人工智能从数学走向科学理论
WIRED AI··作者 Will Knight
关键信息
测试题目来自2025年12月至2026年5月发布的论文，其答案发表于模型训练截止时间之后，且测试期间禁止联网。该研究只覆盖无需模拟或实验即可处理的理论问题；研究人员也提醒，模型在复杂问题上仍可能出错。
资讯摘要
研究计算机科学与人工智能进展的麻省理工学院研究人员 Neil Thompson 表示，人工智能可能很快改变数学以外的多个科学领域。他的团队发现，在概率论、统计理论、经济理论、高能理论、引力与宇宙学以及量子物理的理论问题上，最佳模型的成功率从2024年年中的约2%升至2026年年中的约35%。这项研究由 Thompson 与 Gabriel Manso、Claudio Mayrink Verdun 共同完成。研究人员选取了2025年12月至2026年5月发布的研究论文中的问题，并测试了 o1、o3、GPT-5、GPT-5.1、GPT-5.4 和 GPT-5.5 等 OpenAI 模型。
由于参考答案发表于模型训练截止时间之后，模型必须自行推导答案，而不是从训练数据中检索；测试期间也关闭了互联网访问。研究没有涵盖需要模拟或实体实验的领域，因此不能代表人工智能已经能够独立完成完整的科学研究。Thompson 认为，数学领域正在经历的冲击可能扩展到其他理论密集型学科，但人类专家仍需提出好想法、建立概念联系并验证结果。人工智能生成的答案可能有用，却仍可能包含隐蔽错误，OpenAI 撤回部分已发布解答的事件就说明了这一风险。
资讯正文
AI 曾进军数学领域，如今正追赶科学的其他领域
上周，我在麻省理工学院参加了 Neil Thompson 的一场演讲。Thompson 研究计算和人工智能领域的进展。在短短半小时内，Thompson 令人信服地论证了：人工智能即将颠覆多个科学领域。
随着数学家们逐渐应对 AI 将其领域自动化所带来的冲击，Thompson 的最新研究表明，概率论、统计学理论、经济学理论、高能理论、引力与宇宙学以及量子物理学，可能会成为下一个受到影响的领域，这要归功于前沿模型不断演进的能力。研究显示，从 2024 年年中到 2026 年年中，最优秀的 AI 模型从只能正确解决这些领域中约 2% 的理论问题，提升到能够解决约 35% 的此类问题。而且，没有迹象表明这一进展会放缓。
Thompson 表示：“我们预计，仅仅几年之内，许多理论问题都将因 AI 解答这些问题的能力而发生彻底改变。”
总体而言，Thompson 的实验室研究计算机科学的进步如何影响社会以及创新。Thompson 与博士生 Gabriel Manso 和研究科学家 Claudio Mayrink Verdun 共同开展了这项研究。他们选取了 2025 年 12 月至 2026 年 5 月期间发布在网上的研究论文中所陈述的问题，然后测试不同的 OpenAI 模型——o1、o3、GPT-5、GPT-5.1、GPT-5.4 和 GPT-5.5——能否解决这些问题。
关键在于，这些问题的解答出现在 GPT-5.5 及此前模型的训练截止日期之后发表的论文中。这意味着，接受测试的模型必须自行推导出答案，而不能依赖作为训练数据输入的现成答案。（这些论文被用作测试模型解题能力时的真实答案。）研究人员还切断了互联网访问，从而阻止接受测试的模型在线查找解答。
这项研究涵盖的领域较为有限——三位研究者专注于那些 AI 模型无需运行模拟或开展实验便能自行推理的领域。但这项工作表明，目前数学领域正在经历的冲击，很可能会波及其他数学和理论色彩浓厚的科学研究领域。
上个月，OpenAI 宣布一款尚未发布的模型解决了数学界长期面临的一项重大挑战——纳维–斯托克斯问题。该问题涉及解释流体运动规律的方程。这一事件后来引发了更大争议：纽约大学的一名数学家在得知 OpenAI 的进展后，指责该公司抢先截胡；当时，这名数学家正与另一位和 Anthropic 有关联的学者合作。
此后，OpenAI 及其他机构又宣布解决了数百个长期存在的数学问题，在这一领域引发了某种危机。一些数学家呼吁限制 AI 的使用，并警告说，解决问题的过程往往与获得最终答案同样有价值。
Thompson 表示，与数学一样，我们也应预计 AI 在其他领域的进步会产生正面和负面影响。他指出，理论上的进展有时会推动科学实践的发展，并表示，更广泛地使用 AI，可能意味着更多进步将以这种方式发生。
一些知名的人工智能研究人员已经创办了专注于“人工智能+科学”的新实验室，各大人工智能实验室也都在加大科学研究力度。这些努力探索如何让人工智能不仅进行理论分析，还能够开展真实实验。人工智能或许意味着，理论研究人员不再需要亲自解决关键问题，但研究人员表示，这并不意味着人类专家不再需要解读这些解决方案，并确保它们是可靠的。
“我们仍然需要有人提出好的想法，把各个环节串联起来。”Manso说。他补充道，对于非常复杂的问题，人工智能可能会犯错。（事实上，OpenAI在其最新数据集发布后撤回了其中的几个解决方案。）“我们还需要办法验证已经完成的工作，因为模型很容易告诉你‘这就是正确答案’，但当你审视整个解决方案时，就会开始发现它可能并不正确。”
来源与参考
收录于 2026-10-15