OpenAI公布MIT研究人员把GPT-5.6 Sol与Codex连接到量子实验软件的案例。Agent可执行相互依赖的测量、分析结果并选择下一步，在信号清晰时完成常规校准；面对弱信号和噪声时仍需要专家指导。这个案例不是让AI自由控制实验室，而是说明把领域技能、软件接口和人类判断组合后，Agent可以接管大量重复测量。
先把实验知识写成技能
每个技能说明实验目的、允许参数、设备状态、结果判断、失败条件和保存格式。技能由领域专家审核，并通过历史数据回放。不要只给一段自然语言，让模型自行猜测仪器操作。
设备控制需要硬边界
最大功率、频率、温度、运行时长和设备互锁由控制软件强制限制，模型不能修改。Agent使用专门账号，只能操作指定实验和队列；紧急停止、硬件联锁与人工控制始终独立。
处理信号漂移与噪声
测量结果带置信度和质量指标。信号弱、拟合不稳定、参数超出历史范围或连续重试时自动暂停，请研究者判断。模型不能为了获得“漂亮结果”无限调整参数或丢弃异常数据。
保持实验可复现
记录芯片、设备、软件、模型、技能版本、参数、原始数据与决策轨迹。Agent生成的图表链接到原始测量。夜间运行结束后输出成功、失败、异常和待确认清单，研究者可逐步重放。
从常规校准逐步扩展
先自动化已有标准流程，再尝试窄范围的新实验。新目标由人设计，Agent负责代码、测量和初步分析。任何涉及新物理解释或发表结论的内容必须由专家独立复核。
进一步实施建议
实验室可设置三档权限：离线分析只读历史数据；沙箱运行仿真与测试脚本；真实设备仅执行已批准技能。每次升级模型或技能后先回放历史实验，再在非关键设备灰度。模型断线、接口超时或设备状态不一致时应立即停止并转人工，不允许自动恢复高风险步骤。评价效果既看节省监控时间，也看异常发现率、数据完整性和设备安全。
落地检查清单
- 实验技能由领域专家审核。
- 参数和互锁由确定性软件强制。
- 弱信号或异常范围自动转人工。
- 保存原始数据、版本和完整决策轨迹。
