2026年9月25日，一个叫Claude的AI收到一句话指令，没有后续辅导、没有中途修正——它自己在96个CPU上跑了一周，花了一百美元算力，交出了一份物理学界等了十年迟迟没敢碰的答案。
计算对象是一个物理学家专门构造的"玩具宇宙"——一个名叫平面N=4超杨-米尔斯理论的高度理想化模型。在这套假想物理规则里，Claude把六粒子碰撞的概率公式一口气推到了第九圈精度，打破了2023年人类创下的八圈纪录。
八圈纪录的保持者、SLAC国家加速器实验室的迪克逊，曾判断直接算九圈"太难了"。他随后参与了核验，确认了Claude的结果。
这不是AI第一次闯进硬科学。短短几个月里，Claude把黎曼猜想零点比例从41.6%推高到67.2%——相当于在茫茫数轴上多标记了超过四分之一；用11天把费马大定理的整个证明翻成了1300万行验证代码；OpenAI的内部模型则在一个月内攻克了超过100个长期开放数学问题。
但迪克逊验完AI的作业后，说了一句更值得追问的话：Claude用的方法全是人类给的，真正会让物理学家睡不着的问题还没来——"当AI开始在没有人类先例的情况下，自己提出新的物理原理和洞见，那一刻才是触及灵魂的。"
一个只存在于黑板上的"氢原子"，为什么值得兴师动众？
要理解九圈的分量，得先承认一件事：Claude算的并不是现实世界的真实物理。
平面N=4超杨-米尔斯理论是一个高度理想化的玩具模型。它假设宇宙有四重超对称——现实世界一重都没有；假设粒子之间的强作用力在"颜色数趋近无穷"的极限下运作——现实世界的颜色数只有3；假设整个理论具有完美的共形对称性——现实世界一扭头就会破掉。
那物理学家为什么抱着它不放二十多年？
因为它是量子场论里的"氢原子"。学量子力学入门，第一个算的就是氢原子——它是极少数能精确求解的系统，但算出来的轨道和能级公式直接点亮了整个原子物理的理解框架。同理，这套理论是四维空间里唯一有望被从头到尾精确解开的量子场论。在这里验证过的计算方法，最终会回流到描述真实世界的理论——比如描述强相互作用的量子色动力学（简称QCD），对撞机实验里每时每刻都在用它。
而Claude算的那个量——学术上叫散射振幅——回答的问题很直观：两个粒子撞在一起，产生一堆特定产物的概率有多大？它是连接黑板公式和实验装置的数字桥梁。算得越精确，理论预言和实验数据之间的差距就越小。在现实QCD里，目前最精确的预测用到五圈；Claude在理想化模型里推到了九圈，整整多了四圈。这不仅是用算力堆出来的数字，更是这个"方法试验场"里前所未有的一块领域被开垦出来了。
不是因为聪明，而是因为"不怕无聊"
Claude用了两种方法独立推进，交叉验证。第一种叫"直接自举法"——你可以把它想象成一个超大型数独：把散射振幅可能的一切形式先用数学穷举出来，然后一条一条上物理约束去砍选项，砍到最后只剩一个答案。八圈时，这个"数独"的独立元素约有17亿个，总可能性空间约2.8万亿种；到了九圈，每一步的待求解系数都膨胀到传统超算也扛不住的量级。唯一的出路是不出错——代码里一个参数配错、逻辑掉链子，整个推导就会像迪克逊形容的那样，"像一块没发起来的舒芙蕾，彻底塌掉。"
这正是人类物理学家不愿直面的部分：大量的实现细节"无聊到没人愿意写进论文"，而这些工作恰恰是Claude的舒适区——它不会无聊，不需要午休，也不会在第72小时因为疲惫手滑。
第二种方法更取巧——借用了迪克逊团队2023年发现的一种数学对偶关系，从更容易算的一种叫"形状因子"的物理量出发，间接反推出九圈振幅。相当于不走正门，翻了一扇隐形的侧窗进到同一个房间。
算力层面，96个CPU跑一周，裸计算成本约100美元。算上模型推理的持续费用，任一完整方法的端到端花费在一两千美元左右。迪克逊的评价每个词都含着分量："Claude对我们2019年和2023年论文的理解，除合著者外超过任何一个人。"
接下来才是真正让数学界炸锅的事。
25位菲尔兹奖得主联署：你们卷错了方向
就在Claude交出九圈结果的两周前，陶哲轩领衔25位菲尔兹奖得主——这个奖项的江湖地位约等于数学界的诺贝尔——发表了一封联署公开信，标题叫《AI在数学中的严重错位》。
信的核心不是反技术，是反叙事。他们看到的问题是：AI公司正把"解决开放问题"当成模型能力的广告牌——黎曼猜想零点比例更新几个点、费马大定理机器化、100多个难题被"攻克"——但数学共同体最在乎的根本不是这些。
