AI能否重塑理论物理研究边界｜Latent Space播客

AI早已不只是用来帮忙写邮件的工具，它正在触及理论物理的研究边界，甚至能够在数小时内完成物理学家往往要投入数年才能做完的工作。

本期内容来自科技影响力很强的工程师播客《Latent Space: The AI Engineer Podcast》。嘉宾是2024年“物理学奥斯卡”新视野突破奖得主Alex Lupsasca——他长期深耕黑洞物理方向，开发过可视化黑洞的互动应用，同时也是OpenAI团队中负责AI加速物理研究的关键成员。

这期播客并不制造“AI焦虑”，而是借助真实的科研案例，讲清AI究竟如何推动物理研究的边界；你还能认识“Vibe Physics”这种新型科研范式，看到AI对学术研究的具体改变，而不是营销式的AI噱头。

Alex的学术背景足够硬核：他是黑洞物理领域的顶尖研究者，做过可视化黑洞的互动APP，并获得了被称为“物理学奥斯卡”的2024年新视野突破奖。不过让他真正转向AI研究的，来自一次出乎意料的经历。

Alex回忆说：“我一开始以为AI最多能帮写邮件，根本不可能处理理论物理这种需要深度直觉的任务。直到我用GPT-3.5做了一点简单计算，才发现它能在11分钟内解决我原本要花几天的活。”这段直白评价，正好道出不少物理学家对AI的最初偏见——理论物理依赖跨尺度直觉与长期训练，并非单纯的计算工具。

真正的转折发生在GPT-5发布之后：Alex让模型复现自己耗时一年完成的黑洞潮汐Love数论文，而且训练数据里甚至并不包含这篇2023年的研究。在OpenAI研究员Mark Chen的提示下，模型先“预热”一些更简单的平坦时空问题，随后仅用30分钟就复现出完整结果。

当时他就意识到：我们可能正在站到理论物理推理大规模变革的门槛前。

这并不是夸张。训练数据未覆盖他在2023年的那篇论文，却仍然能独立复现耗时一年的成果。之后他在学术休假期间加入OpenAI，专门去研究AI加速物理研究的边界在哪里。

Alex的第一个关键突破，来自与哈佛教授Andrew Strominger的合作项目。Strominger团队发现：传统理论认为单负螺旋度胶子树振幅始终为零，但在粒子共线的特殊情形下，这个结论可能不再成立。

然而，手动计算这类振幅的复杂度会随着粒子数呈阶乘增长，团队在这一关卡上卡了整整一年，始终没有进展。Alex坦言：“我们当时甚至不知道该从哪里入手，只能不断试错。”这句抱怨准确揭示了传统理论物理研究最折磨人的部分：复杂计算带来的试错成本极高，团队往往被困在原地数月甚至数年。

他带着“试试看”的心态让GPT-5.2 Pro介入：先从5粒子和6粒子的振幅示例入手。很快模型就给出了通用的简化公式。更令人惊喜的是，后续的内部模型不仅复现了公式，还给出了严格的数学证明——其中用到的技术，团队本身都尚未掌握。

在Strominger教授飞机落地之前，ChatGPT就把困扰团队一年的难题解决掉了。

这个细节让AI辅助科研的效率优势变得更加直观：本来需要一年的攻坚，结果只用几天就能完成；而且还能交出团队未曾掌握的数学证明。那篇冲击学界既有认知的论文很快在预印本平台发布。

借助胶子方向的成功经验，团队开始挑战更高难度的目标：让AI生成全新的物理成果。所谓Vibe Physics，是Alex团队提出的一种新科研范式——重点在于让AI自主探索未知物理问题，而不只是帮忙做已知任务的补充。

他们把目标锁定在引力子的研究：这种粒子是引力的量子载体，同时结合相对论与量子力学，计算难度明显高于胶子。给GPT的提示也相当直接：“用研究胶子的方法，推导单负螺旋度引力子的树振幅。”

