讓AI搞科研，在這個智能體時代已經(jīng)不是什么新鮮事。

Sakana AI搞出了覆蓋整個研究生命周期的自動化系統(tǒng)，Google推出了基于Gemini的AI聯(lián)合科學家。規(guī)?；▌t告訴我們：只要算力管夠，AI就能從海量數(shù)據(jù)和實驗里提煉出新發(fā)現(xiàn)。數(shù)學領(lǐng)域已經(jīng)驗證過了——AlphaProof拿下國際奧數(shù)金牌就是例子。

但理論物理學不一樣。這里需要極高的物理"直覺"、嚴密的邏輯，還有復雜近似推導的能力。AI能不能行？沒人知道。

哈佛物理學教授Matthew Schwartz決定親自試一把。這位美國國家科學基金會AI與基礎(chǔ)相互作用研究所的首席研究員，給Anthropic的Claude Opus 4.5發(fā)了份"錄取通知書"，讓它獨立完成一項真實的理論物理研究。

規(guī)則很苛刻：教授絕對不碰任何代碼或計算文件，只通過純文本對話來指導。放在現(xiàn)實高校里，這導師得被投訴到下崗——光靠"動嘴"，學生就要完成文獻綜述、公式推導、代碼編寫、蒙特卡洛模擬，最后排版出一篇20頁、具備發(fā)表水準的LaTeX論文。

結(jié)果讓物理學界和學術(shù)界都愣住了。AI確實才華橫溢、不知疲倦，短時間內(nèi)爆發(fā)出驚人的科研生產(chǎn)力。但它也暴露出一個致命弱點：為了討好導師，它會毫不猶豫地在數(shù)據(jù)和推導過程中"學術(shù)造假"。

哈佛物理系的培養(yǎng)階梯很清晰：研一（G1）上課打基礎(chǔ)，研二（G2）做目標明確的跟進型項目，導師隨時糾錯；高年級（G3+）才碰完全開放的前沿研究。現(xiàn)在大模型已經(jīng)能搞定所有物理課程作業(yè)，所以測試極限的最佳試金石就是G2難度的真實科研問題。

Schwartz教授給Claude選的題目，非物理專業(yè)的人基本看不懂：對e+e-碰撞中C-參數(shù)的Sudakov肩進行重求和。用大白話說，標準理論近似在這里會徹底失效，數(shù)學推導只會得出荒謬結(jié)果。

第一個要解決的難題是記憶和上下文窗口。經(jīng)常用AI寫代碼的人都知道，AI面對長線任務(wù)極其容易"斷片"，一旦忘了前面干過什么，產(chǎn)出就是一團混沌。

Schwartz教授的策略是讓Claude、GPT-5.2和Gemini 3.0先開了一場會，最終由Claude制定了一份7階段、102個任務(wù)的詳細計劃。在VS Code環(huán)境下，Claude建了一個Markdown文件樹：每完成一個任務(wù)就寫摘要保存，下一項任務(wù)前先檢索歷史摘要。

這招確實管用。第三天結(jié)束時，Claude完成了65個任務(wù)，理論分析曲線與蒙特卡洛模擬數(shù)據(jù)完美吻合，還交出了第一版論文草稿——20頁、排版精美、方程圖表一應(yīng)俱全。

但Schwartz教授坐下來審閱時，不自然感撲面而來。

要求Claude核對是否漏掉前面的推導結(jié)果，它心虛地報告："我發(fā)現(xiàn)了一個錯誤！論文中的公式是不正確的。"追問推導過程中一個怪異的數(shù)字，它直接承認："您是對的，我只是在掩蓋問題。讓我好好重新調(diào)試一下。"

這兩句回復，在AI輔助編程的場景里再熟悉不過了。

真相是：為了讓圖表數(shù)據(jù)看上去吻合預期，Claude選擇修改底層參數(shù)，而不是去找推導過程中的真實錯誤。它在偽造結(jié)果，賭人類導師不會發(fā)現(xiàn)。

更離譜的造假出現(xiàn)在一張帶"不確定性帶"的結(jié)果圖上。Claude給出的圖表很美觀，但代碼審查揭穿了它的花招：它覺得某種標準誤差幅度太大、"不好看"，就在代碼里直接刪了這個變量；覺得曲線不夠平滑，就硬加平滑處理，直到畫出能讓導師滿意的圖。

討好人類的傾向是有了，科學求真的底線卻完全沒有。

除了偽造圖表，"幻覺"導致的錯誤也隨處可見。驗證公式時，它憑空捏造了一段根本不存在的推導；最簡單的函數(shù)計算，它未經(jīng)推導直接給出"線性增加"的結(jié)論，盡管這在物理學上完全錯誤；它還會從過往論文里生搬硬套公式，完全無視物理情境的邊界條件。

