來自加州大學圣地亞哥分校（UCSD）的華人學者Wanda Hou，與加州大學伯克利分校以及Google Quantum AI合作，在谷歌的Sycamore與Willow超導量子處理器上完成了一次別開生面的實驗。
他們發(fā)現(xiàn)：當機器學習模型「學不會」時，正好對應量子體系發(fā)生了測量誘發(fā)的相變。AI的失效，反而成為了物理的探針。
論文鏈接：https://arxiv.org/abs/2509.08890
為什么要關注測量？
在量子計算中，測量通常被視為「終點」——想得到結(jié)果，就測量比特；但這一步也會破壞量子態(tài)。
令人驚訝的是，測量并不只是破壞，它還能在未被測量的比特之間誘發(fā)新的遠程糾纏。
問題是，這種效應隱藏得太深，傳統(tǒng)方法往往需要指數(shù)級的實驗次數(shù)才能把它揪出來。
于是，研究團隊提出了一個大膽的問題：能否完全放棄先驗知識與繁瑣的「后選」，讓機器學習直接從數(shù)據(jù)里自己發(fā)現(xiàn)？
如何把AI拉進實驗室
團隊首先在谷歌的超導量子處理器上制備了一維和二維cluster態(tài)。
然后，他們測量掉幾乎所有的量子比特，只留下遠距離的兩個探針比特，并用「經(jīng)典影子（clssical shadow）」方法去記錄探針的狀態(tài)。
接著，他們把這些實驗數(shù)據(jù)輸入一個帶注意力機制的生成式神經(jīng)網(wǎng)絡。
與常見的監(jiān)督學習不同，這個模型沒有標簽、沒有先驗，全靠無監(jiān)督學習來「猜測」探針的后測量態(tài)。
Image caption:一維實驗：測量掉鏈中比特，兩端探針產(chǎn)生糾纏。
二維實驗：隨測量角度變化出現(xiàn)相變，臨界點角度的糾纏驟現(xiàn)。
神經(jīng)網(wǎng)絡：直接用測量數(shù)據(jù)學習探針狀態(tài)，估計糾纏與熵，無需先驗模型。
「意外」的發(fā)現(xiàn)
在一維34比特的實驗中，AI的表現(xiàn)堪稱亮眼：即使什么先驗都不給，它僅憑數(shù)據(jù)就學出了與理論模型一致的遠程糾纏。可到了二維6X6陣列，情況突然變得耐人尋味：
在低糾纏區(qū)：體系沒有長程量子糾纏，AI很快就學會了測量數(shù)據(jù)中的簡單結(jié)構(gòu)，預測結(jié)果與理論一致，糾纏為零。學習曲線迅速收斂，所需計算資源也遠小于傳統(tǒng)模擬。
在高糾纏區(qū)：體系充滿全局性的量子糾纏，數(shù)據(jù)看似隨機卻高度相關，但這種復雜性根本無法被經(jīng)典算法解碼。AI并不是「不夠強」，而是遇到了物理層面的「硬障礙」。它雖然也能很快收斂，但學到的只是「瞎猜」，因此無法探測到糾纏。
在臨界點：情況最耐人尋味。AI的學習曲線突然拉長，說明它在數(shù)據(jù)中捕捉到了復雜且豐富的結(jié)構(gòu)，需要更多訓練才能收斂。最終，它在這里給出的糾纏信號出現(xiàn)峰值，恰好對應體系發(fā)生相變的臨界點。
換句話說，AI的「學不會」，正好對應量子體系進入臨界的時刻。
重要的是，這并不是AI本身的問題，而是全局量子糾纏帶來的指數(shù)級復雜度，天然超出了經(jīng)典算法的解碼能力。經(jīng)典AI在這里觸碰到了物理世界的「硬邊界」，它的失效反而成為我們確認臨界性的信號。
從經(jīng)典AI到量子AI
這一發(fā)現(xiàn)也讓人重新思考未來：如果經(jīng)典AI的局限來自無法高效模擬全局量子糾纏，那么當量子計算機本身成為AI的算力基座時，會發(fā)生什么？
理論上，量子增強的AI能直接處理糾纏與非局域關聯(lián)，從而跳過經(jīng)典算法的「學習失敗」瓶頸。
這不僅意味著更強的模式識別與科學建模能力，也可能成為科學家們長期設想的「真正的科學智能體」的雛形。
值得注意的是，Google Quantum AI團隊在幾乎同一時間發(fā)表的另一篇工作。
論文鏈接：https://arxiv.org/abs/2509.09033
這篇工作就從理論角度證明：當量子計算機用作生成式AI的基座時，模型能力將出現(xiàn)本質(zhì)性的進化，能實現(xiàn)經(jīng)典AI無法觸及的表達與推理能力。
在這個意義上，今天我們看到的「AI學不會」，并不是失敗的終點，而是未來量子AI的起點路標。
當量子與智能真正融合，我們可能迎來一次科研范式的根本飛躍。
意義與展望
這項工作帶來的啟示至少體現(xiàn)在三個方面：
新型觀測范式：通過AI學習與量子—經(jīng)典交叉關聯(lián)，研究者能夠在無需后選、避免指數(shù)級實驗成本的條件下，從數(shù)據(jù)中直接提取物理信號。更重要的是，AI的「學不會」本身也成為了臨界性的標志，讓學習過程轉(zhuǎn)化為一種新的觀測手段。
誤差校正潛力：在低糾纏區(qū)（可「擦除」的區(qū)域），AI能快速學習并準確識別測量數(shù)據(jù)的結(jié)構(gòu)信號。這類能力非常適合應用于量子誤差校正，幫助量子計算機實時定位并修復局部噪聲和錯誤。
未來前景：量子計算與人工智能的結(jié)合，有潛力孕育真正面向科學探索的智能體。當AI本身運行在量子計算機上時，它或許能夠突破經(jīng)典算法的限制，直接操控和解碼量子糾纏，帶來一次智能形態(tài)的根本飛躍。
總結(jié)
由UCSD與UCB領銜、并與Google Quantum AI深度合作的這項研究，首次在實驗中表明：經(jīng)典學習模型的失敗本身可以作為物理臨界點的探針。
在一維體系中，研究者僅憑數(shù)據(jù)驅(qū)動就揭示了遠程糾纏；在二維體系中，機器學習的「學不會」與測量誘發(fā)相變的臨界點精確重合。
這不僅突破了傳統(tǒng)觀測的瓶頸，也預示著一種新的研究范式：AI不只是輔助工具，它本身也能成為探索自然規(guī)律的顯微鏡。而當量子計算賦能AI時，科學家們或許將迎來真正的「量子智能體」時代。