理论物理学长期被视为纯粹智力的自留地：不需要昂贵的粒子对撞机，只要粉笔、草稿纸与人类大脑，就能推演宇宙法则。
这个浪漫叙事正在被精确的账单击碎。由国际理论科学中心（ICTS）研究员 Suvrat Raju 领衔的 35 位理论物理学家，提交了一篇题为《TheoPhysEval: Assessing AI agents at autonomous theoretical physics problem solving》（arXiv:2610.16733）的评测论文。在 50 道覆盖流体力学、宇宙学、粒子物理等 11 个子领域的未发表前沿计算题中，运行于 OpenAI Codex 环境下的 GPT-6-Astra 在联网条件下成功解答 49 道，解题率高达 98%。
完成这整套评测，一共花掉 116.28 美元，平均每道题的推导成本只要 2.33 美元。
它攻克的是博士生的苦力劳动，不是爱因斯坦的奇迹年
必须先界定清楚：这套测试不是在让大模型提出相对论，而是检验科研中最耗时的流水线式计算（turn-the-crank）。
所谓流水线计算，是指方法论已经成熟、逻辑链条确定，但符号繁琐、计算量巨大的任务。这类工作过去是导师交给初入门博士生的标准训练项目：人类专家要耗费数天，博士生可能要磕磕绊绊算上一两周。
论文给出了一个典型例子：出题者要求将某篇黑洞论文中的五维时空引力方程推导迁移至四维时空，并编写一套定制数值脚本求解。原论文作者之一的 Raju 本人重做这道题花了一整天；在具备现代 Agent 之前，全世界只有极少数同时精通该物理分支与计算算法的学者能在数天内做出来。
GPT-6-Astra 在几分钟内把代码写完、跑通并交出了正确答案。
这说明结合了 Docker 容器与代码解释器的智能体系统，已经能以极低成本接管高度专业化的符号演绎与数值模拟。相关评测代码与 Harbor 任务集目前已完整开源在 Hugging Face（RameshChandra1/TheoPhysEval）。
各家模型的差距非常悬殊。Anthropic 的 Opus 5.5 在 Claude Code 驱动下同样拿下 92% 的成功率，但花费达到 240.43 美元；Google 的 Gemini 3.8 Flash 停留在 68%（成本 95.01 美元）；开源的 DeepSeek-V4.1-Flash 拿到了 54%，以 37.42 美元成为全场开销最低的系统；GLM 5.3 联网命中 21 题（42%），名义 API 成本达到 311.71 美元（实际套餐支付 180 美元）。
更耐人寻味的是弱模型的翻车姿势。面对那道黑洞时空降维题，Gemini 与 GLM 联网后找到了出题专家的旧论文，却直接把五维时空的现成公式机械照搬进脚本，完全无视了题目要求的四维设定。这是典型的机械搬运，缺乏严谨的物理参数重构意识。
记忆力还是泛化力？基准背后的水分与纠偏
一个反常的数据是：断网隔离计算模式下，GPT-6-Astra 依然拿下了 92% 的得分率（46 题，耗费 95.20 美元），Opus 5.5 离线测试同样保持在 92%（耗费 275.46 美元）。
这并不意味着机器凭空顿悟了现代物理。题目的设计方式是在专家近期发表的论文基础上微调参数和初始条件，使结果无法直接检索。但断网依然能做出 92%，更大概率表明大模型已将人类发表的理论物理文献库变成了自身的参数化记忆。加上作者明确承认，出题专家在整理推导答案时本身就借助了 AI 工具，因此完全杜绝数据污染是不现实的。
真正讽刺的转变发生在改卷环节。
评测初期，Astra 在几道题上的输出与参考答案冲突，专家复核后才发现，出错的居然是人类专家提供的标答。修正这些人工粗心错误后，Astra 的解题记录全数被翻案为正确。
过去人们以为模型算不准前沿物理，很多时候只是人类学者把标准答案写错了。
2026 年 9 月提交的一篇基准审计论文（arXiv:2609.13009）指出了同样的问题：包括 CritPt 在内的知名学术基准存在大量裁判错误。在 CritPt 的测试中，GPT-5.6-Sol 经过人工仔细重判后，pass@4 从初测的 32.29% 一路飙升至 94.44%。
AI 没有被高估，但它也没有真正推开科学的大门。OpenAI 曾宣布其智能体在纯数学领域参与解决了纳维-斯托克斯方程相关的千禧年难题，但在理论物理界，类似的革命性突破尚未出现。
物理计算与物理学发现是两码事。具体计算只发生在研究链条的最末端；在此之前，研究者需要敏锐判断哪个方向更有价值，在遭遇死胡同时代换出等价却更轻巧的模型。这种被物理学界称为品味（taste）的直觉判断，目前的大模型依然是一片空白。
算力账本接管黑板，学徒制的梯子断了
理论物理学家曾有一句名言叫 shut up and calculate（闭嘴，老老实实算）。当推导繁重漫长时，算力就是门槛，能算、肯算的人就能立足。
如今，两块钱就能买走一个博士生三天的推导工时。
- 风险.当流水线式的计算工作被机器以极低边际成本消解，传统理论物理研究生的培养路径正在崩塌。过去青年学者正是通过大量繁复的脏活累活磨练直觉，一旦入门砖瓦被完全抽空，缺乏独立提问与审美能力的新一代研究者将很难完成学术过渡。
同时，理论物理学最引以为傲的平等性正在受到侵蚀。与依赖重资产的实验物理不同，理论研究过去只看纸笔和头脑，发展中国家学者与顶尖名校研究人员站在同一条起跑线上。荷兰的数学家们此前围绕莱顿宣言讨论过算力对研究公平的扭曲，同样的阴影正在笼罩理论物理。50 道题只要一百多美元，但如果面对未知的硬核难题，需要数万次自我博弈与验证迭代，理论物理终究会变成比拼集群预算的资本游戏。
算力的绞肉机一旦转动起来，闭嘴计算的人类就失去了生态位。如果不能及早学会停下思考、提出真正有穿透力的好问题，留在象牙塔里的推导者，最终只会沦为替机器检查输出的质检员。