“前沿AI智能体现在已经能够以很高的准确率解决理论物理中的可验证问题。”这是论文《TheoPhysEval: Assessing AI agents at autonomous theoretical physics problem solving》给出的核心结论。
来自印度、美国、日本、加拿大、比利时等机构的研究人员，组织了50名理论物理专家，构建了一套此前没有公开答案的研究级理论物理测试题，并让5个AI智能体在没有人工提示的情况下独立完成。
这些研究人员来自于国际理论科学中心、塔塔基础研究院、德州大学奥斯汀分校、东京大学、杜克大学、宾夕法尼亚大学、哈佛大学、加州大学圣迭戈分校、威斯康星大学麦迪逊分校等机构。
结果显示，在允许搜索互联网、编写程序并进行数值和符号计算的真实环境中，表现最好的GPT-6-Astra完成了50道题中的49道，准确率达到98%；Opus完成46道，准确率92%。
由此，研究团队称，在高度专业化的理论物理领域，前沿AI智能体在具体计算能力上，可能已经超过了最优秀的人类研究者。
论文进一步指出，这些智能体的知识覆盖范围已经超过任何单个人类研究者，而它们在专业领域的计算能力已经能够达到世界专家水平。
该项研究的重点并不是让AI回答普通物理题，而是测试它能不能完成真实理论物理研究中的一类具体工作。
研究人员一共设计了50道题，覆盖11个方向，包括经典物理、随机过程与生物物理、非平衡统计力学、晶格理论、量子物态、电子结构理论、量子场论、粒子物理、散射振幅、全息与纠缠，以及引力与宇宙学。
这些题目有三个共同特点：与当前物理研究相关；答案已经被专家掌握，而且容易验证但难以猜测；答案此前不能从公开文献或其他地方直接查到。
研究人员特别说明，这些题目并不是诺贝尔奖级别的开放问题，也不要求AI创造新的物理理论。
它们更接近研究过程中一种常见的“turn-the-crank”任务：已有理论和计算方法，研究者需要理解相关论文，然后改变参数、推广已有结果、重新推导公式、编写代码，最后得到一个新的结果。
也就是说，这些问题没有要求AI“发现新的物理定律”，但要求它真正进入现代理论物理研究的技术细节。
研究人员认为，这类任务过去通常可以作为研究生进入科研后的训练项目。一个学生需要先阅读相关论文，理解其中的理论和计算方法，再根据新的条件重新做一遍计算。
论文中的一个例子是黑弦背景下的Page时间计算。
题目要求研究一个AdS4中的黑弦背景，并通过比较不同的最小曲面，计算特定条件下的Page时间。
AI首先需要找到一篇研究类似问题的论文，但那篇论文研究的是AdS5；随后，它必须把相关方程推广到四维，再处理一个不能直接解析求解的奇异边界值问题，最后编写数值程序，通过shooting方法得到结果。
论文作者之一表示，在没有现代AI智能体之前，自己完成这一计算大约需要一天；对于其他同时具备相关物理背景和数值计算经验的专家，则可能需要更长时间，因为还需要重新找到论文、理解计算过程并重建代码。现在，一个前沿AI智能体可以独立完成这些步骤。
另外两道示例题同样不是普通教材题。一道要求利用“suspension construction”构造一类费米子系统的Hamiltonian，并判断临界理论的中心荷以及扰动后的不稳定性；另一道则要求对平板边界层中的流体进行三维数值计算，从Navier–Stokes方程得到速度场，再计算特定位置上的空间尺度。
为了避免AI仅仅依靠猜答案，研究人员还对很多问题进行了特殊设计。有些原本要求得到一个数学表达式的问题，被加入具体的数值参数，让最终答案变成不容易猜测的浮点数或整数序列。所有模型最终按照这些数值答案进行评分。
测试使用了两个环境。
第一种是“realistic track”，允许AI使用互联网搜索，同时可以使用本地工具、编写代码和运行计算。这被研究人员认为更接近真正的科研环境。
