2026年6月2日——微软今日发布了 Majorana 2，这是其最新的拓扑量子芯片，采用了新一代材料堆栈，其量子比特的可靠性相比前代提升了1000倍。凭借这一进展，该团队现在有望在2029年前实现可扩展的量子计算机，将其最初的时间表缩短了一半。

通过应用近期在代理型人工智能（agentic AI）方面的突破（这些突破专为加速科学进程和促进协作而设计），微软的量子团队正在克服可靠性、速度和规模方面的关键障碍，这些障碍此前限制了量子计算在现实场景中的应用。

例如，新芯片的量子比特维持量子态的时间是第一代产品的1000倍，从而实现了更可靠的运算。虽然其他常见方法以微秒为单位来衡量量子比特的“寿命”，但 Majorana 2 提供了平均20秒的量子比特寿命，某些实例甚至可持续长达一分钟。这一改进大致相当于发明了一种手机电池，不是一天耗完电，而是单次充电后能持续使用近三年。

这种卓越的可靠性、快速的速度（微秒级操作）以及微小的量子比特尺寸（百分之一毫米），使该团队走上了到2029年实现具有商业价值的可扩展量子计算机的道路。该公司表示，这样的机器可以解决全球健康、粮食供应、可持续发展、能源生产等领域的棘手问题。

“我们需要每年都取得改进，从而更接近交付一台我们认为将具有巨大商业和社会价值的计算机，”微软技术研究员 Chetan Nayak 表示。“我们必须沿着这个路线图努力以实现目标，但与我们去年相比，我们现在的位置如何？我们好了一千倍。”

现在，其他寻求科学或工程突破的人可以借助微软自己的量子团队在Majorana项目中使用的相同代理型 AI 专业知识。

该公司还于今日宣布了 Microsoft Discovery 的全面上市，这是一个面向组织采用前沿研发的综合平台。这结合了专用于科学研究与开发的 AI 代理、驱动研究及推理工作流的 Discovery 引擎，以及企业级安全性、治理能力和透明度。

微软还推出了一个早期预览版的 Microsoft Discovery 应用，该应用具备核心功能，个人可以免费下载，并凭借 GitHub Copilot 账户在本地计算机上运行，从而降低了高级 AI 驱动研究的入门门槛。

Microsoft Discovery 允许研究人员部署自主代理团队，这些团队在人类专业知识的指导下，能够对大量知识进行推理、生成假设、优化实验、验证理论，并在一个持续循环中学习。内置的控制措施有助于确保研究始终与优先级、安全和合规标准以及安全性要求保持一致。

“自我们推出以来的一年里，我们看到客户在生命科学、化学与材料、能源、制造和消费品等关键行业中涌现了各种应用案例，”Microsoft Discovery 产品创新企业副总裁 Aseem Datar 表示。“像 Syensqo 这样的公司正在为半导体制造开发下一代流体，由此可见影响机会非常广泛。”

量子团队自身的科学家和工程师们一直在使用 Microsoft Discovery 中的代理型 AI 能力来管理工作流、自动化测量、优化制造工艺、发现以前未被注意的缺陷并提出新的解决方案。

“代理型 AI 已经渗透到我们所做的几乎所有事情中——它已经成为我们工作流程中非常自然的一部分，”Nayak 表示。

“代理真的可以按你期望的任何程度来加速事情。它可以只是简单地将信息汇总，也可以更进一步地综合信息或生成有趣的假设。我认为这在当下非常强大。”

代理型 AI 有助于发现新材料

仅在去年推出的 Majorana 1 具有革命性，因为它采用了拓扑超导体，这是一种特殊类别的材料，可以创造一种全新的物质态，从而实现更稳定的量子计算。为了改进最初的概念验证，团队重新审视了材料堆栈。

最初的 Majorana 超导体使用铝，但 Majorana 2 使用了铅——铅通常用于在医院和工业环境中屏蔽人员和设备免受辐射。在量子计算机中，铅基超导体有助于保护脆弱的量子比特免受宇宙干扰，这些干扰可能使其不稳定——但花费了多年时间才找出如何克服其他权衡因素。“这实际上是一个相当大的变化，它带来了设备质量的大幅、巨大提升，”Nayak 表示。