"数学的首要目标是概念理解与洞察，而非批量制造真/假命题。"当AI以远超人类审稿速度产出论文时，方法不会被提炼，前人工作不会被认真引用，学生会以为搞数学就是"喂一个问题给模型然后等输出"。信里有一句话尤为刺骨——"我们最宝贵的资源是学生和思想。如果人类数学家之间的传承链条断裂，谁来把AI产出的思想发展并整合入数学经典？"
一位年轻博士生在《科学美国人》的报道中坦言：不敢公开表达对AI进入数学的看法，怕职业受损；为了不掉队，自掏腰包订阅昂贵的AI服务——月费是他工资里不小的一块。
AI公司那头也不完全是高傲的沉默。OpenAI在公开信之后成立了一个9人独立数学咨询小组，托管在普林斯顿高等研究院，成员都是极有分量的人物。但小组声明里有一条关键限制："不负责就如何调整我们的内部数学研究进度提供建议。"小组无权影响公司决策，成员也没有报酬。门开了一条缝，钥匙还攥在公司手里。
这不是信源对错的问题，是两套时间尺度的碰撞——科技公司以天和月为单位冲刺下一个评测榜单，学术界以年和十年为单位沉淀理解和培养人。双方目前能找到的最好折中方案，是在中间摆一张没实权的圆桌。
这并非史上第一次。1976年，阿佩尔和哈肯用计算机穷举1936种构型证明了四色定理——任何平面地图最多用四种颜色就能区分相邻区域。数学界拒绝接受，因为那几百页计算机打印的验证记录任何人穷尽一生都无法复现。在此之前，"证明"的前提是可被人类通览。四色定理踩碎了这条红线。今天AI产出的证明更难通读——几千亿参数里的推理路径无从拆解。
国际象棋界走完了类似的路。1997年深蓝击败卡斯帕罗夫后，人类棋手不再以计算深度为荣——那条赛道人跑不过机器，取而代之的是理解引擎的反直觉着法。顶级比赛开始推广随机开局变体，只为保护人类创造力不被引擎的记忆库碾压。
科学界面对同一道题：当AI能独立完成顶尖圈数计算，人不可替代的价值在哪？这一题比象棋残酷——象棋的"真理"是胜负，科学的真理不止一个答案。
算得出九圈，跳不出框架
这正是最关键的局限——也是陶哲轩们真正担心的东西。
Claude完成九圈计算，从头到尾用的都是人类过去二十年间一根公式一根公式推出来的工具——从各种物理极限约束、巧妙的数学对称性，到答案的参数化方式，全出自迪克逊和其他人的论文。它没有提出一个新原理，没有发现一个新对称性，甚至没有找到一个比人类更省算力的捷径。项目团队的物理学家直说："Claude用了已知方法，只是比人类之前愿意投入的算力多了一点点。"
这碰到了一个更根本的问题：AI能"计算"，但它能"跳跃"吗？
2026年国际机器学习大会上一篇获奖论文，把答案封进了标题——《LLMs Can't Jump》（大语言模型不会跳）。作者论证了一个结构性缺陷：大语言模型擅长归纳和演绎，但它们缺少爱因斯坦式的溯因跳跃——就是那种从一个电梯自由落体的日常场景直觉到"引力与加速度等价"，然后一口气推导出弯曲时空的物理想象力。
另一组研究者从物理机制上定性：真正的概念突破需要"认知错误产生物理代价"的反馈——普朗克提出量子，是因为经典公式在黑体辐射实验面前被打到躲无可躲。而当前AI模型的固定参数推理，不存在这种"被现实打耳光"的回路。
这不是说AI没用。它已经证明自己是一位可怕的"熟练技工"——能在已铺好的轨道上把火车开到人类从未到达的速度。但开山辟路的跳跃，目前仍然是人脑的独门功夫。
那这件事落在每一个想学或正在学数学物理的年轻人身上，意味着什么？
答案不是"别学了"。恰恰相反——当AI能替你算完所有你不想算的部分，你最值钱的能力就从"手推九圈"变成"找到该算什么的直觉"。2026年菲尔兹奖得主齐默曼在颁奖台上宣布离开学界加入OpenAI做AI安全，全场静默后他说："我们正在做的事情是不可持续的。AI在研究数学上超越人类数学家，只会比任何人预期的更快。"但他去的不是对抗AI，而是站在AI的发展线上，参与决定它下一步该往哪跑。
当工具无限廉价，问题的质量取代计算的耐力——这或许是未来每一个做科学的人需要默认的起点。对正在学量子场论的研究生来说，这意味着你的工具箱里多了一个不眠不休的助手——它能替你推完所有你会推但算不过来的圈数，但真正的突破仍然取决于你敢不敢问一个AI还没见过的问题。
而真正的坏消息更具体：美国国家科学基金会（NSF）在2026年砍掉了数学与物理科学部门30%的预算，钱被转去资助AI技术转化项目；PhD职位招聘名额被压缩；产业界为顶尖研究者开出一百五十万美金的年薪，学术界的薪水连零头都不到。 那才是现实的物理约束——不是AI会不会思考，是人还有没有机会思考。
