务上全部击败人类公开最优方案。 3. 将一个人类做了 8 年的难题，压缩到了 53 小时。
而且整个过程是全自动闭环——没有人类在中间帮它调参数、改思路、或者”嗯这方向不错你继续试试”。
这跟”AI 聊聊天写出代码”是两码事
先说清楚这个量子电路设计问题到底难在哪，这样你才能理解 Mythos 5 做到的事有多离谱。
量子计算机有一个致命缺陷：不能扔垃圾。
传统计算机写个程序，算完中间结果就把临时变量扔了，内存清空继续用。但量子计算必须是绝对可逆的——强行把中间草稿擦掉，结果就是污染。想清理内存？唯一的办法是把刚才的计算”倒放”一遍，但这又要消耗昂贵的量子门。
这就导致量子电路的设计，本质上是一个在”空间（量子位数）”和”时间（计算步数）”之间做极限权衡的难题。人类科学家在这个领域挣扎了几十年。
具体到这项研究：Anthropic 给了 Mythos 5 一个任务——用自然语言描述化学、优化、物理模拟和数论领域的 8 个基础量子电路，让它自己去设计。
不是给它公式，不是给它论文，就是大白话说”这个电路要干什么”。
然后全自动闭环跑了起来：Claude 用 Python 写出量子电路设计 → 自动评估程序检查对错并打分 → 分数反馈给 Claude → Claude 自己反思、自己迭代。
53 小时内，8 个任务全部击败人类公开发表的最优设计。
两个让我真正服气的操作
一、Divsteps：人类说”这条路走不通”——Mythos 5 自己发明了新数学。
在椭圆曲线计算（密码学的基础操作）中，有一个核心步骤叫”模块化求逆”。传统计算机上有一套高效的算法叫”divsteps”——把两个数字不断交换、加减、折半，最终算出结果。
但传统版本有个问题：它会产生大量”分支历史信息”（类似于中间计算草稿）。传统计算机算完就扔，因为它是不可逆的。
量子计算机不行。如果要把 divsteps 搬上量子电路，必须把所有分支历史信息全存下来——这需要天文数字的量子位。因此，人类密码学界普遍认为这个方案在量子上走不通。
Mythos 5 的骚操作来了：它想——既然存草稿太贵，那能不能直接从结果里把草稿”反推”出来？
一开始它暴力测试了几种可能的规则，但在 256 位大数字面前崩了。然后它做了一件让密码学家坐不住的事：它放弃了暴力测试，直接开始纯数学推导，硬生生证明出一系列全新的代数恒等式。
基于这些新公式，它写出了人类历史上第一个不需要存储分支历史的量子 divsteps 可逆实现方案。
结果：在只增加 12% 量子位的前提下，量子门数量暴降 17 倍。
二、DQI 解码器：推翻了谷歌的架构，自己写了 4 亿次模拟来验证。
第二个任务更具实战性——解码量子干涉测量（DQI）算法，这是量子计算机处理物流调度、材料设计等优化问题的最强武器。
谷歌专家此前为此设计了基于”扩展欧几里得算法”的方案。但因为它每轮动作不一致，量子电路被迫拉长到极夸张的回合数，浪费了大量算力。
Mythos 5 看了一眼就判断：这算法和量子电路不匹配。
它直接换了核心引擎——选用了”Berlekamp-Massey 解码法”，因为每轮动作完全一致，天生适配量子电路的死板特性。
但换算法带来了新问题：每轮产生的临时数据需要大量存储空间。按保守方案，需要 665 个量子位。
Mythos 5 又出了一个让人类工程师汗颜的招：我自己写一个高速模拟器，跑 4.03 亿次样本测试，精确测量异常发生的概率。
测试结果显示：绝大多数情况只需要存 1 个值。于是它只给电路留了 19 个量子位的存储空间。
“换核心算法 + 极致内存复用 + 大数据精算预留空间”三招打完，门数量比谷歌方案少了 12 倍。
