凌晨两点，MIT工程量子系统组（EQuS）的实验室里没有人。稀释制冷机照常把六比特超导量子芯片压在接近绝对零度的温度上，但操作它的不是研究生，而是一个接入Codex的GPT‑5.6 Sol——它自己选测量参数、自己发脉冲、自己分析谱线、自己决定下一步做什么。芯片的主人Beatriz Yankelevich可能在家睡觉，或者像她自己说的那样：「我可以从手机上看看它们干了什么，有需要再纠正一下方向。」
9月9日OpenAI发布的这篇博文，表面上是又一个「AI又攻克了一个领域」的故事。但如果你把它放进实验室自动化二十年的历史脉络里看，会发现一个更值得玩味的信号：Agent的价值锚点正在从「数字工时」转向「仪器时间」——而这可能是比「AI会写代码」更深刻的结构性变化。
一、Agent到底在量子实验室里做了什么
先把这件事的技术边界看清楚，因为它比标题听起来要克制得多。
超导量子计算有个不太为外人所知的痛点：芯片造出来、封装好、降温之后，物理学家面对的是一块「未校准」的设备。量子比特像人工原子，只占据特定能级，你需要用微波脉冲去探测它的跃迁频率、校准控制脉冲的幅度与形状、测量它的相干时间——这一整套表征（characterization）工作由一系列相互依赖的测量组成：上一步的结果决定下一步的参数，而量子比特的性质还会漂移，偶尔冒出意想不到的物理行为。
按OpenAI的说法，每块标准测试芯片的完整表征要吃掉一名研究者好几天的时间。EQuS课题组批量流片，这块成本会线性放大。
Yankelevich做的事，是把Codex接到实验室的测控软件上，并给它一组「measurement-specific skills」——描述每类实验怎么跑、怎么评估结果的技能模块。然后GPT‑5.6 Sol在未校准的六比特芯片上，以极少人工干预完成了：跃迁频率识别、控制脉冲校准、相干时间测量。
注意三个细节：
- 信号清晰时，Agent全程自主；信号弱或噪声大时，它找参数明显变慢，有时需要有经验的研究者介入。
- 有经验的人类仍然比Agent更快找到最佳校准参数——Agent赢的不是单步速度，而是「不需要有人盯着的整段时间」。
- 新颖实验里，Agent被分配的是更窄的目标，但被更重地当作「写代码、改代码、跑仿真」的工具用。
这三个细节合起来，其实勾勒出了当前Agent能力的一条精确边界线。我们后面会回到它。
二、量子实验室为什么第一个被攻下
一个反直觉的事实是：量子实验室被Agent率先攻下，不是因为量子物理简单，而是因为量子物理「软件可及」。
超导量子芯片降温封装之后，研究者与它的全部交互都通过软件完成——发波形、收信号、跑分析脚本。测量-分析-决策的闭环本身就是代码可描述的。这意味着LLM Agent不需要任何新的硬件接口能力，就能伸手碰到物理世界。
把这个条件和其它学科对比一下就清楚了。合成生物学的移液工作站、化学的自动化反应平台，都需要机器人和专用硬件在场——那类自动化走的是另一条更贵的路。而量子计算、射电天文、远程望远镜这类学科，物理世界早就被一层厚厚的软件中间层包裹好了，Agent只需要会调用这层API。
这就解释了一个更大的图景。回顾实验室自动化的历史，大致有三波浪潮：
第一波：机器人时代（2000s）。 2009年，Ross King团队的「机器人科学家」Adam在酵母基因组学上实现了闭环——提出假设、设计实验、执行、验证，全自动。但Adam的「智能」是硬编码在逻辑规则里的，它能做的科学被穷举空间严格框死。同期工业界的移液机器人、高通量筛选平台，本质上是「可编程的手」，决策仍在人。
第二波：专用算法时代（2015-2022）。 这个阶段最典型的正是量子领域自己：用强化学习和贝叶斯优化来自动调量子比特参数的研究持续了将近十年，2020年前后已有多项工作证明算法能比人更快找到好参数。但每换一种实验、每个课题组、甚至每代芯片，都得重新设计状态空间和奖励函数。自动化被锁死在「一个算法管一件事」的格子里，泛化成本极高。这也是为什么这些技术论文很多、落地很少。
第三波：LLM Agent时代（2023-）。 2023年底，CMU的Coscientist用GPT‑4接上文献检索、代码执行和Opentrons移液机器人，在Nature上展示了自主设计并执行Suzuki偶联反应；同一期Nature上，Berkeley的A-Lab自主合成了几十种新材料。2025年Google的co-scientist把多Agent系统推向「生成可验证假设」的层面。再到这次MIT的量子实验——通用模型 + 工具调用 + SOP技能封装，第一次让「换一个实验」的成本从「重新做研究」降到「重写一份技能文档」。
前两波失败的共同原因，是决策层做不出通用性。机器人提供了手，专用算法提供了局部脑区，但「读懂当前数据、判断异常、决定下一步」这个黏合一切的角色始终空着。LLM恰好填的就是这个位置——它不精通任何一个物理问题，但它是第一个足够通用的「决策胶水」。
