Mythos 5 真能在53小时内碾压人类数年的量子研究？-字节棱镜 (Byte Prism)

Anthropic 旗下的 Mythos 5 在53小时内自主设计了8项基础量子电路，全部击败人类公开发表的最优方案；在关键解码任务中，计算成本暴降12至17倍，并且自主推导出了人类从未发现的全新代数恒等式 [1]。这不是又一条”AI 改变世界”的营销话术，而是 AI for Science（人工智能驱动科学研究）范式正在向量子计算领域渗透的一个具体样本。问题是：它到底解决了什么、对我们意味着什么，以及和国内外其他量子计算突破是不是一回事？

量子电路到底难在哪？为什么人类要”抠”好几年？

硬件层面有两个绕不开的瓶颈：一是量子位太少，目前的机器顶多几百到上千个，跑复杂算法远远不够；二是量子位太脆弱，一点热量、一点震动，甚至穿透地球的宇宙射线，都可能让量子位出错 [1]。硬件缺陷逼迫科学家只能在软件层——也就是算法电路——疯狂抠细节，试图用最少的量子位和最短的计算步数完成任务。

量子电路的编程和传统编程是两种东西。传统程序可以判断条件走 A 路线或 B 路线，但量子计算是所有可能性的叠加，必须在每次运行时把 A 和 B 的操作都包含进去，没有”if-then”这种分支结构 [1]。更反直觉的是”不能丢垃圾”：传统程序算完中间结果可以清掉内存，但在量子世界，信息不能被丢弃，因为量子计算必须是绝对可逆的——强行擦掉中间草稿会污染最终结果；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（即量子计算中最基础的操作单元，相当于传统逻辑门在量子世界中的对应物） [1]。这两条限制叠加在一起，让量子电路设计变成了一场在”空间”和”时间”之间的极限拉扯。

代价有多大？以模拟 FeMoco（一种固氮酶核心分子，对制造化肥至关重要）为例：2017年人类估算需要50万亿个 Toffoli门才能完成，顶级科学家花了8年把这个数字压到3.4亿 [1]。8 年时间，把一个天文数字压缩了五个数量级。

Mythos 5 是怎么自己学会设计量子电路的？

Anthropic 启动了一个叫 STEM Fellows 的项目，他们给 Mythos 5 的任务很简单：用大白话描述化学、优化、物理模拟、数论领域的8个基础量子电路，你自己设计 [1]。

整套流程是一个完全自主的闭环：Mythos 5 用 Python 写出量子电路设计；一个自动评估程序检查它对不对，并按”使用的量子位数 × 量子门数量”给出一个得分；Mythos 5 拿到反馈，没有人类插手，自己反思、迭代、再提交 [1]。53小时后，8个任务全部击败人类最优设计。

“全部击败”具体意味着：不是在某一两项上接近人类水平，而是在所有8项上都做到了更优；找到的结构和数学规律也推翻了人类的思维定势 [1]。它还自主推导出了人类从未发表的全新代数恒等式——这不是把已有方案优化一下，而是发现了新东西 [1]。

那个”全新代数恒等式”到底有什么用？

具体场景是椭圆曲线密码学（数论和密码学领域耗时最长的核心操作之一）。在椭圆曲线计算中有一个叫”点加法”的关键步骤，其中最昂贵的操作就是模块化求逆 [1]。

传统计算机处理这个问题很快，用的是一种叫 divsteps 的算法：把两个数字不断交换、加减、折半，最后得出结果。但在传统计算机里，这个过程会产生大量”分支信息（草稿）”，算完就扔，没问题 [1]。

问题在于量子电路不能扔草稿——前面说了，量子计算必须可逆，中间结果不能丢。直接照搬 divsteps 看似”算法一样”，到量子电路上就会因为可逆性约束而成本爆炸 [1]。Mythos 5 的突破在于找到了一种让 divsteps 在量子电路上高效运行的结构，具体是推导出全新的代数恒等式，让那些原本需要大量中间存储的分支操作变成了可逆且紧凑的形式 [1]。换句话说，它不是改进了某个步骤的常数，而是重新理解了底层数学结构。

这跟其他 AI 破解数学/物理难题的新闻是一回事吗？

几乎同一时期，OpenAI 也在密集释放类似信号。据公开信息，OpenAI 的下一代模型 Astra 已成功破解十项困扰数学界十年以上的难题，覆盖高维几何、编码理论、群论、量子复杂度、格密码学、算子代数、极值组合学等多个前沿领域；按 GPT-5.6 的 API（应用编程接口，即通过代码调用大模型的标准化通道）算力标准折算，消耗的 Token（模型处理文本的最小计量单位，可粗略理解为”字数”）成本仅约2000美元 [5]。OpenAI 总裁 Greg Brockman 还在公开场合透露，他们在另一个”千禧年大奖难题”（克雷数学研究所公布的七大未解数学难题，每道悬赏百万美元）上取得了重大进展 [6]。

这些事件放在一起看，指向同一个趋势：AI for Science 的范式正在从”辅助工具”升级为”自主发现者”，量子计算是其中一个高价值战场 [5][6]。但边界要划清楚——目前公开的能力主要集中在算法和电路设计层，硬件层面的突破仍然依赖物理学家和材料科学家的实验工作。AI 能设计更好的电路，但不能自己造量子位。

国内量子计算进展到哪了？Mythos 5 的突破对我们意味着什么？

硬件层面有实质进展：我国团队在硅基量子计算机原型验证上取得了突破 [2]。产业化层面，全国人大代表、本源量子首席科学家郭国平在两会期间明确指出，量子科技已被定位为新的经济增长点，但”书架到货架”的转化依然面临”死亡谷”——产学研协同不够紧密、真实应用场景供给不足、早期项目融资难度大 [3]。应用层面，复旦大学李晓鹏团队在中性原子量子计算领域搭建了千比特量子计算系统，把量子 AI 用到气象预测上，结果显示哪怕只有10个量子比特的含噪声系统，效果也能超过千节点的经典神经网络 [4]。

把这些进展叠在一起看，国内的量子计算布局是”硬件原型 + 产业政策 + 垂直应用”三路并行，和 Mythos 5 所代表的”算法自动化”恰好互补。Mythos 5 的突破属于算法/软件层的 AI 自动化，叠加国内硬件与产业化的进展，量子计算正在进入”软硬协同加速”的新阶段——AI 负责把算法空间榨干，硬件团队负责把物理极限往前推 [2][3][4]。

开发者现在能做什么？

如果你想动手体验，IBM 的 Qiskit 和本源量子云平台都提供在线量子电路模拟器，不需要真正的量子硬件就能编写和运行简单电路 [3]。如果你想追踪学术前沿，关注 Mythos 5 和 Astra 等大模型在 Lean（一套用来严格验证数学证明是否正确的形式化证明系统）下验证的论文与代码，是判断这些”突破”是否经得起同行审视的最直接途径 [5]。还有一个值得思考的方向：如果 AI 能自主设计量子电路，传统密码学（椭圆曲线、RSA 等）的安全性评估时间表可能需要重新校准——毕竟，能被 AI 更快设计出的电路，意味着量子计算机能更快跑完攻击 [1]。

量子计算不会因为一次模型发布就”被解决”。Mythos 5 的成绩说明，AI 不只是研究的辅助工具——在某些细分领域，它已经能系统性跑出优于人类最优解的方案。