后续过程Alex称之为“Vibe Physics”。模型在一天内产出了110页全新的计算结果与研究方法，超出了团队的预期。Alex解释道：“最让我们意外的是，它并没有直接照搬胶子的推导思路，而是引入了引力子特有的技术——这是我们团队都没想到的。”

这番话也点明了Vibe Physics的关键：AI不再只是复刻已知方法，而是能够自行开辟新的研究路径，这就是它与传统“辅助工具”之间的根本差异。

ChatGPT确实导入了推导引力子所需的全新技术，而且衔接得毫无瑕疵。

这一结果彻底改变了学界对AI的理解：它不只会做已知任务，还能创造出人类专家尚未设想过的研究成果。整个研究从开始到论文完成只花了3周，其中大部分时间用于验证结果而非推导。最终论文在预印本平台发布，为量子引力研究开辟了新的方向。

不少人会把AI辅助科研和AI辅助编程混为一谈，但Alex强调两者存在本质不同。

Vibe Coding是目前主流的AI辅助编程方式：让AI快速完成已经明确的功能，本质上是提高已知任务的效率。而Vibe Physics则是在真正拓展人类的知识边界。

他进一步解释：“我们的胶子和引力子研究成果，事后看像是顺理成章的延伸，但在研究伊始，那是一个困扰专家一年的难题，而且从来没人做过。”AI的产出不再只是简单重复，而是生成了人类尚未探索的知识。这也是为什么Vibe Physics会被看作科研范式的变革——它不是工具层面的升级，而是把探索边界这件事往前推了一大步。

Alex认为，AI正在从三个维度重构理论物理的研究范式。

第一是效率的显著提升：AI可以更快验证研究者的想法，减少迷茫与困惑的时间，让物理学家能够并行推进多个研究方向。他用一个很生活化的比喻：“现在我能在喝咖啡的时间里完成过去需要一周的计算，相当于给了我一个超能力。”这个说法把效率红利讲得直观易懂，读者也能感受到AI在节省时间上的价值。

第二是学术训练方式的重构：传统物理研究生要花上数年时间练习艰深计算，才能逐步建立直觉与信心；而如今AI可以替他们完成大量重复性工作，训练逻辑势必需要被重新思考。

第三是学术传播的优化：目前的论文撰写与审稿流程效率偏低，未来可能出现交互式的AI辅助论文形式。AI也许能把研究过程直接转化成可交互的科普内容。不过他也提醒，学界需要处理AI生成内容可能带来的“AI slop”，并确保学术内容质量。

即便取得了突破性的成果，Alex仍保持清醒。他指出，目前的AI擅长解决明确的物理计算问题，但在提出顶级原创科研问题方面仍不具备相应能力。

他说：“AI可以跟着我们的思路走，但要迈出的第一步——提出足以改变学科走向的科研问题，仍然是人类的专属。”这句话直指AI辅助科研的核心痛点：AI能够高效完成既定路径上的任务，却无法像人类那样跳出框架，提出真正颠覆性的研究方向。

另一个限制来自结果验证：AI输出的结论仍需要人类逐一核验。随着研究规模扩大，验证速度反而变成新的瓶颈。

你觉得AI要到什么时候，才有可能真正独立提出顶级的科研问题？

未来的改进方向主要集中在两个方面：提升模型的创造性，让它能摆脱常规思路生成更具突破性的想法；同时优化结果验证机制，包括自然语言验证与形式化验证。

这期播客并没有贩卖AI焦虑，而是通过真实的科研案例展示AI正在改变理论物理的研究范式。从复现耗时一年的论文，到生成全新的物理成果，AI已经从单纯工具转变为科研伙伴。它不仅提升了研究效率，也进一步拓宽了人类探索知识的边界。

这期内容适合所有关心AI发展、科研趋势的人，也适合对理论物理抱有兴趣的读者。

觉得有收获的话，欢迎点赞、在看或转发给同样关注科技与科研的朋友。