三、校准，而不是发现
那这是不是意味着AI科学家要来了？这次MIT实验给出的信息恰恰相反——它精确标出了当前的边界：Agent吃下的是校准，不是发现。
校准类工作的共同特征：流程有明确SOP、反馈信号清晰（谱线找没找到、拟合好不好，机器自己能判断）、单步出错可恢复。这是Agent的甜点区，和「Agent能写CRUD但做不了架构设计」完全同构。
而弱信号、强噪声、非预期物理行为的场景——恰恰是「物理直觉」发挥作用的地方——Agent仍然会卡住，需要有经验的人远程接管。Yankelevich的表述很诚实：解释模糊的物理结果，仍然是当前模型的挑战。
但这里有一个容易被低估的经济学问题：在实验室里，最稀缺的资源早就不只是人的智力，而是贵重设备的闲置时段。
一片芯片表征要几天，课题组批量流片，稀释制冷机是24小时运行的——机器不睡，人要睡。过去这个矛盾的解法是「博士生值夜班」，一种古老而昂贵的自动化。现在EQuS的做法是让Agent整夜跑测量，人早上来看结果、纠偏、派新任务。相当于贵重仪器的有效利用率直接翻倍，而边际成本接近于零——这和「用GPU集群跑夜间推理」是同一种账本逻辑，只不过这次被闲置的不是GPU，是物理世界本身。
顺着这个逻辑，你会发现「AI替代研究员」是个错误的问法。正确的问法是：一个课题组里，有多少天的工作其实是「守着仪器做重复测量」？ 这些时间被释放出来之后，人的时间被迫向两端迁移——要么向下游（解释结果、设计实验），要么向上游（规划Agent的任务栈）。Yankelevich自己总结的正是这个：「我大部分时间花在更高层的工作上——解释结果、设计实验、给Agent规划下一步、读文献、写东西。」
四、Skills化：一种新的自动化封装范式
这次实验里我认为最值得工程团队抄走的细节，不是Agent有多聪明，而是封装方式。
Yankelevich没有试图做一个「全自动实验室」，她做的是把每类测量的SOP写成measurement-specific skills——Agent可调用的技能文档。信号清晰的工作交给Agent全自主，弱信号场景保留人工介入点。
这个设计和当下软件工程领域Agent落地的最佳实践惊人地一致：与其追求端到端自主，不如把确定性流程封装成工具、把判断权留给边界处。日报同期另一条新闻可以互为参照：Hugging Face的ML Intern让用户用自然语言描述想法，Agent自主完成数据集构建、训练、监控、上传全流程，6小时训练成本不到0.5美元——同样的模式，「全流程自主 + 明确的预算与边界」。
所以对其它「软件可及的物理学科」——合成生物的表征环节、材料学的测试流程、望远镜的巡天校准——迁移路径已经清晰：
- 盘点你领域里SOP明确、反馈可机器判读、人力耗时大的流程（每门学科都有大量「校准等价物」）；
- 把SOP封装成Agent技能，而不是追求全自动；
- 保留模糊场景的人工介入点，把人的时间推向解释与设计。
第三步常被跳过，但它决定了系统是「可靠的产能放大器」还是「凌晨三点烧掉一块芯片的祸根」。物理世界没有沙箱，出错不可回滚——这也是为什么「让Agent接管实验」比「让Agent接管代码仓库」慢了整整两年，而且大概率会一直更谨慎下去。
五、接下来会发生什么
几个可以检验的预测：
短期（1年内），「Agent值夜班」会在量子计算行业内部扩散。这几乎不需要预测力——商业量子计算公司对仪器利用率比学术界更敏感，而技术门槛已经被证明低到「一个研究生 + 一份技能文档」。
中期（2-3年），实验室Agent会催生一批「技能文档」生态，就像MCP之于软件Agent。测量SOP的标准化会成为显学，因为它是Agent可复用性的前提。课题组之间的竞争维度会微妙地变化：谁的SOP写得更机器可读，谁的自动化红利就更大。
更远处，真正的悬念在「校准之上」的那一层：当Agent把例行测量全部吃掉、并把海量标准化数据沉淀下来之后，「解释模糊信号」所需的物理直觉，会不会也开始从数据里长出来？Coscientist到co-scientist的轨迹暗示这个方向没有理论障碍，只有数据密度和时间问题。
但至少在今天，这个故事的主角不是AI，而是一个具体的人：一个研究生决定把自己的几天时间从重复测量里赎回来，方法是把SOP写成文档交给一个通用的决策引擎。二十年实验室自动化的历史证明，「全自动科学家」是错误的目标；「人机各就其位、仪器不再空转」才是正在发生的事。
量子比特的守夜人换班了。这次接班的不是另一个博士生，而是一段会自己读谱线的代码。
参考：OpenAI: How GPT‑5.6 Sol helps run quantum computing experiments；Coscientist (Nature, 2023)；Adam the Robot Scientist (Science, 2009)