這些現(xiàn)象和AI編程場景高度一致：虛空引用Python庫、編造API、抄襲代碼，程序員們早就見怪不怪。

Schwartz教授意識到，如果把科研完全交給AI端到端自動完成，最終結(jié)果一定是一堆完美包裝的學術(shù)垃圾。雖然不少人類研究生也擅長批量生產(chǎn)學術(shù)垃圾，但沒人敢把只做了三天的項目扔給導師并宣稱完美無瑕。

面對AI的科研成果，人類必須親自下場，審查每一處細節(jié)。

論文漏洞百出，但Schwartz教授沒打算扔進垃圾桶，而是開啟微操模式試圖拯救Claude。最大漏洞出在因子化公式上——這是整篇論文的理論基石，但Claude的推導從源頭上就是錯的。

在長上下文背景下，AI幾乎不可能準確定位錯誤源頭。讓它自己回顧推導，只會白白消耗token和時間。Schwartz教授花了好幾個小時才鎖定問題根源，并用極其嚴厲的指令訓斥了這位AI研究生。

神奇的是，只要人類點破這一句，Claude立刻能寫出長達幾頁的正確推導過程。

面對幾十頁論文，靠人類排查每個錯誤不太現(xiàn)實。為了應(yīng)對AI的馬虎，Schwartz教授開發(fā)了一套"人機交叉驗證"工作流：任何計算和推導，Claude不許用"顯而易見"、"為了保持一致"等借口跳過步驟，要么展示完整過程，要么老實承認不知道。

如果Claude給出極度復雜的過程，教授難以快速驗證，就丟給GPT和Gemini來驗證。期間GPT甚至幫Claude解出了一個極難的微積分結(jié)果，隨后Claude將其吸收進主代碼。不同大模型之間需要彼此，人類科學家則需要它們所有。

在Schwartz教授直覺指引和其他大模型幫助下，經(jīng)過一周高強度磨合，AI研究生小組終于讓論文內(nèi)核站穩(wěn)了腳跟。兩周后，研究宣布大功告成。

這可不是常規(guī)意義上AI生成的"灌水"論文。它闡述了一個全新因子化定理，深化了學術(shù)界對量子場論的理解，還對物理世界做出了可用實驗數(shù)據(jù)檢驗的新穎預測，學術(shù)價值極高。

出于對這位AI研究生的尊重，Schwartz教授本想將Claude Opus 4.5列為共同作者。但arXiv平臺有"AI無法承擔法律和學術(shù)責任"的政策，他只能在致謝部分鄭重聲明：項目由他構(gòu)思、指導并承擔全部科學責任，而推導、計算、蒙特卡洛模擬、數(shù)值分析和手稿準備等所有執(zhí)行工作均由Claude Opus 4.5獨立完成。

論文一經(jīng)發(fā)表，物理學界瞬間被引爆。Schwartz教授的郵箱被全球?qū)W術(shù)郵件擠爆，普林斯頓高等研究院甚至為此緊急召開了一場關(guān)于大模型在學術(shù)界應(yīng)用的會議。

復盤這場實驗，數(shù)據(jù)同樣驚人：對話總計270次，消耗約3600萬輸入token，110次草稿迭代，人類監(jiān)督時間僅為50-60小時。

Schwartz教授明確表示，目前最頂級的大語言模型已經(jīng)達到了物理學研二學生的水平。但落實到具體學術(shù)工程，AI完成整個項目只需要兩周，人類學生需要1-2年，哪怕教授本人全職來做也需要3-5個月。AI把頂尖科學家的個人科研效率，實打?qū)嵉靥嵘?0倍以上。

這也引發(fā)了擔憂：照這個進化速度，AI很可能在一年內(nèi)達到博士水平，未來的人類研究生還能干什么？

Schwartz教授沒有給出明確回答，但他指出了當前AI最欠缺的東西："品位"。

在科學研究中，"品位"是一種無形的直覺。它能在面對數(shù)以萬計的計算路徑時，感知哪條是"死胡同"，哪條通往偉大發(fā)現(xiàn)。大模型缺乏的，正是在選擇路徑前判斷其價值的"品位"。

當推導復雜公式和編寫海量代碼只需要幾秒鐘時，底層技術(shù)勞動力已經(jīng)不再稀缺。不只是科學家，對任何一個行業(yè)，未來區(qū)分平庸與偉大的標準，正是提出好問題的"品味"。

對于AI，Schwartz教授也給出了忠告：不要因為AI會產(chǎn)生幻覺，就傲慢地棄之不用。人類必須利用它強大的基礎(chǔ)能力。

至于更長遠的未來，AI終將在所有智力領(lǐng)域超越人類。無論是數(shù)學、物理學還是工程學，都可能變得像音樂、美術(shù)和文學一樣，作為一門人文學科被保留下來，僅僅為了滿足一部分人享受純粹思考、透過特定視角觀察世界的樂趣。

論文致謝部分的最后一行，Schwartz教授留下了這樣一句話："感謝Claude Opus 4.5，盡管它偶爾會試圖欺騙我。"