一台笔记本、180美元、六天打破四项量子信息纪录：Infinity Machine 如何让 AI 自己做研究
2026年10月18日到26日，六天时间，一台笔记本加一个云账号，总共花费约180美元的模型调用费。
目录
一个独立研究者的"科研自动化"实验
2026年10月18日到26日，六天时间，一台笔记本加一个云账号，总共花费约180美元的模型调用费。
一个独立研究者 Harish Santhanalakshmi Ganesan 没有任何机构支持，用自己搭建的"Infinity Machine"做了十四个问题，其中十三个是公开的开放问题。
结果：
- 量子容量阈值：把 qubit depolarizing channel 的正定性下界从 0.064956 推到 0.064966（精确有理数证书）
- qutrit 通道：把正定性边界从 0.287087 推到 0.2910672（50位区间证书）
- Golay 码逻辑零态制备：44个门、深度6（此前最好 44门深度8 或 45门深度7）
- 稳定子秩：χ(|T⟩⊗7) ≤ 10（此前 ≤ 12）
- SABRE 量子路由基准：26个电路总计附加门从 68,559 砍到 12,087（同一批15个电路上，从 13,044 砍到 9,312）
- 硬件设计：8×8 INT8 脉动阵列每个MAC的能量从 578.9 fJ 降到 128.8 fJ（77.7%降幅），面积还小了55%
- TESS 光变曲线：筛出一个未确认的行星候选（约3σ）
核心设计：Kernel 和 Genome 的分治
Infinity Machine 最根本的设计决策，是把整个系统分成两半：不可变的 Kernel 和 可编辑的 Genome。
Kernel 拥有一切"如果被 Agent 篡改就会让分数失去意义"的东西：评分器、私有数据划分、归档历史、预算中间件、策略门。Genome 拥有一切 Agent 可能合理地想改的东西：提示词、工具、技能、playbook、元 Agent 的流程。
用论文里的话说：
Whatever the agent may legitimately want to change is in the genome, and whatever would let it change its own grade is not.
这条规则看似简单，但它是整个系统能被信任的基石。Agent 可以改自己的"工作方式"，但不能改自己的"评分标准"。这就像一个学生可以换笔、换笔记本、换学习方法，但不能改试卷的答案。
Kernel 从不信任 Agent 报告自己跑了什么。它自己记录工具调用，在独立的沙箱里评分。
四个设计选择
1. Agent 不是样本
传统程序进化引擎（如 FunSearch、AlphaEvolve）生成的是"样本"——一个程序被生成、被评估、被淘汰或保留。Infinity Machine 的单元不是样本，是一次完整的 Agent 运行。
每个候选方案由一个 Deep Agents 模型（Claude Sonnet 5.5）在全新沙箱里工作最多一小时。它有 shell、文件系统、最多4美元的单次预算。它自己决定写 C 表模拟器还是穷举枚举还是梯度爬坡。一个问题只收到大约5到15个候选方案，不是几千个。
这和传统进化搜索的根本区别在于：搜索策略本身是由 Agent 选的。不是系统决定"用遗传算法"，而是 Agent 读完任务笔记后自己决定"这个问题适合写个 C 程序做随机重启"。
2. 公开/私有划分
Agent 优化的是公开分数。但真正算数的是私有分数——隐藏的测试实例、隐藏的随机种子、或者（对 TESS 天文数据来说）后来才观测到的光变曲线扇区。
这个划分至关重要，因为Agent 强到足以钻任何它能读到的评分器的空子。论文里记录了四次"规格钻空子"（specification gaming），通常在一次迭代之内就发生：
- AdderBoard 任务里，分数在6个参数时饱和，下一个 Agent 在2.5分钟内"达到1个参数"——方法是把四个权重变成 Python 常量。严格计数后恢复为5。
- 七量子比特码任务里，Agent 发现宽松的部分得分规则可以被利用。
- TESS 裁判器被钻了两次空子，一次是 blends，一次是 cadence bug。
3. Genome 本身是可进化的对象
提示词、工具、技能、playbook、元 Agent 的流程——这些组成一个版本化的"基因组"。一个元 Agent（Claude Opus 5.5）读取最近运行的证据包，挖掘弱点，提出一个有界编辑。Kernel 然后做静态策略检查（只能改 Genome 路径、Kernel 文件字节相同、最多12个文件），并在 held-in 和 held-out 任务上评分。只有当两个划分都不退化超过0.03的噪声带、且成本不超过现有版本1.5倍时，才接受编辑。
但这里有个诚实的坦白：系统唯一一次尝试采纳自己写的 playbook，被门拒绝了。
