🔬Top Black Holes Physicist: GPT5 can do Vibe Physics, here's what I found

AI已经跨过了一个关键门槛：它不再只是辅助工具，而是能够独立解决困扰顶尖物理学家一年多的前沿理论问题，这标志着科学研究范式的根本性转变。

这期内容适合所有关注AI能力边界、以及AI如何改变科学研究方式的从业者和爱好者。最值得花时间看的原因是，它提供了一个极其具体、可验证的案例——AI不仅帮物理学家“算得快”，而是独立发现了困扰领域专家一年的新公式，并给出了证明。这不再是“AI辅助人类”，而是“AI独立完成核心科研工作”的里程碑。最值得注意的冲突在于：当AI能解决人类专家一年都解不开的难题时，我们对“什么是真正的科学发现”的理解需要被重新审视。

这期播客的核心是讲述一个真实发生的、具有里程碑意义的科研事件：AI（具体是OpenAI的GPT模型）如何独立解决了一个困扰理论物理学家一年多的前沿难题——计算“单负螺旋胶子树图振幅”。主持人Brandon和RJ与嘉宾Alex Lubyansky（范德堡大学教授、OpenAI研究员）深入探讨了这个过程。Alex从个人经历出发，讲述了他从认为“AI只能写邮件”到“AI能复现我最好的论文”再到“AI能解决我解决不了的问题”的认知转变。他详细解释了问题背景：在量子场论中，胶子（强力的载体）的散射振幅计算是核心难题。过去认为“单负螺旋”振幅为零，但Alex的导师Andrew Strominger等人发现了一个漏洞——在粒子共线等特殊条件下，振幅不为零。然而，他们花了一年时间，只能得到极其复杂的表达式（项数随粒子数阶乘增长），却找不到简洁的通用公式。AI介入后，先是在5点和6点粒子情况下找到了惊人的简化，然后直接猜出了n粒子的一般公式，最后甚至独立给出了证明。紧接着，同样的方法被成功应用于引力子（引力量子）的类似问题，进一步验证了AI的能力。

1. AI已经跨过“科研辅助”阶段，进入“独立发现”阶段。 Alex明确表示，GPT-5.2 Pro不仅猜出了困扰专家一年的公式，后续更强的模型甚至独立给出了完整的证明。这不是“AI帮人算得快”，而是AI完成了从“发现问题”到“提出猜想”再到“给出证明”的完整科研闭环。
2. AI的能力提升在“科学前沿”比在“日常任务”上更显著。 很多人对GPT-5的升级感到“失望”，因为它在写邮件等日常任务上提升不明显。但Alex指出，在理论物理等科学前沿，AI的能力正在爆炸式增长。这提示我们，评估AI能力时，不能只看通用基准，更要看其在专业领域的深度表现。
3. “简单性”是物理学家追求的核心，也是AI能做出贡献的关键。 物理学家相信，自然界的根本规律应该是简洁的。他们花一年时间寻找的，正是那个“简洁的公式”（类比1980年代的Parke-Taylor公式）。AI之所以能成功，部分原因在于它被训练去识别和生成这种简洁的数学结构。这暗示了AI在“发现隐藏的简洁性”方面有独特优势。
4. AI的科研贡献需要被“去AI化”地呈现。 Alex强调，他们刻意不在论文摘要中提及AI，因为这是一个独立的物理学成果，AI只是工具。这反映了科学界对AI贡献的审慎态度：结果本身的价值不依赖于产生它的工具，但工具的能力边界值得被记录和讨论。

AI不再只是帮你算得更快，它已经开始替你发现你发现不了的东西——当它能用12小时解决人类专家一年都解不开的难题时，科研的规则已经变了。

这对AI从业者，尤其是做AI for Science或基础模型能力提升的人，有几点非常具体的启发：

1. “长思考”能力是突破科研瓶颈的关键。 Alex提到，最终证明公式的模型“思考了12小时”。这告诉我们，对于复杂科研问题，模型需要的不是“快”，而是“深”。这直接指向了推理模型（如o1系列）的价值：它们通过更长的推理链和更深的搜索，能触及传统模型无法到达的数学和逻辑空间。做AI产品时，应该为这类“深度推理”场景设计专门的交互和计算资源分配策略。

1. “发现”与“证明”是两种不同的能力，需要分别训练。 GPT-5.2 Pro能“猜出”公式，但无法证明；而更强的模型才能“证明”。这提示我们，在构建AI科研助手时，不能只追求“生成答案”的能力，还要有“验证答案”的能力。这类似于数学中的“猜想”与“证明”分离，AI产品可以设计为：先让模型生成多个候选猜想，再让另一个模型（或同一模型的不同模式）去验证和证明。

1. “领域知识”与“通用推理”的结合点在于“问题表述”。 AI能解决这个问题的关键一步，是Alex等人将问题“表述得非常清晰和尖锐”。这提醒我们，AI的能力上限不仅取决于模型本身，还取决于人类如何将模糊的科研问题转化为模型能理解的、结构化的数学或逻辑问题。做AI产品时，应该投入精力设计“问题表述”的交互界面，帮助用户更好地“问问题”。

1. “简单性”可以作为AI发现新知识的引导信号。 物理学家相信自然规律是简洁的，AI恰好擅长发现这种简洁性。这可以推广到其他领域：在药物发现中，AI可以寻找“简洁的分子结构”；在材料科学中，AI可以寻找“简洁的晶体对称性”。将“简洁性”作为优化目标或奖励信号，可能是AI在科学发现中取得突破的一个有效策略。