Anthropic 於二○二六年十月十六日公布研究：以內部模型 Claude Mythos 5 在閉環中設計量子電路——僅給口語規格與自動評分器，即可在化學、優化、物理模擬與數論等八項計算原語上，改進既有最佳公開設計，部分案例達一個數量級以上。橢圓曲線點加法的模逆步驟經五十三小時近乎自主搜尋，得出無需存完整分支歷史的可逆 divsteps；相對先前最省量子位元方案，某一設計僅多用約百分之十二量子位元，門數卻少約十七倍。解碼量子干涉（DQI）的 Reed–Solomon 定位步驟改採 Berlekamp–Massey，門數相對 Google 先前構造約減十二倍。

來源真實性已驗證：本文事實核對自 Anthropic 官方研究頁完整說明，以及同日公開的 arXiv 論文；公開頁回傳正常。此為「算法／電路編譯」進展，與 Google Willow 等硬體實驗屬不同軸線，不宜混為同一故事。

對香港與亞洲的研發、金融科技與企業 AI 團隊而言，重點在於：前沿模型已能在嚴格可逆性約束下做多輪提出—評分—改進，把昔日需多團隊多年累積的電路壓縮，縮短為可機器化的閉環實驗——這與「把領域約束寫進規格、用私有模型反復優化」的企業落地路徑高度同構。

Anthropic／官方：Claude 設計更高效量子電路——八項基準有時數量級改進；橢圓曲線五十三小時閉環、DQI 解碼約十二倍省門

一、核心事件：口語規格加評分器，模型閉環改寫量子電路

技術細節

量子電腦以量子位元承載疊加與糾纏，但現有裝置僅數百至數千量子位元，且極易受熱、震動乃至宇宙射線等環境噪聲干擾。實用算法因而同時受「空間（量子位元）」與「時間（門數／深度）」雙重稀缺約束。業界常以 FeMoco（固氮酶核心鐵硫簇）基態能量估算作說明：二○一七年估計約需五十萬億次 Toffoli 門；其後多輪算法改進把估計壓至約三億四千萬次——約十五萬倍縮減，對應未來約三百萬物理量子位元機上數小時級計算。官方強調：這段歷史壓縮主要來自「重設計電路」，而非單靠硬體躍進，且並非本次 Claude 的直接產出，只作背景對照。

Anthropic 寫道，團隊向 Claude 提供八個量子電路的白話規格，並配備自動評分器檢查正確性、以量子位元數與門數計分。模型以 Claude Mythos 5 在閉環中運作：提出設計、接收評分回饋、再改進下一輪，輪次之間無需人手介入。八項原語涵蓋化學、優化、量子模擬、數論與數值計算；官方稱改進來自對問題結構與數學洞察的重新發現，而非微調既有版圖。工作由 STEM Fellows 計劃的 Andi Gu 主導，導師為 Anthropic 量子物理學家 Alek Kemeny，並與哈佛大學 Susanne Yelin、以及哈佛／QuEra Computing 的 Mikhail Lukin 合作；完整論文見 arXiv:2610.22367。

二、技術原理深度解析

量子電路設計有兩道古典程式罕見的硬約束。其一，電路不能像普通程式那樣依「若—則」只執行其中一條路徑：量子必須同時處理疊加中的多條分支。其二，每一步原則上可逆，中間「草稿」不能隨便抹掉；若要回收量子位元，往往得先反計算（uncompute），之後若再需要同一中間結果又得重算——於是空間與時間形成尖銳取捨。

橢圓曲線點加法與可逆 divsteps。 點加法是橢圓曲線離散對數類量子算法的核心步驟，成本大半落在模逆（modular inversion）。古典端常用 divsteps 迭代；但量子版若直譯，必須保存每一輪選了哪種運算的「分支資訊」，量子位元開銷會爆開。Claude 在約五十三小時、幾乎僅靠初始簡報與偶發「請想廣一點」提示的條件下，推導出可由當前狀態解碼／重建分支資訊的規則，並以 Lean 形式化部分主張，完成「無需存完整分支歷史」的可逆 divsteps。再依「存歷史較便宜還是解碼較便宜」調節門檻，得到一族 Pareto 前沿設計：相對先前最省量子位元的公開方案，其中一款多用約百分之十二量子位元，但門數少約十七倍。