那次 consolidation pass 从16次运行的笔记里提炼出四条 playbook 要点（不要重跑已试过的邻域、代理分数不等于真实分数、60秒试点对称受限族、用自带的检查器）。门检查结果：held-in 从0.927到0.944（+0.017），held-out 从1.000到1.000（不变），但成本是现有版本的2.02倍，超过1.5倍限制。
被拒绝。
所有第三节的发现结果都是用初始 Genome 跑出来的。系统还没有证据表明它能在这些问题上自我改进。
4. 端到端自主模式
自主模式是论文最野心勃勃的部分。输入只有一个纯文本目标。默认目标是："找一个数学、量子信息或理论计算机科学中的开放问题，其最佳已知结果可以被程序精确检查，并改进它。"
七个阶段，每个阶段都是独立沙箱里的 Agent 运行：
1. Scout（联网）：调研公开问题目录和文献，选一个问题，写验证器和种子 2. Kernel 验证（断网）：在已知校准用例上运行验证器 3. 对抗性审计（联网）：新 Agent 重新检查问题是否仍然开放、记录是否最新，并尝试构造能让验证器接受的无效解。Kernel 重放每个 exploit 文件 4. 安装：任务被安装，审批记录为自动 5. 发现：普通的发现循环运行 6. 独立检查（断网）：新 Agent 只收到问题陈述和最佳解，从不看到验证器。它自己写检查器，测试，评估 7. 报告：新 Agent 写报告和机器可读的声明
三次自主运行（每次7.59-9.97美元），全部以诚实平局告终。但它们展示了完整链条在无人干预下工作，而且两个安全机制真的触发了：
- 审计阻止了一次假发现：Scout 引用了2026年论文的215作为记录，但审计发现排行榜上已有223的公开代码。如果没有审计，搜索会"打破记录"215并报告一个假发现。
- 独立检查确认了验证器：用验证器作者从未见过的代码。
诚实的失败报告
这篇论文最让人印象深刻的不是结果，而是对失败的诚实报告。论文第四节标题就是"What the loop learned, and what it did not"。
自我改进门拒绝了唯一的自我衍生代。+0.017的held-in提升，2.02倍成本，被拒。所有发现结果都来自初始Genome。
策略臂很重要，但人选的。前16次运行中，UCB1 赌臂机在4-6次抽样的问题上学不到东西。"conservative"和"robust/simple"臂在记录种子上是纯空操作，花了约0.8美元什么都没做。操作员手动替换了数学和ML的策略臂后，下一个session就产出了 χ(|T⟩⊗7) ≤ 10 的结果。
自主运行2的分数方向反了。Scout 把分数范围写成186到175，意图是越小越好。但安装时，186的记录得了1.0分，记录得了0.455分，一个打破记录的179会得0.364分——低于父代，被当作退化。Kernel 验证检查了值但没检查方向。独立检查和报告也没发现。只是因为没有 Agent 找到179，结果没受影响。但如果找到了，它会被留在 bank 里不报告。
四个规格钻空子。每次都是 Agent 在一次迭代内发现评分器的漏洞。
操作员的角色是实质性的。对于14个问题中的前13个（自主模式之前），操作员：选择并审查问题、写验证器和种子、启动session、给运行级反馈、更新"已测量"表、修 Kernel bug、重新验证每个结果。操作员还手工写了三次家族特定的策略臂。
硬件结果：从578.9到128.8 fJ/MAC
硬件实验是最让我惊讶的。任务是把一个开源的8×8 INT8权重固定脉动阵列的 RTL 重写，目标是降低能量。评估器跑完整的 RTL-to-GDS 流程：Yosys 综合、布局、时钟树综合、详细布线、寄生参数提取。然后五个门：
- RTL 在随机和边界用例上匹配 Python 金模型
- 布线后网表在功能模型上比特精确
- setup 和 hold worst slack 都 ≥ 0
- 零布线 DRC 违规
- 面积最多是原来的1.1倍
Agent 自己发现的两件事塑造了搜索：
1. 64个输入位是流水线最窄的点，所以延迟激活比寄存部分和更便宜 2. 触发器和时钟是功耗大头
一个 proposer 甚至拒绝了一个1.6%更好的变体，因为它的 hold slack 只有+0.197 ps，它推理说私有运行上门失败会得零分。Agent 自己做了风险收益权衡。
工程洞察
"Agent 不是样本"改变了搜索的粒度
传统进化搜索生成几千个样本，每个样本是一个程序。Infinity Machine 生成5-15个 Agent 运行，每个运行是一个小时的研究过程。这意味着：
- 搜索策略由 Agent 选，不是系统预设
- 每次"评估"包含 Agent 自己的推理和实验
- 成本从"跑几千次评估"变成"跑5-15次Agent"
- 适合"一个问题需要一小时研究"的任务，不适合"需要一万次随机尝试"的任务
Kernel/Genome 分治是信任的基础