第二种是“isolated track”，关闭互联网，只允许模型使用本地工具。研究人员希望通过这种方式测试模型本身掌握了多少理论物理知识，以及它能不能从头重新生成研究所需要的代码和计算。
结果显示，Astra在真实环境中完成49道题，准确率98%；Opus完成46道，92%；Gemini完成34道，68%；DeepSeek完成27道，54%；GLM完成21道，42%。
在关闭互联网之后，Astra和Opus都完成46道，准确率92%；Gemini完成31道，62%；GLM完成26道，52%；DeepSeek完成25道，50%。
两个环境之间的差距非常小。
论文指出，这些题目中有不少需要使用近期理论物理文献中的详细公式，而这些公式通常没有直接提供给模型。例如，其中一道题如果是人类研究者来做，几乎不可能不先查阅题目所引用的背景论文；但AI在完全隔离互联网的情况下仍然能够解决。
研究人员因此认为，前沿模型很可能已经记忆了大量理论物理研究文献，并且能够在没有检索的情况下重新生成其中的重要公式。
成本也被论文记录了下来。Astra在真实环境下完成50道题的总推算成本为116.28美元，平均每道题约2.33美元；隔离环境成本95.20美元。Opus分别为240.43美元和275.46美元，Gemini为95.01美元和90.48美元，DeepSeek为37.42美元和36.23美元。GLM使用的是编码套餐，两种环境合计实际成本为180美元。
但这并不意味着AI已经能够独立完成理论物理研究。
测试中，Astra在真实环境下只错了一道题。这是一道“逆问题”：已知一条曲线，需要反推出能够产生这条曲线的自治微分方程。
论文认为，这类问题与普通的正向计算不同，因为出题者掌握了一些AI无法从题目本身获得的信息，而且题目本身还存在一定的文字设计。最终，这道题5个模型全部没有解决。
Astra在隔离环境下又错了3道题，其中两道甚至错误地认为问题无法解决。
其他模型出现的错误，则更接近真实科研中可能发生的“方向正确但细节错误”。
例如在黑弦Page时间问题中，Gemini和GLM都找到了相关论文，但直接使用了论文中适用于五维空间的公式，而题目要求的是四维空间，因此公式必须进行修改。在关闭互联网的环境中，Gemini、GLM和DeepSeek甚至计算了测地线长度，而题目真正要求的是最小曲面面积。
另一个问题要求通过求解常微分方程寻找最小允许频率。GLM错误地认为它与另一道问题完全等价；DeepSeek在隔离环境下选择了错误的解空间基底，Gemini也出现了类似错误。DeepSeek后来在允许联网的环境下解决了这道题。
论文还出现了一个很特别细节。研究人员最初认为Astra在几道题上算错了，但在进一步检查并与相关专家讨论后，发现原来的标准答案本身存在细微错误。专家修正答案之后，Astra此前被判定为错误的结果，反而全部被证明是正确的。
论文中，研究人员明确区分了“解决具体问题”和“做理论物理研究”。
在他们看来，理论物理研究并不是从计算开始的。真正的科研过程首先需要建立理论，然后提出正确的、高层次的问题，再把这些问题转化成具体计算。只有到了相对靠后的阶段，研究者才会面对一个具有明确答案的计算问题。
而现在的AI虽然已经非常擅长最后这一环，却还不擅长前面的工作。
例如，一个研究者可能发现原来的问题太难，随后主动调整方向，找到一个更简单但仍然有意义的问题。
论文作者表示，他们目前观察到的AI智能体还不擅长这种动态改变研究方向的能力。
同样，物理学界对于“什么是一个有趣的问题”存在一种共同的判断和研究品味，但目前的AI似乎还没有这种“taste”。
研究人员观察到，当要求AI自己提出新的研究问题时，它往往会过度关注人类研究者认为并不重要的细节。
看来，“AI取代理论物理学家”还早着呢。
研究人员最后写道，目前的AI还不能被直接交付一个重大的物理问题，然后期待它自主完成整个研究过程。人类专家仍然需要负责确定方向、判断哪些问题值得解决，并在AI遇到困难时决定是否调整路线。
