理论物理学家的饭碗危险了？50道未发表的研究级难题，AI答对49道

继数学之后，人工智能的下一个“攻城目标”似乎已经锁定理论物理。

一支由近30位物理学家组成的团队，成员来自美国哈佛大学、谷歌DeepMind、印度塔塔基础研究院、美国杜克大学以及印度国际理论科学中心等机构，联合推出了一套名为TheoPhysEval的全新评测基准。

测试结果令人咋舌：前沿AI智能体已经能够以接近满分的准确率，解决真实的、尚未发表的研究级理论物理问题，而且成本低得惊人。

如果说过去几年AI在数学竞赛题上的突飞猛进还只是“考场上的高分”，那么这一次，它面对的是物理学家日常科研中真刀真枪的计算任务。

其中表现最亮眼的是OpenAI的GPT-6-Astra。它在50道题中答对49道，正确率高达98%，平均每道题的API花费不到3美元。

专门为“难住AI”而设计的题库

TheoPhysEval的50道题全部是新出的，覆盖全息原理、黑洞物理、散射振幅、物质量子相以及流体力学等多个前沿方向。

每道题都由该细分领域的权威专家亲自贡献，答案可以用数值或符号严格验证，而且在测试时从未在任何公开渠道出现过。

这些题目不是教科书上的习题。研究人员把它们形容为“摇动曲柄”式的研究问题，也就是把一种已知方法推广到新情形，难度往往足以写成一篇可发表的论文。

论文展示的样题足以说明其专业程度。其中一道要求计算AdS4时空中带两张膜的黑弦背景的佩奇时间，解题者需要先从文献中找到相邻的五维计算，再把方程改写到四维，最后数值求解一个奇异边值问题。

另一道题要求用“悬挂构造”搭建费米子宇称泵的双参数哈密顿量，并找出某个特殊临界点上临界理论的中心荷。还有一道需要数值求解非定常不可压缩纳维-斯托克斯方程，计算平板边界层流动中速度扰动的展向长度尺度。

论文作者之一、印度国际理论科学中心的苏夫拉特·拉朱坦言，他本人借助自己此前发表的计算，也花了大约一天才做完其中一道。

论文认为，在当今这代智能体出现之前，全世界只有一小批专家同时具备相应的领域知识和数值计算功底，能够解出其中几道，而且需要的是几天而不是几小时。

头部模型拉开身位，记忆力同样惊人

研究团队设置了两种测试条件。一种是允许联网和使用工具的“现实赛道”，另一种是关闭网络搜索的“隔离赛道”，用来检验模型究竟把多少文献“记”进了自己的参数里。

在现实赛道中，GPT-6-Astra搭配Codex答对49道，Anthropic的Claude Opus 5.5搭配Claude Code答对46道，正确率92%。

紧随其后的是谷歌Gemini 3.8 Flash的34道、深度求索DeepSeek-V4.1-Flash的27道，以及智谱GLM 5.3的21道。

在隔离赛道中，GPT-6-Astra和Claude Opus 5.5同样答对46道，打成平手。研究人员特别注意到，断网后头部模型的成绩几乎没有下滑。

这说明，领先的大模型已经把海量理论物理文献“吸收”进了模型权重，很多时候无需临时检索就能调用最新论文中的具体公式。

成本数据同样耐人寻味。GPT-6-Astra在现实赛道上总共消耗约3700万个词元，全部50道题的API花费约116美元，是所有参赛者中最省钱、最高效的一个。

Claude Opus 5.5则消耗约2.11亿个词元，花费约240美元，反映出其更加周密、篇幅更长的推理风格。

智谱团队则是在一个统一定价的编程套餐上完成两条赛道测试的，套餐价格为180美元，论文估算若按API计费，实际开销会超过300美元。

与动辄数千美元的人类专家工时相比，这些数字几乎可以忽略不计，研究级计算的“边际成本”正在被AI压到接近于零。

唯一一道无人攻克的题目，是一个“逆问题”：给定一条曲线，反推出生成它的自治微分方程。研究人员有意保留这道题，因为它很像真实科研中经常遇到的那种杂乱且信息不足的数据。

物理学家会被取代吗

面对如此耀眼的成绩，论文作者却刻意保持了克制，并没有宣称智能体可以取代物理学家。

他们强调，解题只是物理研究的一环，排在它前面的是提出正确的大问题，以及判断哪些问题值得研究的“品味”。

作者发现，当要求AI自己出题时，它们往往纠缠于人类研究者觉得无关紧要的细节，迄今也没有任何智能体在没有提示的情况下做出突破性发现。

这与哈佛大学物理学家马修·施瓦茨今年早些时候的观察不谋而合。他曾借助Claude把一项需要一年的理论计算压缩到两周，但同时强调全程离不开人类监督，AI还不能端到端地完成科学研究。

不过，作者们也发出了一个现实的提醒。题库中这类曾经适合作为博士生入门课题的问题，今后恐怕不宜再随意布置，除非目的纯粹是教学训练。

这一结果出现在AI攻坚数学的热潮之中。此前OpenAI宣称借助内部模型解决了纳维-斯托克斯千禧年难题，又一次性公布了300多个数学问题的证明，在数学界引发不小争议。

与那些依赖庞大定制算力的“大工程”不同，TheoPhysEval测的是现成工具在日常科研计算中的真实能力。全部50道题已经公开发布，研究人员希望它成为衡量AI能否真正协助理论物理学家的标准尺子。

可以预见，当一道研究级难题的成本降到几美元，科研的分工格局正在被悄然改写。未来物理学家的核心竞争力，或许将更多体现在提出问题的眼光，而不是演算的速度。