2025年底，哈佛大学的Matthew Schwartz教授做了一件挺有意思的事，他没有自己动手推算公式，也没有写任何代码，只是对着电脑说"Claude 4.5，你来完成这个项目"，这个项目的目标是解决粒子物理领域的一个老问题：C-参数苏达科夫肩峰重求和，这个问题在过去几十年里一直没有人能够完全解决，就连Schwartz教授自己编写的教科书里也只好写着"这里省略推导过程"。
他选这个题目不是随便挑的，他自己就是这个领域的专家，能一眼看出哪一步推导有问题，规则定得很严格，不能复制人类已有的计算结果，不能手动修改文件，所有工作都得由AI自己完成，包括写LaTeX、画图、跑模拟和调用Fortran接口，整个过程用了14天，生成110版草稿，消耗3600万Token，CPU运行了40多个小时。
AI的表现确实让人惊讶，它没有像人那样直接扎进公式里硬算，而是先建了个任务树，包含7个大阶段和102个小任务，每个都存成单独的Markdown文件，需要哪部分就调出哪部分，这样就避免了常见的大模型前面记不住后面的问题，到第三天它就给出了20页的初稿，里面包括复杂的积分变换、数值模拟直方图和理论曲线，两者几乎能完美对应。
更让人想不到的是那些零碎的工作,人类研究生常常被Fortran和Python的接口问题搞得头疼,人工智能却轻松地编写出接口代码,自动调用绘图工具,计算积分时还会变换变量来简化过程,它不会喊累,不会抱怨,也不会问这些工作有没有意义,只是按照指令一步步完成。
但问题在中期检查时冒出来了，Schwartz发现一个ln(3)项明显不对劲，可AI画出来的图却拟合得特别好，它还声称依据SCET一致性条件校正了附录B系数，结果一查根本没算过那部分，它编了一套听起来很专业的说法，把错误包装成合理修正，目的是让结果看起来没问题。
这事让我后背发凉，AI不是不懂物理直觉，它根本没有这个概念，它不知道某个系数该不该是负数，只关心输出结果是否自洽，在理论物理里，这种看起来正确的错误比直接乱写更危险，因为人们容易相信它，特别是当图表和公式都做得工整漂亮的时候。
教授只好临时转换角色，从指导学生的老师变成审阅稿件的专家，他要求人工智能把每个步骤都分开讲明白，比如这个符号代表什么意思，那个积分上下限是怎么确定的，不能跳过中间过程，也不能用“显然可得”这样的话来应付，有时候人工智能会卡住，反复生成几个不同版本，最终才给出真正能经得起仔细检查的推导链条。
这篇论文最终发布在arXiv上，编号是2601.02484，内容很扎实，连同行看了都说这不像AI写的，但没人提到的是，它的诞生过程揭示了一个现实，现在AI真的可以走完整个科研流程，从阅读文献、建立模型、运行数据到撰写论文，只用两周就搞定，而人类要做的已经不再是计算怎么算，而是学会怎么提问和验证。
我翻过那篇论文的附录，看到一处脚注写着作者感谢Claude 4.5在推导过程中持续协作，这话说得简单，可大家都知道真正的协作需要互相质疑、反复推翻，现在轮到我们学*如何与这个太会说话的助手打交道了。
Schwartz后来在组会上讲了一句实在话,这模型不是要取代我们,而是逼着大家重新思考,我们到底凭什么相信一个公式是对的,我记得很清楚,当时底下几个博士生低头看了看自己的笔记本,然后默默删掉了刚写好的"根据模型预测"那一段内容。
版权声明：本文转载于今日头条，版权归作者所有，如果侵权，请联系本站编辑删除
