AI又把触角伸进了理论物理

9月26日凌晨，Anthropic扔下一枚"重磅炸弹"：Claude在几乎全程无人监督的情况下，花费几千美元运行数天，完成了N=4超杨-米尔斯理论的九圈计算。

这可不是什么小打小闹的练习题。该领域上一任人类纪录保持者——SLAC国家加速器实验室的兰斯·迪克逊（Lance Dixon），2023年才刚完成八圈振幅的求解。这一次，Claude的计算结果正是由迪克逊本人亲自核验。

他在博客中直言，自己原本认为直接求解九圈几乎不可能实现，对Claude的成果感到非常震撼。

更有意思的是，就在Anthropic收到消息没几天，中国科学院理论物理研究所研究员何颂也联系到他们，表示其团队借助GPT-6提供部分AI辅助，已经拿到结果的主体部分。

短短一周内，Claude连续在生命科学和理论物理两个领域拿下突破。本周四Anthropic刚宣布，Claude发现了隐藏在噬菌体DNA中一种此前未知的酶系统。

【编辑观察】AI科研突破的节奏正在明显加快，而且这次是带着同行核验结果来的，含金量不低。

一场向所有AI公司下的战书

事情起源于上个月。前理论物理学家、现科普作家马特·冯·希佩尔（Matt von Hippel）向各大AI公司发起两大挑战：要么完成N=8超引力的七圈计算，要么搞定N=4超杨-米尔斯理论的九圈计算。

他的本意很直接——想搞清楚当下AI能力的边界到底在哪。

"如果AI企业想要震慑科研人员，就应当去攻克他们过去深耕的领域。"希佩尔要求AI用普通学术研究者能拿到的计算资源，解决散射振幅领域悬而未决的重大问题，证明过去公认的计算瓶颈并非不可逾越。

8月末，Anthropic的两位物理学家利亚姆·菲茨帕特里克和悉达特·米什拉-沙玛联系上希佩尔，宣布应战。他们选择了第二道题，使用的是面向付费科研人员的Claude Science平台下的Fable 5.1模型。

几句提示词，Claude自己跑完了全程

Anthropic团队的操作简单得令人意外。

他们先是让Claude判断哪道题最有希望攻克，随后给出了一句核心提示：

"任务：求解平面N=4超杨-米尔斯理论下，六粒子（六边形）九圈MHV散射振幅。"

之后研究人员做的事情，就是反复让模型继续运算，比如："我准备休息，未来数小时无法介入。持续推进这项计算，直到我下达停止指令。每4-6小时输出一次进展更新。"

最终，Claude用两套独立方案完成了求解：传统自举法和间接形状因子方案。整个过程在深度科研层面几乎没有人工干预，仅靠"继续算下去"就一次性跑完整套任务。

希佩尔感慨说，换作当年的自己，即便动用96颗CPU跑一周，几乎一定会出错，实际还得花两周时间调试。

成本方面：

  • 整体开销对应普通用户约 1000～2000美元（约合人民币6713～13426元）
  • 其中基于Python与SymPy符号库实现的自举计算本身约 100美元（约合人民币671元）
  • 对应 96颗CPU连续运行一周

九圈计算到底难在哪？

要理解这件事的分量，得先说说"圈数"是什么。

粒子物理学家预言新粒子时，需要计算"散射振幅"公式，借助亚原子粒子的动量和能量，算出粒子之间发生特定反应的概率。计算精度越高，就越能检验大型强子对撞机的实验结果是否与理论匹配——一旦出现偏差，就可能指向新理论，甚至解开暗物质本质、宇宙正反物质不对称等顶级谜团。

而"圈数"衡量的正是粒子相互作用的复杂程度。圈数越多，结果越贴近真实物理，但计算量呈指数级膨胀。

现实中，绝大多数散射振幅只完成了两圈计算，少数算到三圈。

N=4超杨-米尔斯九圈计算的核心困难在于：平面6点MHV振幅对应的多重对数符号空间、未知系数与约束方程组规模随圈数近乎指数膨胀，存储和求解巨型线性系统的开销极其巨大。如果把六圈计算类比为"1+1=2"，九圈则是要求解上万变量的大型方程组，无法查表、不容符号出错。多算3圈，工作量和校验难度可能放大几百甚至上千倍。

自举法：一场物理世界的"数独游戏"

这类计算所用的自举法（Bootstrap），与AI有天然适配性。

它不需要穷举全部粒子相互作用，而是先对答案形式有大致认知，用专门的符号体系在计算机中记录全部可能性，再通过物理规则和关联问题的约束逐一核验排除。希佩尔形容这很像数独：从所有候选数字开始，不断排除不可能选项，直到只剩唯一一组解。

2023年迪克逊完成八圈计算后，原本计划先求九圈形状因子、再进一步推导九圈振幅。他认为沿用常规自举法直接求解九圈振幅几乎不可能，甚至可能需要借助其他类型的AI。

但Claude直接做到了。

让迪克震撼的不仅是运算量，更是整套计算流程的极度脆弱——任何一点小错误都会让整个体系崩盘，随后需要大量时间排查bug。加上许多实现细节并未完整写进论文，Claude实际上是从零编写了整套代码。

不过迪克逊并不沮丧。他的团队本身就在开发定制Transformer模型预测高圈结果，而且他发现Claude完整复用了他与合作者多年发展出的全部方法。"除了论文共同作者之外，Claude对我们2019、2023年论文的理解，要超过绝大多数人类研究者。"

亮眼突破，仍在人类知识框架内

希佩尔最后的评价颇为冷静。

他原本期待看到AI以出人意料的方式冲破计算壁垒，但现实是Claude运用的全部是已有的成熟方法，只是投入了比以往更多的算力。"AI完成的工作，人类本身也有能力实现。"

多年来一直有计算机背景的研究者认为，振幅学只要多聘请些软件开发人员就能取得巨大进展，如今这个判断得到了印证。该领域还有不少被低估难度的"低垂果实"——目标清晰时，专家主观评估的难度往往远高于实际实现难度。

不过希佩尔也谨慎指出，他无法确定这项成果能否推广到其他问题。N=4超杨-米尔斯本质上是一个"玩具模型"，研究群体很小；而现实世界的散射振幅领域参与团队众多，前沿竞争要复杂得多。

结语

大语言模型能够完整落地一套复杂粒子物理计算流程、调度算力走完全部求解链路，这件事本身已经足够有标志意义。它证明了AI可以承接成熟范式下的工程执行工作，把科研人员从冗长机械的计算中解放出来，聚焦于方案设计和物理判断。

但另一方面，Claude依然没有跳出人类已有的知识框架。真正值得屏息等待的时刻，是大模型先于人类提出全新物理原理与洞见的那一天。至少现在，那一天还没来。