北京
你可能也好奇过：AI到底能不能做真正的科学？不是查资料、不是算数据，而是像人类理论物理学家那样，面对一个从没见过的难题，自己推出一条路来。
最近在MIT的一场演讲里，研究计算与人工智能进展的Neil Thompson给出了一个判断：好几个科学领域，可能很快就要被AI搅动一遍。而他的最新研究，把这种"搅动"从感觉变成了数字。
先说结论：2%到35%
Thompson和博士生Gabriel Manso、研究科学家Claudio Mayrink Verdun一起做了这项研究。他们关注的领域包括概率论、统计理论、经济理论、高能理论、引力与宇宙学，以及量子物理。
研究显示，从2024年年中到2026年年中，最好的AI模型在这些领域里正确解决理论问题的比例，从大约2%涨到了大约35%。而且，目前看不到这种进步会放缓的迹象。
"在短短几年内，我们预计很多理论问题在AI的能力面前会被彻底改变。"Thompson这样说道。
这句话听起来像是预言，但研究的设计方式，让这个数字比表面看起来更有分量。
它们不是"背答案"，是现场解题
这项研究的方法值得拆开看。研究人员选取了2025年12月到2026年5月之间发布在网上的研究论文中提出的问题，然后测试不同的OpenAI模型能不能解出来——包括o1、o3、GPT-5、GPT-5.1、GPT-5.4和GPT-5.5。
关键在于：这些问题的解答，出现在GPT-5.5及其之前模型的训练截止时间之后发表的论文里。也就是说，被测试的模型没法靠训练数据里喂进去的答案来蒙混过关，它们必须自己把解法推出来。这些论文则被当作检验模型解题能力的"标准答案"。
研究人员还切断了模型的联网权限，防止它们上网搜答案。
当然，这项研究的覆盖范围是有限的。三位研究者只聚焦于那些AI模型不需要跑模拟、不需要做实验就能想明白的领域。但即便如此，这项工作仍然指向一个判断：眼下数学界感受到的那种冲击波，很可能会扩散到其他偏数学、偏理论的科学领域。
数学界刚刚经历了一场地震
要理解Thompson的结论为什么让人紧张，得先看看数学界上个月发生了什么。
OpenAI宣布，一个尚未发布的模型解决了一个长期存在的数学重大挑战——Navier-Stokes问题，它涉及解释流体运动行为的方程。这件事后来变得格外有争议：纽约大学的一位数学家——当时正与另一位与Anthropic有关联的学者合作——指责OpenAI在得知他们的进展后抢先发布了成果。
此后，OpenAI和其他机构又宣布解决了数百个长期悬而未决的数学问题，在数学界引发了某种危机感。一些数学家呼吁限制AI的使用，他们警告说：解题的过程本身，往往和拿到最终答案一样有用。
这个担忧不是矫情。数学训练的价值，很多时候不在于那个答案，而在于推导过程中长出来的直觉和方法。如果答案可以外包，过程被跳过，那下一代数学家的能力从哪里来？
正方：进步会更快；反方：验证怎么办
把这场辩论放到其他科学领域，正反两方的逻辑其实很清楚。
正方看的是效率。Thompson指出，理论上的突破有时会推动科学中的实际进展，而更广泛地使用AI，可能意味着更多进步会以这种方式发生。一些知名的AI研究者已经成立了专注于"AI for science"的新实验室，各大AI实验室也都在加码科学研究。这些努力探索的是：如何让AI在做理论分析的同时，也能开展真实的实验。
换句话说，AI可能让理论工作者不再需要亲自解决关键问题——但这不等于专家就不需要了。
反方看的是可靠性。Manso说得很直接："我们仍然需要人来提出好的想法，把点连起来。"他补充说，对于非常复杂的问题，AI有可能出错。
这不是假设。OpenAI在其最新数据集发布后，撤回了其中几个解答。
"我们还需要验证所做工作的方式，因为模型很容易告诉你'这是正确答案'，而当你审视整个解法时，你可能会发现它也许并不是。"Manso这样说道。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
