先给结论：所谓"GPT-6攻克98%世界物理难题"，是一次被标题放大了的数字。真实含义是——在一项由35位研究者联合构建的评测里，GPT-6-Astra在50道未发表的理论物理难题中做对了49道，得分98%。至于"人类科研会不会因此被彻底取代"，论文作者们给出了更精确的回答：科研中"执行计算"这一层，AI已达到甚至超过世界专家水准；但提出问题、构建理论所需的"品味"，仍握在人类手里。被真正撼动的不是科学家的存在，而是"通过做题成为研究者"这条培养路径。
这篇名为TheoPhysEval的论文10月9日提交arXiv，10月19日起在中文平台刷屏，研究团队包括哈佛大学、宾夕法尼亚大学、东京大学、ICTS、TIFR、Google DeepMind等机构的35位研究者。50道题全部取自专家们未发表的最新研究笔记。难度标尺是：每道题世界专家需要约一天解出，相邻领域专家耗时更久。最终，搭载Codex工具环境（可联网查文献、写代码做数值和符号计算）的GPT-6-Astra拿下49/50，第二名的Opus 5.5解出46题，Gemini 3.8 Flash解出34题，开源权重的DeepSeek和GLM也分别解出27题和21题。Astra完成整场测试的API开销合计一百多美元，平均每道题不到3美元。知乎36氪arXiv
AI先给专家的答卷打了低分
整场评测最有戏剧性的不是AI解题，而是它反过来"批改"出题人。论文正文确认了修正机制：多道题最初被判为Astra出错，但Astra坚称是标准答案算错了；团队与专家复核后发现，原答案里确实存在细微疏漏，修正后Astra的解法被认定正确。按热榜话题描述，修正前Astra的初评成绩约88%——人类专家认错后，它的分数"从88%直接飙至98%"。AI证明的不只是做对题，还有这批"人类前沿答案"并不总对。arXiv知乎
论文自己泼的三盆冷水
这项测试并非为"神化AI"设计，论文同时划出了边界。第一，断网重考时Astra仍有92%的得分，各模型在联网与隔离两种环境下的准确率差距很小，说明模型实际记住了物理学文献的很大一部分——解题成绩里有推理，也有背诵。第二，50道题里有一道反着出的题：给一条带噪声的轨迹，要求反推出对应的微分方程，所有顶级AI全军覆没。隔离环境下，Astra还把两道题误判为不可能解决——面对信息不对称、需要变通的问题，它不会转弯。第三，这50道题不是突破性开放难题，解出它们不需要伟大的原创性，也不需要构建新理论的能力；用一位知乎科普博主的概括，其难度"大概相当于普通硕士论文"。所以"98%"的准确翻译是：在"有可验证答案、人类需花一两天算完"的研究型问题上，前沿AI的准确率已追平世界专家。arXiv36氪知乎
被取代的是"闭嘴，算就完了"的那部分
“取代"到底发生在哪一层？物理学的首要目标是构建对物理世界的理论，第二是提出"对的"高层问题，把问题转化为具体计算只是第三步——而AI恰好统治了第三步。当被要求自己出新题时，模型会过度关注人类觉得无聊的技术细节，“目前还不能把一个重大物理问题直接交给AI，期待它自主解决”。作者甚至改写了行规：当品味与视野的重要性上升，物理学家需要的不再是"闭嘴，算就完了”，而是"停下来，想一想"。更早的信号是，OpenAI已在9月初宣布用未公开模型解决了纳维-斯托克斯千禧年难题。这篇论文的导论也把数学列为AI冲击最剧烈的领域。另据新智元转述的MIT团队测量，理论科学难题的AI解决率两年间从2%升至35%、暴涨约17倍——该数据为二手转述，仅作趋势参考。arXiv微博36氪
最先被冲垮的不是资深科学家，而是初级研究者的台阶。论文原话是：这批题目不久前还适合作为新入研究者的第一个训练课题，“再把它们分配给起步研究者已经不再合适”——除非目的纯粹是练过程而非拿结果。当"会解题"不再是人类稀缺性的证明，建立在物理奥赛、博士入学考、资格考试之上的整套筛选体系都要重新回答考什么；讨论区里"但研究生还是要读"这条评论点出了普通人的直觉：学位将来认证的，或许是AI此刻还没有的判断力。而每道题两美元出头的价格意味着，任何课题组都请得起一个不知疲倦的计算助手——这恰恰说明，稀缺的已经不是计算，而是决定算什么。arXiv知乎
回到标题的问题：人类科研不会被AI彻底取代，被替代的是科研中长期由人充当"计算执行器"的那部分工作；留给人类的是提出好问题、判断什么值得做，并为之负责。真正的紧迫之处在别处——把物理学生培养成研究者的那条流水线，被AI从第一站抽走了地基；下一代研究者要在哪里积累"品味"，才是这篇论文的35位物理学家没有给出标准答案的那道题。
