谷歌在 105 量子比特的 Willow 超导处理器上首次实现并验证了“魔态培养”实验，显示经过培养的魔态错误率约降低 40 倍，逻辑保真度达到至少 99.99%。研究将培养后的魔态从颜色码移植到表面码，证明了在真实硬件上该方法可显著提高非克利福德资源质量，但仍需在更大规模上验证其实用性。
谷歌量子人工智能团队表示，他们已经在真实的超导量子处理器上验证了“魔态培养”（magic state cultivation）。这项发表于 《Science》 的实验显示，经过培养的量子态错误率相比未经培养的状态降低约 40 倍，逻辑保真度达到至少 99.99%。
研究人员说，这一结果并不意味着通用量子计算机已经投入实用，但它把一个长期停留在理论和模拟层面的方案，推进到了真实硬件上的实验验证阶段。对需要容错运行的量子算法而言，魔态培养可能缓解一个长期被视为“资源黑洞”的瓶颈。
为什么“魔态”会成为量子计算的瓶颈
量子计算机并不只是把传统计算中的 0 和 1 换成量子比特。要运行通用量子算法，系统还需要一组能够支持非克利福德门（non-Clifford gates）的操作。魔态是一种可以通过门传态帮助实现这些操作的特殊量子资源，因此被视为容错量子计算的重要组成部分。
问题在于，魔态必须非常“干净”。它们在使用时会被消耗，不能像普通软件组件那样重复利用。传统方案通常需要大规模的“魔态蒸馏”（magic state distillation），通过许多低质量状态换取少量高质量状态。谷歌在公告中援引的估算认为，未来量子计算机的计算能力最多可能有 95% 被用于生成魔态，而不是执行实际算法。
这也是为什么量子纠错不能只看逻辑量子比特的寿命。即使系统能够压低普通操作的错误率，如果生成非克利福德资源的成本过高，量子计算机仍可能无法有效运行复杂算法。此前，谷歌已经在 Willow 芯片的量子纠错实验 中展示了扩大表面码规模后逻辑错误率下降的趋势，但魔态生成仍是从“能够纠错”走向“能够计算”的另一道门槛。
从理论方案到 Willow 上的实验
魔态培养的基本思路不是反复制造大量状态再筛选，而是先把一个带噪声的状态注入量子芯片上的小区域，然后利用一系列协调测量检查它是否符合目标状态。未通过检查的尝试会被丢弃，通过检查的状态则可以逐步扩展到更大的编码中，从而获得更高的纯度。
谷歌研究人员 Craig Gidney、Noah Shutty 和 Cody Jones 在 2024 年提出并发展了这一方案。理论上，它可以把魔态生成的资源开销降到远低于传统蒸馏路线；但实验验证并不只是把理论电路复制到芯片上。
谷歌研究科学家 Emma Rosenfeld 在测试早期发现，实验数据一度看起来像是违反了物理规律。团队经过模拟、讨论和一致性检查后，认为问题来自测量基准中的错误假设：实验室电气设备的漂移和温度变化产生的噪声，干扰了对结果的判断。研究人员随后增加了系统控制，并设计了新的基准方法，让培养过程也能反过来帮助测量自身的可靠性。
最终，团队在谷歌的 105 个量子比特 Willow 处理器上，使用其中 54 个物理量子比特完成实验。论文摘要显示，魔态培养将错误率降低了 40 倍，获得至少 0.9999（1）的状态保真度，同时保留了约 8% 的尝试。换言之，绝大多数初始尝试仍会在筛选过程中被舍弃，但留下的状态质量显著提高。
两种纠错编码之间的“移植”
实验的另一项关键内容，是在不同的量子纠错编码之间转移培养后的状态。研究人员先在距离为 3 的颜色码（color code）中培养状态，再把它移植到距离为 5 的表面码（surface code）中。
颜色码被认为适合执行魔态培养，而表面码则是当前量子纠错研究中更成熟、使用更广泛的架构之一。两者之间的转换如果不能在真实硬件上稳定完成，培养出的高质量状态就很难融入未来的容错计算流程。谷歌称，实验显示经过净化的状态能够在芯片内部完成转移并存活下来，这说明该理论方案与其量子计算架构存在一定兼容性。
论文《Magic state cultivation on a superconducting quantum processor》将这项工作描述为对魔态培养的实验研究，并指出该方法可能成为资源密集型蒸馏协议的替代方案。论文同时强调，实验仍处于有限规模，不能直接等同于已经具备大规模容错计算能力。
40 倍改进距离实用量子计算还有多远
谷歌此次公布的数字很突出，但它们需要放在实验边界内理解。99.99%的逻辑保真度意味着错误率大约为万分之一量级，而不同量子算法对魔态错误率的要求并不相同。论文引言指出，一些量子模拟和优化任务可能需要约 10⁻⁶ 到 10⁻⁸ 的错误率；如果用于分解 RSA-2048 密钥，要求还可能更严格，达到约 10⁻¹⁰ 的量级。
因此，40 倍的改善是重要的工程进展，却不是通向大规模应用的终点。当前实验还需要扩大编码距离和芯片规模，提升培养成功率，并继续处理泄漏、读出、控制噪声以及实时解码等问题。谷歌在自己的公告中也承认，必须在更大规模上证明魔态培养，才能判断它是否足以服务于实用量子计算。
量子计算的发展正在从单一芯片性能，转向一整套系统工程：物理量子比特的质量、逻辑纠错的扩展、特殊量子资源的生成，以及经典控制和解码软件都必须同时进步。此前谷歌关于量子纠错的工作已经说明，系统可以在特定条件下随着编码规模扩大而变得更可靠；这次魔态培养实验则触及了另一个问题——即使量子比特能被保护，系统是否能以足够低的成本产生真正有用的计算操作。
更广泛地看，谷歌正把量子研究放进其 AI 与科学计算路线中。AIFluxNews此前曾梳理过谷歌如何把 AI 推向科学与公共服务，但量子计算目前仍更像是支撑未来科学发现的基础设施，而不是已经成熟的日常工具。
下一步的判断标准，将不只是能否在 Willow 或后续处理器上重复一次高保真度实验，而是这种方法能否在更大的系统中持续工作，并让量子计算机把更多资源用于解决问题本身，而不是维持自身不出错。