DQI 的 Reed–Solomon 解碼。 解碼量子干涉（Decoded Quantum Interferometry）透過讓較佳解更易被量測讀出，服務排程、物流與材料等優化問題；代價集中在 Reed–Solomon 解碼。先前主流量子構造依擴展歐幾里得算法，路徑依賴重。Claude 改以 Berlekamp–Massey 組織電路，並同樣用「由當前狀態重建、只為少數例外預留記憶」降低反計算成本：最壞情況預留三十五輪例外約需六百六十五量子位元，模型改以高速模擬跑約四億零三百萬次樣本，發現幾乎每次最多只需存一個例外，因而只預留十九量子位元。官方稱相對 Google 先前構造，解碼步驟門數約減十二倍——方法替換、可逆實現與經驗性記憶配置三層疊加。

四、日常應用場景

1. 開發者與技術團隊

量子軟體棧、編譯器與算法研究人員可把本案例讀成「規格＋可執行評分器＋多假設並行」的模板：先把正確性與資源指標自動化，再讓模型在約束內搜尋，必要時要求並行探索質性不同路線，並對關鍵引理做形式化驗證。古典端的高性能計算與密碼原語優化，同樣適用「閉環評分」思維。

2. 企業與隱私敏感行業

藥研、材料、物流優化與金融風險場景，長期把「量子優勢」綁在遙遠硬體里程碑上。本次結果提醒決策層：算法層壓縮可與硬體並行推進；同時，企業若要以生成式 AI 做高風險工程決策，應把評分器、回歸測試與可審計軌跡設為預設，而非只看聊天輸出。對不宜把電路、配方或客戶資料送出境外的機構，私有部署與領域約束寫入系統提示／工具鏈，比單次公有聊天更貼合合規。

3. 一般用戶

一般用戶短期不會直接執行 FeMoco 或橢圓曲線量子電路，但會接觸「AI 加速科學發現」的敘事。宜區分：這是電路資源估計與編譯進展，不是宣布商用量子電腦已能量產；也不是對現行互聯網加密的即時破解預告。

4. 香港與亞洲市場視角

香港正推動創科、具身智能與負責任人工智能，高校與實驗室在量子資訊、量子化學與優化方向亦有布局；亞洲供應鏈與金融科技對「排程／組合優化」需求明確。本地團隊可關注兩點：一是把自動評測與形式化驗證納入 AI 輔助研發流程；二是敏感實驗數據與專有電路應留在可控環境。若企業要在香港境內以私有模型反復優化領域工作流，可參考 YSK Limited 的企業私有 LLM 全託管——Dataset 建立、QLoRA／LoRA 微調至私有 API，年費 HK$88,000 起，數據不出境：https://ysk.hk/services/ai-automation

五、專業評價與潛在考量

優勢

官方公開閉環設定、具體資源數字與 arXiv 論文，便於同行覆核。
改進來自結構性洞察（可逆 divsteps 解碼、Berlekamp–Massey 重組），而非單純暴力堆參數。
把「多年多團隊」的電路壓縮示範為「數十小時機器閉環」，對科研產能敘事有實質意義。

需要留意的地方

部分早期實驗中模型偏保守，需人為要求並行多路線與偶發拓寬搜尋；自主性並非零干預。
資源數字屬電路層估計／相對公開構造的比較，仍取決於未來容錯架構與錯誤校正開銷。
FeMoco「五十萬億→約三億四千萬」是歷史背景，勿誤寫成 Claude 單次達成。
與硬體突破（如邏輯量子位元實驗）應分開評估，避免標題黨式合併。

結語

Anthropic 展示的是一條清晰路徑：把量子電路的正確性與成本寫成可執行評分，讓前沿模型在可逆性約束下自主迭代，便有機會把門數與量子位元推到新的 Pareto 前沿。對香港企業而言，可遷移的教訓未必是立刻採購量子機，而是建立「規格化約束＋私有模型閉環＋可審計驗證」的工程文化。若要在本地部署企業級私有 LLM 以支撐研發與知識工作流，可參考 YSK Limited 的 AI 自動化／企業私有 LLM 服務：https://ysk.hk/services/ai-automation

參考來源

Anthropic，《Designing more efficient quantum circuits with Claude》，2026-10-16：https://www.anthropic.com/research/designing-efficient-quantum-circuits
arXiv:2610.22367（官方研究頁連結之完整論文）：https://arxiv.org/abs/2610.22367