GPT-6-Astra 在 TheoPhysEval 物理基准中解出 50 题中的 49 题，单题成本约 2.40 美元

团队测试了市售的 AI 智能体，没有给它们任何人工提示。GPT-6-Astra 在 OpenAI 的 Codex 编程环境中运行，表现最佳。它在 50 道题中答对了 49 道，正确率 98%，平均每道题成本不到 3 美元，整个基准测试总成本略低于 116 美元。

该基准测试考察的是常规研究工作，而非重大难题

这套题目有意避开了重大未解问题，专注于作者所称的“按部就班”型问题，即研究人员将已知方法应用于稍作修改的问题。出题者通常会对他们自己近期某篇论文中的计算改动几个数值，使新结果无法从旧结果中推测出来。据研究人员称，这类问题常被交给博士生，作为进入研究领域的第一步。

一个来自黑洞研究的例子说明了这些问题仍然有多难。要解决它，需要找到一篇较早的论文，将其方程从五维时空转换到四维时空，然后用自定义程序计算结果。协调人 Suvrat Raju 是那篇较早论文的合著者，他花了大约一天时间。作者估计，在现代智能体出现之前，只有少数专家同时具备物理学知识和这些计算方法的经验。即便是他们，也需要好几天。

这些问题横跨理论物理的十一个子领域，从流体流动、生物过程到粒子物理和宇宙学。每个智能体都运行了两次测试，一次是在有网络搜索的现实条件下，一次是在无互联网访问的隔离环境中。

Anthropic 的 Opus 5.5 在 Claude Code 中运行，以 92% 的成绩位居第二。Google 的 Gemini 3.8 Flash 得分为 68%，而开放权重模型 DeepSeek-V4.1-Flash 和 GLM 5.3 分别达到 54% 和 42%。较弱的模型有时会犯专家一眼就能看出的错误。在黑洞问题上，Gemini 和 GLM 在有网络搜索的那次运行中直接照搬了较早论文中的公式，未作改动。那些公式适用于五维，而非所需的四维。

互联网访问带来的差异小得惊人。在没有网络搜索的情况下，Astra 和 Opus 各自得分 92%。许多问题依赖于研究论文中的公式，而模型通常并未获得这些论文。作者将此视为一个迹象，表明领先的语言模型实际上已经记住了理论物理文献的很大一部分。

在有网络搜索的情况下，Astra 解出了所有问题，只有一道难倒了所有模型的问题除外。该问题要求给出一个能产生给定曲线的方程。专家的解法依赖于特殊的数学形式，这些形式只有在更宽泛的意义上才算作所需的微分方程。作者承认这个问题可能显得“不公平”，但他们认为它是现实的，因为研究人员常常不得不从不精确的数据中推断背后的物理规律。

若干 AI 的失误其实是答案本身有缺陷

对于几道题，与专家进一步核实后发现，他们的参考答案中存在细微、难以察觉的错误。修正这些错误后，Astra 的答案每次都是正确的。

这一模式或许也能解释一个表面上的矛盾。这些智能体在 TheoPhysEval 上的表现优于在其他一些物理基准测试上的表现，例如 CritPt，尽管作者认为他们自己的题目平均而言更难。一项近期研究发现，一些理论物理基准测试的评分有误，在某些情况下严重低估了模型的能力。

任何想核实结果的人都可以在 Hugging Face 上以数据集的形式下载这些题目和测试设置。

为什么强大的计算能力尚未带来物理学突破

作者写道，当前一些最强大的模型在具体计算上可能已经超越了最优秀的人类研究者，即便是在专业领域也是如此。他们称这是一个重大里程碑。

他们指出，这种影响在数学领域更为明显，AI 智能体在那里已经解决了重要的未解难题。据 OpenAI 称，这包括关于描述流体流动方程的纳维-斯托克斯问题，它是著名的千禧年大奖难题之一。理论物理学尚未出现可与之相比的突破。

作者解释说，具有可验证结果的具体计算只出现在研究过程的末端。在此之前，必须有人构建理论并提出“正确”的问题。当一个题目被证明太难时，优秀的研究者会转向一个更简单但同样有趣的相关问题。当前的智能体并不擅长这一点。

物理学家对于什么样的问题算得上有趣，也持有一种虽远非一致但相当普遍的共识。智能体似乎还不具备这种“品味”。当被要求设计新题目时，它们会迷失在人类觉得无聊的细节中。

研究人员强调，这些观察无法量化，也不是对 AI 发展方向的预测。他们认为 AI 智能体可能在不久的将来独立开展顶级研究，但这需要的不仅仅是解决问题的能力。

AI 已经在改变物理学家的培养方式以及谁能参与竞争

作者已经看到了对培养的影响。直到最近，一些基准测试题目本可以很好地作为早期职业研究者的首个研究项目。如今这已不再合适，除非目标明确只是把材料过一遍。

他们还指出了一个结构性问题：理论物理学在历史上所需的资金远少于实验研究，这使该领域的机会相对平等。有能力的 AI 智能体可能会改变这一点。这些基准测试题目目前解决起来仍然便宜，Astra 的完整运行成本约为 116 美元。然而，对于更难的题目，作者预计资源需求会急剧攀升。到那时，一个研究团队的预算可能会对其能取得什么成果有更大的决定权，即便是在理论物理学领域也是如此。作者表示，这引发了关于该领域获取机会和机会平等的问题。

数学领域已经在进行这些讨论，例如围绕《莱顿宣言》。作者认为，理论物理学也应该在 AI 颠覆该领域之前展开这些讨论。迄今为止，物理学中至少有一个学派一直敦促研究者“闭嘴，去计算”。如果品味和远见开始变得更加重要，物理学家或许需要转而“停下来，想一想”。