原来需要 1 小时的计算，现在几分钟。
比结果更值得聊的，是这个”53 小时”的含金量
让我用 FeMoco 这个例子收一下上面两个操作背后的信息量。
FeMoco 是一种固氮酶的核心结构，对制造人工化肥至关重要。2017 年，人类科学家估计需要 50 万亿个 Toffoli 门才能模拟它。经过8 年、顶级团队的极限优化，才把数字降到 3.4 亿。
Mythos 5 用了 53 小时。
8 年 vs 53 小时。这不是谁更努力的问题，这是”人类花了几十年在脑子里搭了一个框架，以为所有解题路径都被标过了，而 Mythos 5 进来之后说——其实你们标漏了一条，甚至不止一条。”
但我必须说清楚一件事，以免被 hyped 带偏：这个结果不等于量子计算马上实用化。 量子位的物理错误率、制冷成本、纠错开销——这些硬件层面的制约没有被这些电路优化抹掉。但 Mythos 5 展示了一个更深刻的转变：当硬件跟不上时，软件可以补上很大一块。
Anthropic 在报告里点出了这个方向：由于量子电路的每一环都可以用代码描述、验证并评分，未来的 AI 可以从最底层的硬件物理结构，到最上层的算法逻辑，进行全局联合优化。
翻译成人话：未来人类可能直接按 AI 的图纸去造硬件。
我的判断
第一，这项研究的含金量，在于它的”可验证闭环”——AI 的结论可以被物理执行。
对比很多”AI 发现科学规律”的新闻——AI 列了一堆假设，人类一个个去验证，发现大部分不成立——这次完全不同：Mythos 5 设计的电路是用可运行的代码表达的，自动评估程序能直接打分，每个改进都可以被量化比较（量子位数 × 门数量）。
这是真正的封闭验证循环：提出方案 → 自动评估 → 反馈 → 迭代。不需要人类因为”这个听起来很有希望”而停下来反复测试。
第二，”人类错觉”在这项研究里暴露得很彻底。
最典型的是 divsteps 那个案例：人类密码学界说”那条路走不通”，是因为所有人都默认”存不下草稿就是死路”，没有人想过不存草稿，直接从结果反推。这个”没有人想过”，不是因为推理路径有多复杂，而是因为人类大脑的思维惯性：一条路标记为”此路不通”后，绝大部分人会停止在这个方向上的一切探索。
而 Mythos 5 没有”这条路有人标记过”的概念，它只看到”目标是什么，约束是什么”，然后从零开始推。
这对普通人的实用意义很具体：当你在解决一个被贴上”此路不通”标签的老问题时，问一下自己——是真的不通，还是只是过去的人没试过另一种走法？
第三，说句泼冷水的——短期内别指望它帮你调优你手上的业务代码。
Mythos 5 这次的成就集中在”量子电路优化”这个极度受限、约束极其清晰的领域——工作量可以用量子位数和门数量精确度量，失败是明确的（电路报错），成功也是明确的（电路跑通）。这和”帮我优化这个 Python 服务，让它延迟降低 30%”是完全不同的任务——后者连”什么算成功”都很难定义。
但这恰恰是我觉得最有价值的一点：在最能证明 AI 自主研究能力的地方，AI 已经证明了。 下一步怎么把这种”受限空间里全自动闭环设计”迁移到更开放的工程领域，取决于行业能在多大程度上建立类似”可自动评分”的验证机制。
53 小时，8 项人类纪录，一套自主发现的新数学公式。
Mythos 5 不是第一个被报道”超越人类”的 AI 模型。但我敢说它是第一个给你拿出了可运行代码、可复现结果、并且明确告诉你”我是怎么做到的，你自己也可以试试”的模型。
剩下的问题不在 Mythos 5 身上，在我们身上：当它已经把最难的推理路径走通之后，你打算怎么用这个”可以将约束条件下的设计全自动闭环”的能力？
答案不在 AI 手里，在你的工程判断力手里。