Google称Willow误差约降40倍、T态保真度99.99%
Google 称，magic state cultivation 在 Willow 超导处理器上使误差相对未培养态约降40倍，T态逻辑保真度达到创纪录的99.99%；据 Science 论文摘要，这一结果只保留了约8%的尝试。
这项实验把一种节省容错计算资源的理论办法带到了真实芯片上，但还不是通用量子计算已可实用的证明。
一、论文与公告同日发布
2026年10月15日，Google Quantum AI 发布博客，论文同日以 First Release 形式刊于 Science，稿件于2025年12月15日收稿、2026年10月1日接收。论文题为《Magic state cultivation on a superconducting quantum processor》，DOI 为10.1126/science.aee7961，摘要列出的作者包括 E. Rosenfeld、C. Gidney 和 K. J. Satzinger 等。
Google Quantum AI 的官方 X 帖同步强调了误差降低40倍、保真度99.99%，以及论文当日发表于 Science。
二、magic state 用过就耗尽
通用量子计算不只要保存量子信息，还得在纠错保护下执行一整套运算。T态这类 magic state 用来补上其中难做的操作；它是消耗品，用一次就耗尽，不能原样反复使用。
难点因此不只是做出一个态。它必须足够干净，接入计算时才不会带进太多错误；每消耗一次，又要准备新的合格态。制备质量与持续供给，两件事绑在一起。
Google 博客提到，研究者早在2004年就预见到这道瓶颈；历史上有估计认为，制备这些态可能占用量子计算机至多约95%的容量。这不是 Willow 此次测出的资源占比，说的是资源制备可能挤掉真正计算的空间。
据 Science 论文摘要，容错计算需要通用门集，其中非 Clifford 门是多数纠错架构的主要资源开销；cultivation 被视为比资源密集的蒸馏协议更高效的替代路线。
三、cultivation 从小区域开始
这套方法来自 Craig Gidney、Noah Shutty、Cody Jones 在2024年基于文献中的一个想法发展出的理论方案。Google 博客把它比作滤网：先放进噪声态，再把有缺陷的尝试筛掉。
实际流程先把带噪声的态注入芯片一小块区域，再通过一系列协调测量检查错误。检测出问题就放弃该次尝试；通过筛选的态进一步纯化，再嫁接到更大编码。
它从很小的编码起步，边检查边扩大保护范围；Google 称，若能在硬件上跑通，有望大幅压低实用任务所需的量子计算机规模。高质量态靠整套制备、检测和扩展流程得到，不是一次测量就把所有噪声清零。
四、测量基准也得重新校准
真正上机后，连判断效果的尺子也出了问题。按 Google 博客的叙述，Emma Rosenfeld 发现，电气设备漂移和温度变化产生的噪声，会破坏原有测量基准的有效性。
若这把尺子自己随环境变化，读数就不再只反映态的质量。团队于是增加控制、减轻干扰，并用 cultivation 本身做自我标定，校验培养效果。Google 称，这些改进让量子计量达到了新的水平。
论文也专门发展了容错测量协议，用来界定保真度。测量环节自身也可能出错，不能默认它完全可靠，再把全部偏差都归给被测的态。
五、99.99% 对应筛选后的态
据 Science 摘要，误差降低40倍，态保真度至少为0.9999(1)，同时保留约8%的尝试。括号中的数字表示测量不确定度。
保真度描述留下来的态有多接近目标，保留率描述筛选后还剩多少尝试。被丢弃的尝试同样消耗时间和硬件资源。
约8%也不能直接当成完整资源工厂的产出效率。一次尝试用了多少量子比特、花了多久，得到的态怎样送入计算，都会影响真正的开销。误差改善40倍，不等于整机成本下降40倍，更不等于程序快40倍。
六、纯化态接上更大编码
据 Google 博客，团队还演示了从距离为3的 color code，嫁接到距离为5的 surface code。前者便于培养，后者接上更成熟的纠错路线。这里的距离是纠错码的参数，不是量子比特个数。
只在小区域制出好态，验证的是制备；把它转入后续使用的编码，才能接上计算流程。因此，论文把切换到 surface code 纳入了演示。
博客没有说明99.99%是否在转码之后测得，这个数字更不能当成整台机器的计算准确率。
七、实用规模仍未得到验证
Google 在博客中称，这打开了量子计算的一项关键资源瓶颈，并把成果描述为一种实用方案的首次演示。“实用方案”是它对技术路线的评价，不代表量子计算已经商业可用。
这项实验覆盖的是资源态制备，以及接入另一套编码的演示。它没有把长时间运行、完整算法和整机资源预算一并验证完。
博客也明确，更大规模的培养演示尚未完成，技术挑战仍多。实验支持这条路线可行，但没有证明 magic state 的成本已经可以忽略，也没有证明瓶颈已被彻底消除。
八、下一道门是扩大规模
按研发成果归属看，这条消息直接对应 GOOGL；IONQ、RGTI、QBTS 至多是间接情绪映射，不能算作它们取得同样技术验证。
后续判断只抓一个标准：cultivation 扩大规模后，能否继续拿出经过可靠测量验证的高保真度。这比重复一次小规模纪录，更能说明它离可用的容错计算资源还有多远。