「GPT-6攻克98%世界物理难题」这两天刷屏中英文社区。把原始论文和几个关键数据交叉核对后，结论需要拆成两半：作为基准测试分数，这是一次真实的突破——50道答案尚未公开的全新研究题，OpenAI的GPT-6 Astra答对49道，还反过来揪出了人类专家参考答案里的计算错误；但「攻克世界物理难题」夸大了题目的性质，而「AI即将接管科学」的叙事则更接近营销。出题团队自己的论文在开头写明：截至发表时，自主AI在理论物理领域尚未取得显著突破。
这项评测名叫TheoPhysEval，题目来自全球35位一线物理学家尚未发表的研究笔记，于2026年10月9日发布在arXiv上，团队包括哈佛、Google DeepMind等机构。知乎
这个98%，为什么值得认真对待
防「背题」是这次评测的核心设计：题目全部未公开发表，涵盖量子场论、全息原理、凝聚态、流体力学等方向，细分领域顶尖专家独立解一道题也要一天以上。评分被强制数值化：解析解要换算成高精度小数，并掺入冷门的干扰参数，只有整条推导链正确才能凑出答案，瞎蒙和格式讨巧基本无效。36氪·新智元
结果超出了出题人自己的预期。测试前物理学家估计Astra能做对40道左右，最终50道答对49道、只错1道。更有说服力的是判分环节：被初判「做错」的多道题，经复核确认是专家参考答案里藏着符号笔误和近似条件误用，修正人类错误后，Astra的成绩从约88%直接升到98%。另一款前沿模型Claude Opus 5.5在同一评测中拿到约92%；即使断网、禁查背景论文的「隔离轨道」，前沿模型也稳定在九成上下——这些推导能力不是搜索引擎拼出来的。知乎36氪·新智元
真正改变科研成本结构的是价格：Astra解这类题的API token成本，平均每题不到3美元。36氪·新智元
趋势与之一致。MIT团队Neil Thompson把2025年底至2026年5月新论文里的理论难题拿去断网测试历代模型，最优解决率从2024年中的2%升至2026年中的35%，两年涨了约17.5倍且没有放缓迹象。36氪·新智元
标题没有告诉你的三个边界
第一，这些题不是「世界级猜想」。TheoPhysEval的出题方式，是拿已经解决的研究问题改变参数，让AI查阅资料、理解原来的方法、再完成新的计算；题库没有包含重大开放难题，也不要求提出新的物理理论。它测出的是一个「称职的研究级计算执行者」，不是下一个爱因斯坦。36氪·硬核看板
第二，论文自己踩了刹车。这篇给出98%成绩的论文，甚至在开头写明：截至论文发表时，自主AI在理论物理领域尚未取得显著突破。唯一的失败题恰好暴露短板：第1b题要求从一条带噪声的轨迹反推自治微分方程，信息不完整、需要逆向变通，所有受测顶级模型全军覆没。36氪·硬核看板
第三，会解题不等于会做科研。第三方基准PaperBenchX用93篇真实论文测试端到端复现：交卷后删掉全部输出、断网在隔离环境重跑工作流，只认重新生成的证据。面对这套规则，表现最强的同样是GPT-6 Astra，完整复现率却只有13.98%。给定明确题面和可验证答案的单点计算，AI已逼近人类专家；从定义问题、建模、执行到验证的完整科研闭环，成功率还不到七分之一。量子位
这也正是陶哲轩、邓煜等25位菲尔兹奖得主10月初联名公开信的核心担忧：他们承认大模型已能解决数学领域的重大难题，但也提出了更关键的问题——AI公司把解决数学问题当作基准测试，这对数学这门科学、对数学共同体都是有害的。量子位
「噱头」味从哪里来：分数之外的叙事
让98%显得可疑的，不是分数，而是它被包装进了什么故事。9月OpenAI发布GPT-6系列时高调宣称「AGI时代」，此后千禧年数学难题、722篇数学手稿、「推翻59年核聚变猜想」一轮轮刷屏，而真实体验端同期流传着「GPT-6反而不好用」的普遍吐槽。10月17日，Anthropic联合创始人Jack Clark在曼谷举行的IMF与世界银行年会上抛出「奇点已至」判断，把TheoPhysEval当作核心证据之一，并称如果AI能够自主完成广泛的任务，并迅速得到应用，美国GDP到2030年就可能达到44万亿美元。36氪·硬核看板
这个预测的成立条件苛刻得多。它出自Anthropic自家9月经济学论文的「极端情景」，要求AI实际参与的劳动任务占比从2026年中的约1.4%，在三年半里升到30%，相当于20多倍于当下的普及速度；而Anthropic自己的研究也承认，完全自主设计和开发下一代AI尚未实现。台上谈论奇点时，台下Anthropic正筹备IPO，部分投资者已在讨论下调其上市估值预期。评测数据是严谨的，用它兜售「奇点经济」则不是——这才是「营销噱头」指控真正该指向的地方。36氪·硬核看板
用户该关注什么
这篇论文里最有长期价值的判断，是那句「把这类验证性计算分配给年轻研究员，已经不再合适」。理论物理界祖训「闭嘴，算就完了」的验证性推导环节将被AI快速接管，人类留在牌桌上的是「什么问题值得做」的品味与方向感——论文观察到，让AI自己出题时，它会过度纠缠人类觉得无聊的技术细节。接下来值得盯的信号也很具体：这类未公开题库会不会持续加密、AI能否在真正的开放猜想上拿出可复核的进展、端到端复现率能否从13.98%向上走。分数是真的，奇点还远；把它读成科研分工的一次重排，比读成「AI攻克物理学」的通稿，更接近事实。36氪·新智元
