微軟今（3）日發表最新拓樸量子晶片 Majorana 2，採用新一代材料堆疊設計，並將量子位元的可靠性提升至前一代的 1,000 倍。伴隨著這項進展，微軟預期將在 2029 年底前實現可擴展量子電腦的目標，較原先規劃時程縮短一半。
透過近期專為加速科學研究流程與協作而設計的 agentic AI 最新進展，微軟量子團隊正在突破長期限制將量子運算應用於實際場景的關鍵挑戰，包括可靠性、速度與規模。例如，新晶片的量子位元能維持其量子態的時間比第一代延長 1,000 倍，從而實現更可靠的運算。
其他常見方法通常以微秒衡量量子位元的「壽命」，而 Majorana 2 則提供平均 20 秒的量子位元壽命，部分情況甚至可長達一分鐘。這樣的突破，大約相當於手機的續航力從原本的一天耗盡，大幅提升至充電一次就能使用近三年。
這種卓越的可靠性、極快的運算速度（以微秒為單位的運作），以及極小的量子位元尺寸（約為百分之一毫米），促使團隊得以在 2029 年底前實現具備商業價值、可擴展量子電腦的發展路徑。微軟認為，這樣的電腦將能解決目前在全球健康、糧食供應、永續發展與能源生產等領域中難以克服的複雜問題。
微軟技術院士 Chetan Nayak 表示：「我們需要逐年持續進步才能更接近我們的目標，也就是打造出一台具有極大商業與社會價值的電腦。我們必須沿著既定的路線持續前進才能實現這個目標，但相較於去年的進展，可以說我們已經做得好 1,000 倍。」
其他正在尋求科學或工程突破的研究人員，現在也能運用與微軟量子團隊在 Majorana 計畫中所使用的 agentic AI 技術實力。
微軟亦宣布 Microsoft Discovery 正式開放使用。這是一個協助組織投入前瞻研發的全方位平台，整合專為科學研究與開發設計的專用 AI agent、可驅動研究與推理工作流程的 Discovery Engine，以及企業級的安全、治理與透明度。
微軟也推出一款具備核心功能的 Microsoft Discovery 應用程式早期預覽版本，可透過 GitHub Copilot 帳戶免費下載並於本地電腦運行，降低進入進階 AI 驅動研究的門檻。
Microsoft Discovery 讓研究人員能夠部署由人類專業引導的自主 agent 團隊，對大量知識進行推理、生成假設、優化實驗、驗證理論，並在持續循環中不斷學習。內建的控制機制有助於確保其研究始終維持優先、符合安全與合規標準以及安全性要求。
Microsoft Discovery 產品創新企業副總裁 Aseem Datar 表示：「自 Microsoft Discovery 平台推出一年來，我們看到客戶在生命科學、化學材料、能源、製造業以及消費品等重點產業中，積極開展各類應用場景。隨著 Syensqo 等企業運用此平台開發半導體製造的下一代流體材料，也展現出廣泛的潛在影響與機會。」
微軟量子團隊的科學家與工程師持續運用 Microsoft Discovery 的 Agentic AI能力來管理工作流程、自動化量測、最佳化製程、找出過去未曾察覺的缺陷，並提出新的解決方案。
Nayak 表示：「Agentic AI 幾乎已滲透我們工作的每一個環節，並成為日常工作流程中很自然的一部分。這些 agents 可根據使用者需求，以不同程度加速工作流程。從蒐集與整理資訊、生成摘要，到進一步綜合分析各類資料，甚至提出有趣的研究假設。我認為這樣的能力在現階段極具價值。」
Agentic AI有助於尋找新材料
去年剛發表的 Majorana 1 之所以具有革命性意義，是因為它採用特殊材料拓樸超導體（topological superconductor），能夠創造全新的物質狀態，使量子運算更加穩定。為了改進最初的概念驗證成果，團隊重新檢視並調整材料堆疊。
最初 Majorana 超導體使用鋁，但 Majorana 2 則改用鉛，鉛在醫療與工業環境中常用於防護人體與設備免受輻射影響。在量子電腦中，鉛超導體有助於保護脆弱的量子位元，免於遭受可能導致不穩定的宇宙干擾。然而，研究團隊花費多年時間才找到克服其他權衡取捨的方法。Nayak 表示：「這是一項相當大的更動，而它確實顯著提升裝置的品質。」