虽然这条材料研究路线早在代理型 AI 出现之前就开始了，但团队利用它来帮助管理新设备的制造，而 Microsoft Discovery 正更广泛地用于未来的 Majorana 材料工作。

Majorana 量子设备的关键部分是按原子级别设计的。为了将每个原子保持在正确的位置，可能需要向晶体结构中添加另一种材料，即杂质。但添加过多或方式错误会扰乱结构，因此这是一个难以把握的平衡，微软量子部门企业副总裁 Zulfi Alam 表示。

“找到确切的配方，即添加合适的量以获得所需的能量结构，在旧秩序中需要大量的实验。在新秩序中，通过模拟，你可以看到高概率目标所在的位置。然后利用这些知识，理想情况下你只需实验一次，”他说。

代理型 AI 能够大规模分析信息

量子计算项目有许多组成部分——软件、架构、设计、材料堆栈、制造工艺、测量等等。一个领域的变化可能会产生连锁反应，需要在其他地方进行补偿。Nayak 表示，AI 代理帮助团队跟踪这些复杂的相互关联。

量子项目还有海量的数据——将近二十年的数据，格式多种多样。在 AI 出现之前，这些数据被困在孤岛中。“当你在这些数据上运行 AI 代理时，它们基本上能够重新整合并做出我们人类无法看到的关联，因为没有哪个人能对那么多数据拥有那么广的视野，”Alam 表示。

此外，量子团队分布在多个国家，拥有非常不同的专业特长，例如物理学、机械工程和工艺工程。任何人都不可能成为所有方面的专家。这是跨学科科学研究中常见的问题，这就是为什么微软的量子团队创建了一个用于组织和分析信息并使其他人更容易找到这些信息的 AI 代理。

“AI 能够综合来自所有这些不同学科的知识，”Alam 表示，从而节省了每个人采访专家或阅读另一个主题的时间和麻烦。代理型 AI 可以“在极短时间内并行处理大量信息，并为你提供建议，”他说。AI 只提供指导；它不做决定。“始终是‘科学家在回路中’。”

代理型 AI 能够加速实验

创建拓扑态需要设置数百个参数。然后，作为执行量子计算关键的测量才能开始。当由人完成时，这些过程每个都需要数周时间。事实上，测量的难度和耗时程度如此之高，以至于团队几年前曾尝试使用早期形式的机器学习将其自动化，但未能实现，Alam 表示。

利用 Microsoft Discovery 中提供的代理能力，该团队能够创建一个专门为此项工作定制的 AI 代理，这将周期时间缩短了几个数量级，他说。

AI 的模式识别能力有助于完成测量量子比特状态以及检测半导体线上是否存在奇数或偶数个数十亿电子的艰巨任务。AI 代理自动且连续地运行该过程，构建了一个单个科学家永远无法以同样方式完成的条件3D地图，Alam 表示。

“使用代理型 AI 来自动化测量是一个颠覆性的改变，”他说。“它会进行一些数学运算，然后开始问：‘嘿，我在哪里可以找到一切都能正常工作的最低点？’ 并且它可以并行进行所有这些电压调整，这是人类无法做到的。因为我们大脑的工作方式，我们更偏重于线性思维。”

代理型 AI 能够平息噪音

数据不等于信息——它需要被过滤、分析并置于上下文中才有意义。例如，该团队开发了一个 AI 代理，它能够结合物理学、设备和机构知识，来过滤来自量子团队制造过程的原始数据，并嗅探出一个未校准的温度传感器读数，该读数曾导致结果偏差。

Alam 将这个流程比作 Teams 通话的 AI 摘要，它跳过友好的闲聊，列出三四个关键点。“当涉及科学时，这正是 AI 在更大规模上所做的事情，”他说。

Microsoft Discovery 被构建为一个将 AI 与科学方法相结合的平台，量子团队使用的许多代理型 AI 工具都是可迁移的，并且与其它领域的科学探索相关。

这种全新的前沿研发让科学家能够“成为锚点，同时以非常高的保真度审视许多、许多不同的学科，并能够从中得出关联性，”Alam 说。“这是每一个高性能、前沿团队都想要做的事情的精髓。”