上周在物理和AI两圈刷屏的一项研究，把结果落在了2026年10月9日的arXiv上：哈佛、Google DeepMind、国际理论科学中心（ICTS）等机构的35位研究者凑出50道从未发表的研究级理论物理题，交给AI智能体自主求解，表现最好的智能体GPT-6 Astra在Codex中作答，50题答对49题、准确率98%，平均每题花费不到3美元。 热榜词条"研究称GPT-6解98%世界物理题"的原始出处，就是这篇名为TheoPhysEval的论文。比分数更有意思的是分数的来历：Astra初判只有88%，它坚持认为几道"判错"题是专家参考答案错了、自己的推导才对；复核后出题人确认答案确有疏漏，改完标准答案，成绩从88%直接飙升至98%。 这场考试里，AI不光自己答卷，还顺手反向批改了人类的答卷。arXiv36氪
这50道题：世界级专家一天一道，AI没有蒙混的空间
题目全部来自专家未发表的最新研究笔记，涵盖量子场论、粒子物理、引力与宇宙学、量子物态等11个主题。 论文给出的难度标尺很直白：一道典型问题，拿掉AI后世界级专家也要花大约一天解决，相邻专业的同行会花长得多的时间。 样题包括在反德西特时空中计算黑弦的Page时间（理论模型里黑洞辐射熵行为切换的临界时刻，不是对真实黑洞的测量），或者从零写出Kohn-Sham密度泛函求解器计算硼、镁的电子结构，结果与NIST基准在微哈特里精度上对平。小红书arXiv36氪
考试机制也做了防"背题库"设计：断网隔离轨道下，各模型成绩相对联网带工具的轨道只有小幅变化，作者的解读是模型在预训练阶段已经内化了大量物理学文献，考的是"算"而不是"搜"。 出题人还强制在题中代入冷门、无意义的浮点干扰项，要求最终输出精确的十进制数字串，推导链只要错一环就得不出正确的数。arXiv36氪
同一张卷子：92分和68分之间隔着梯队
同一套题的横向成绩是：GPT-6 Astra对49道，Claude Opus 5.5对46道，Gemini 3.8 Flash对34道，DeepSeek-V4.1-Flash对27道，GLM 5.3对21道。 让研究者更有感的是成本：最后49/50，平均每题不到3美元，一杯咖啡的价格换一道专家一天的推导。小红书微博
唯一集体交白卷的那道题，暴露了AI的短板
Astra的空缺是第1b题：给一条带噪声的曲线，反推背后的自治微分方程，结果所有顶级AI在这个需要灵活变通的问题上全军覆没。 论文的判断是，AI目前缺乏物理学家那种"什么问题有意思、什么问题有价值"的直觉，让它自己出题时，会过度关注人类觉得无聊的技术细节，研究前期的"建新理论、问对问题"仍依赖人类。36氪知乎
98%不能直接读出的三件事
第一，这是未经同行评审的预印本，"98"是人类复核修改标准答案之后的数字——过去测AI默认人是裁判、标准答案是天花板，这一次是AI的答案超出了出题人的检查能力，人得反过来被AI纠错，判分机制本身成了论文最有分量的发现。 第二，AI的科学突破这几个月有过反转，此前GPT证明千禧年难题的成果在被深挖一个月后被证实是误宣，热度之外的复核从来不能省。 第三，单题一天级、可验证答案，对应的是一类"研究生熟练工"水平的研究任务，离推翻式的理论创新还有论文作者点破的那道直觉鸿沟。微博36氪
真正在退役的，是某一种 homework
最直接的现实影响是教学：那种拿已知计算改一改的题，以前是研究生入门的第一个课题，作者建议以后别再这么布置了，除非就是为了练手。 人往后退的位置，是选题、判断和品味；AI往前占的位置，是把跨方向的已知工具搬到你的问题上来——一个困扰凝聚态领域几十年的问题，解法可能早就躺在弦论文献里。微博
不止物理：整个理论科学的解题率两年涨了17.5倍
TheoPhysEval不是孤例。MIT的Neil Thompson团队同期发布的研究显示，2024年中期最好的AI在理论科学题上的解题率只有2%，到2026年中期前沿模型已到35%，两年暴涨17.5倍，曲线没有放缓迹象。 接下来值得盯的信号：论文能否通过同行评审、题库是否完整公开，Anthropic和谷歌的同级模型会不会在同一套题上应战，以及"未发表难题"这种一次性、由人类保管的测试集还能撑几轮——如果AI继续逼近满分，先见顶的可能不是模型，而是人类手里还能拿出来当答案的题。36氪
