Circuit（电路/回路）在人工智能领域主要指两类研究对象：一是量子计算中的量子电路（quantum circuit），即由量子门组成的计算线路；二是机制可解释性研究中的“Transformer 电路”，指在大语言模型内部被识别出的、承担特定功能的子计算图。随着模型规模扩大，围绕 Circuit 的编译优化与内部机制分析正成为学界和产业界共同关注的方向。
Circuit 相关近期进展
当前焦点与观察点
目前围绕 Circuit 的讨论集中在两条主线。其一是可解释性：Circuit Tracing、Circuit Condensation 等工作都在尝试把黑箱模型拆解为可读的内部回路，学界希望借此判断模型是否“说了真话”，例如 PIR 方法从模型内部状态读出被隐瞒的答案，就依赖于对内部表征的理解。
其二是效率：Google 与 Kaggle 的量子电路编译竞赛表明，无论量子还是经典硬件，电路层面的优化都直接决定计算成本。此外，理论侧针对恒定深度电路复杂度的研究（如 OpenAI 相关论文中关于 CNF 短点列表与电路下界的结果）也在为电路方法的极限提供参照。
对普通读者而言，值得观察的是：可解释性电路研究能否从实验室走向模型审计和安全评估的实际工具，以及量子电路编译竞赛能否沉淀出通用的开源优化方案。这两条线索的进展，将共同决定 Circuit 在下一代 AI 基础设施中的位置。