雖然這項材料研究早在 agentic AI 出現前就已經啟動，但團隊已開始運用它來協助管理新裝置的製造流程，而 Microsoft Discovery 也被更廣泛地應用於未來 Majorana 材料相關的研究工作。
微軟量子業務企業副總裁 Zulfi Alam 表示：「Majorana 量子裝置的關鍵組件是以原子為單位（atom by atom）逐一設計。為了確保每個原子都能維持在正確的位置，研究人員可能會在晶體結構中加入另一種材料作為雜質，然而，如果添加過多或方式不當就會破壞結構，難以取得平衡。在過去的做法中，需要進行大量實驗才能找到達成理想能量結構所需的正確材料比例。但在新的模式中，透過模擬可看到最有可能成功的目標位置，在理想情況下只需要進行一次實驗即可。」
Agentic AI可大規模分析資訊
量子運算專案包含許多軟體、架構、設計、材料堆疊、製造流程、量測等相互關聯的環節。當其中一個環節變動時，可能會衍生需要在其他地方做出相應的補償。Nayak 指出，AI agents 可協助團隊追蹤這些複雜且彼此交織的關聯性。
這個量子專案也擁有多種不同格式、累積長達約 20 年的龐大資料量，在導入 AI 前，這些資料都存在各自的資料孤島中。Alam 表示：「當AI agents 在這些資料中運作時，它們能夠重新合成並建立人類無法察覺的關聯性，因為沒有任何人能同時掌握如此龐大且廣泛的資料視角。」
此外，量子團隊遍布於多個國家，成員各自的專長差異極大，例如物理學、機械工程與製程工程等領域，不可能有人同時精通所有領域，這在跨學科的科學研究中是常見的問題。因此微軟的量子團隊建立一個 AI agent 用來整理與分析資訊，並讓其他人更容易搜尋與取得所需內容。
Alam 說明：「AI 能夠從所有不同學科中整合知識，替使用者省下大量時間，並免於逐一訪談各領域專家或閱讀其他專業領域資料的難題。這種 agentic AI 能在極短時間內平行處理大量資訊並提供建議。但 AI 的角色僅止於提供研究方向，而非做出最終決策。始終都是科學家主導的參與循環（scientist in the loop）。」
Agentic AI可加速實驗
Alam 表示，建立拓撲態需要設定數百個參數，接著才能開始進行執行量子運算的關鍵步驟 — 量測，若是人工操作，每個流程都可能需要花費數週，而量測過程本身極為困難且耗時，因此團隊曾在幾年前使用早期的機器學習方法嘗試自動化，但當時並不可行。
Alam 指出，透過 Microsoft Discovery 提供的代理能力，團隊成功打造一個專門負責這項工作的 AI agent，大幅縮短整個流程的週期時間。他進一步說明，AI 的模式辨識能力有助於完成一項極為困難的任務，包含判定量子位元所處的狀態，以及偵測半導體導線上數十億級的電子是偶數或奇數。AI agents 會自動且持續地運行整個流程，並建立一個 3D 的條件地圖，這是單一科學家無法以相同方式完成的工作。
Alam 表示：「利用具備代理能力的 AI 來自動化量測是一個改變遊戲規則的重大突破，它會進行一些數學運算並開始思考：『我要去哪裡找到讓一切都能正常運作的最低點？』接著它可以同時進行所有電壓調整，這是人類無法做到的，因為我們的思維方式是更線性的。」
Agentic AI可抑制雜訊
資料並不等於資訊，需要經過篩選、分析並放入情境中才會產生意義。例如，團隊開發一個可結合物理、裝置以及內部經驗知識的 AI agent，來篩選量子團隊在製造過程中產生的原始數據，並偵測出一個未經校準的溫度感測器讀數，而這個異常讀數正是造成結果偏差的原因。
Alam 將這個過程比喻為 Teams 會議的 AI 摘要功能，它會跳過那些友善的閒聊，只列出三到四個關鍵重點。他說：「當涉及科學領域時，AI 正是以更大的規模在做這件事。」
Microsoft Discovery 是一個結合 AI 與科學方法的平台，而量子團隊正在使用的許多 agentic AI 工具也具備可移轉性，並適用於其他領域的科學探索。
Alam 表示：「這是一種前瞻研發的新型態，在這種模式中，科學家可以成為核心錨點，同時以極高精準度觀察眾多不同科學領域的內容，並從中找出關聯性。這正是每一個追求高效能與具前瞻性的團隊期待實現的本質。」
