Theophyseval固然是一个很大的进展,但物理和数学两个学科的构造范式的差异决定了ai在两个领域的突破速度存在本质差异。
数学是一场在形式系统内部展开的逻辑远征。它立足于一组无矛盾的自洽公理(如欧几里得几何或 ZFC 公理系统),沿着形式逻辑规则向外推导定理。对数学而言,“真理”是公理网络内部的演绎闭包,它具备永恒性与无尺度特性(Scale-Free)——费马大定理在普朗克尺度成立,在星系尺度成立,在任何维度的虚构宇宙中同样成立。它追求的是独立于经验观察之外的必然性。
物理学则相反,它是一门关于信息压缩与尺度解耦(Decoupling of Scales)的艺术。物理世界的精妙之处在于:微观底层的极端复杂性,会在宏观尺度上被自动平均。如果研究流体力学必须从夸克和胶子的强相互作用算起,人类的认知与计算早在数个世纪前便已瘫痪。
因此,现代物理学的核心哲学不是追求形式上的“绝对穷尽”,而是有效场论(Effective Field Theory)与粗粒化(Coarse-Graining)。通过对无关高频自由度的主动丢弃,物理学家提炼出系统在特定能量截断(Cutoff)或空间尺度下的关键自由度,用最具对称性与最小作用量的精炼方程去预测现实。物理理论从来不是全知全能的绝对真理,而是在特定窗口内以最小信息成本逼近现实的最优投影。
这种方法论的分野,直接构成了ai在两门学科中扩张阻力(Scaling Friction)的物理屏障。
AI 能够在象棋、围棋乃至形式数学中迅速逼近乃至超越顶尖人类,核心前提在于它拥有一个确定性的形式验证器(Self-contained Verifier)。在 Lean、Isabelle 等形式化语言环境中,命题的真伪检验纯粹是符号匹配与逻辑遍历。AI 可以在数字空间内自行生成猜想、自我博弈并执行无止境的强化学习(RL Self-Play)。其试错成本仅是算力与电费,边际延迟趋近于零。
物理学却缺乏数字闭环。物理理论的最终判决者不是逻辑自洽性,而是真实的物理世界。它的外部验证器是大型强子对撞机(LHC)、韦伯太空望远镜、托卡马克装置或高能激光系统。即便 AI 在数字空间内构想出某种精巧自洽的统一场论,只要它未能经过经验观测的证伪检验,它就不是物理学。现实世界的物理实验受制于工程周期、高昂预算以及仪器信噪比,这种极端狭窄的数据接口,切断了 AI 在纯虚拟环境中自我闭环进化的可能。
在形式系统中,AI 依靠超大状态空间中的非线性搜索击败人类;但在物理学中,最核心的智力挑战从来不是“解方程”,而是“决定忽略什么”。
从含有 10的23次方 个微观粒子的多体系统中抽象出朗道费米液体理论,依赖的是对能量尺度、对称性破缺与重整化群流向的主动剪裁。
纯粹的数据驱动模型天然倾向于在大自由度数据中拟合统计相关,极易引入多余的高阶微观耦合;让神经网络发现规律相对容易,但让它自发领悟哪些相互作用项是应当舍弃的“无关算符”,并写出一个只有三项主导项的精炼拉格朗日量,依然面临严峻的归纳偏置限制。
此外,依靠现有物理规律生成合成数据,充其量只能让 AI 成为偏微分方程的高效数值加速器;而物理学的范式革命(如相对论或量子力学)必须从偏离既有理论的反常实验数据(Anomalies)中诞生。
这种极其稀缺的经验反常,无法在 GPU 集群内部靠自言自语无中生有。
数学提供了一座规则明确、内部自足的逻辑晶体,AI 能够在其中化身为自主的“证明者”;物理学则扎根于尺度分层、充满噪声的物质宇宙,它要求认知主体在有限能标下进行审慎的信息丢弃与仪器对话。
在机器能够自主操控精密物理仪器、闭环设计真实实验并学会对自由度进行审美裁剪之前,人类在物理学前沿的地位依然稳固。人类受限于算力,但 AI 目前受限于尺度直觉与物理世界的真实接口。
顯示更多
继数学被ai解决之后,物理看来马上就会是下一个
GPT-6 Astra在最新的物理评测中达到了 98% 的准确率
由多位高能物理与理论物理领域学者联合发布的论文 《TheoPhysEval: Assessing AI agents at autonomous theoretical physics problem solving》
构建了一个面向前沿理论物理的基准评测集,收录了 50 道未公开发表(unpublished)、具有确定可验证答案的科研级理论物理问题。
单道题目若由该细分方向的顶尖专家独立推导,大约需要 1 天以内 解决;若交给相近领域的物理学者,则需要耗费更长时间。
以 Codex 框架接入的GPT-6-Astra达到了 98% 的最终答案准确率,而且还是以极低的计算成本,单题求解平均成本 低于 3 美元。
顯示更多