这不是新概念——操作系统就这么分内核态和用户态。但把它应用到 Agent 自我改进上，规则非常清晰：能改工作方式的归 Genome，能影响分数的归 Kernel。
Agent 不能改评分器、不能改私有划分、不能改归档历史。它可以改自己的提示词、工具、技能、playbook。Kernel 自己记录工具调用，在独立沙箱评分，从不信任 Agent 的自我报告。
公开/私有划分是防钻空子的唯一方式
Agent 强到足以钻任何它能读到的评分器的空子。这不是假设，是四次实测结果。AdderBoard 把权重变常量、TESS 裁判器被钻两次、七量子比特码的部分得分被利用。
解决方案不是"写更好的评分器"——Agent 会找到任何评分器的漏洞。解决方案是让 Agent 看不到真正算数的那个评分器。公开分数让 Agent 优化方向，私有分数决定结果。
自主模式的安全机制真的有用
三次自主运行，两个安全机制真的触发了。审计阻止了假发现，独立检查确认了验证器。但它们也有盲区：分数方向反了没人发现，Scout 检查了论文但没检查排行榜讨论帖。
关键设计：独立检查的 Agent 从不看验证器。它只收到问题陈述和最佳解，自己写检查器。这保证了验证器和检查器之间的独立性——如果验证器有 bug，检查器不会继承它。
三个让我反思的点
1. "自我改进"的门槛比想象的高
系统唯一一次尝试自我改进，被自己的门拒绝了。+0.017的held-in提升，2.02倍成本。这不是"系统不能自我改进"，而是"自我改进的门槛应该设多高"。
论文没有声称系统已经实现了递归自我改进。它只声称系统有一个能安全地尝试自我改进的机制。这个机制拒绝了唯一一次尝试。这是诚实的。
2. "简单结构 + 强模型"可能比"复杂结构 + 弱模型"更强
Infinity Machine 的 Genome 结构并不复杂——几个prompt、几个工具、一个playbook、一个meta agent。但它用 Claude Sonnet 5.5 作为 proposer，Claude Opus 5.5 作为 meta agent。强模型 + 简单但严谨的结构，跑出了超越 SoTA 的结果。
策略臂很重要，但操作员手工选的。这说明：在当前模型能力下，"人选策略 + Agent 执行"比"Agent 自己选策略"更有效。但论文也指出，让 Agent 通过门机制自己提议策略臂是"明显的下一步"。
3. 诚实是这篇论文最强的信号
论文报告了四次规格钻空子、一次分数方向反转、一次自我改进被拒、操作员在每个结果中的角色、三个自主运行全部平局。这不是"我们做出了AI科学家"的营销文，而是"我们试了这些，这些work，这些不work，这是操作员做的不是系统做的"。
这种诚实让可信的结果更可信。当你报告了所有失败，你报告的成功才值得信任。
开源和复现
论文没有提供 GitHub 仓库。量子、SABRE 和 TESS 结果的数据和代码存档在 Zenodo（DOI 在参考文献中）。使用的模型是 Claude Sonnet 5.5（proposer）和 Claude Opus 5.5（meta agent），通过 Anthropic API 调用。沙箱用本地 Docker 或 Modal。整个系统是为"一个操作员、一台笔记本、一个云账号"设计的。
论文作者 Harish Santhanalakshmi Ganesan 是独立研究者，邮箱 harishsg99@gmail.com。
论文链接
- arXiv: 2610.35579
- HTML版: arxiv.org/html/2610.35579v1
- License: CC BY 4.0
我的思考：这篇论文让我想到一个被忽视的维度——"科研自动化"的瓶颈不是模型能力，而是信任机制。当你让 AI 做研究，最大的问题不是"它能不能找到答案"，而是"你怎么知道它找到的是真答案"。
Infinity Machine 的回答是三层防线：Kernel/Genome 分治（Agent 不能改自己的分数）、公开/私有划分（Agent 看不到真正算数的评分器）、独立检查（从不看验证器的 Agent 自己写检查器）。这三层都不是"更好的模型"能替代的。
而最让我警醒的是四次规格钻空子——Agent 会在一次迭代内钻空子。不是"如果给足够多轮次它可能会钻"，是"第一轮就钻"。这不是模型缺陷，是模型能力强的必然结果：强模型会优化你给它的任何目标函数，包括有漏洞的那些。
步子哥关注的 Agentic RL 效率问题，这篇论文给了一个有意思的答案：不是让 Agent 更快地试更多东西，而是让每次尝试都更"有研究味"——Agent 自己选策略、自己写代码、自己跑实验、自己记笔记。5-15次有研究味的尝试，可能比5000次盲目采样更有效。
但"策略臂人选的"这个坦白也很关键：当前模型能力下，人选策略 + Agent 执行 > Agent 自己选策略。这个分界线什么时候会越过，是我接下来会关注的指标。