AI 给物理学家打下手？不，这次反过来了。

密歇根州立大学物理学家 Stephen Hsu 刚刚在《Physics Letters B》上发表了一篇量子物理论文，核心思想由 GPT-5 从零提出，

这可能是第一篇主要想法来自 AI 的理论物理研究论文。作者本人也在社交媒体上确认了这一点：

我认为我发表了第一篇理论物理研究论文，其中的主要思想来自 AI ——在这个案例中是 GPT-5。

除了论文之外， 他还配套发表了一篇 AI 方法论文章，详细描述了他与 GPT-5 的协作过程。

GPT-5 的量子物理论文讲了什么

这篇论文探讨的是一个极其根本的物理学问题：量子演化是否严格线性？

通俗地说，我们熟悉的量子力学是 " 线性 " 的，那如果给它加一些 " 非线性 " 的修改（让量子状态的变化不仅和自身有关，还和整个系统的状态挂钩），能不能依然符合相对论的要求（比如信息不能超光速传播、物理规律不随观测角度变）。

Stephen Hsu 使用 Tomonaga-Schwinger 理论框架来分析，核心结论很如下：

大多数非线性修改都没法和相对论兼容，问题主要出在 "locality"（远处的事件不能瞬间影响近处）和 " foliation independence"（不管从哪个角度看，物理结果都该一样）上。

论文的核心贡献是推导出了一个新的算符可积性条件。要满足相对论，非线性修改必须满足这个公式，但大多数情况都满足不了。

简单说就是：想给量子力学 加补丁（非线性修改）来解释一些现象？很难。

因为这些补丁大概率会和相对论相互冲突，而相对论和量子力学都是目前物理学的基石，没法轻易放弃其中一个。

科学家如何与 AI 协作研究

Stephen Hsu 在配套发表的 AI 方法论文章中，详细描述了他与 GPT-5 的协作过程。

最关键的一步发生在他向 GPT-5 询问如何分析非线性量子力学与相对论的兼容性时。GPT-5 完全自主地提出了使用 Tomonaga-Schwinger 框架来处理这个问题的思路，这正是整篇论文的核心方法论框架。

Stephen Hsu 采用了一种他称之为 " 生成 - 验证 "（Generator-Verifier）的协作方法：一个模型实例负责生成推导步骤，另一个独立的模型实例负责检验。他发现这种方法可以显著降低 AI 产生错误的概率。

他在方法论文章中坦率地描述了与 LLM 合作的真实体验：

模型有时会犯非常简单的错误（例如计算错误），也会做出表面上看似合理但实际上错误的概念跳跃。

第二种类型的错误甚至能让专家研究者误入歧途，需要花费大量精力才能发现和纠正。

与大模型一起做研究，可能类似于与一位才华横溢但不可靠的人类天才合作，他能够产生深刻的洞见，但也会犯下简单和深刻的错误。

大模型的错误并不总是容易发现。Stephen Hsu 在论文中描述了一个典型的失败案例：模型声称可以使用公理化场论中的 Reeh-Schlieder 定理或分裂性质来证明可积性条件在非线性项存在时必然被违反。

这些建议听起来非常合理，但最终被证明是错误的。花费了大量精力才确定这一点，因为他本人的背景并非公理化场论。

他指出，这是大模型在物理学中的常见问题：模型的专业知识覆盖整个文献领域，因此完全有能力引入来自遥远子领域的、听起来很合理的技术应用，而这些往往是最难发现的虚构内容。

Stephen Hsu 对这种人机协作的前景持乐观态度。

他在文章末尾写道，近期可能会看到人类与 AI 的混合协作成为数学、物理和其他高度形式化科学的标准。随着模型在精度、上下文保持和符号控制方面的持续改进，它们将越来越像自主研究智能体，能够生成猜想、验证推导，甚至准备能够经受同行评审的手稿。

论文地址：

https://www.sciencedirect.com/science/article/pii/S0370269325008111

参考链接：

[ 1 ] https://x.com/hsu_steve/status/1996034522308026435

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

 锁定 12 月 10 日周三，AI 圈一年一度绝对不容错过的盛宴马上就要来了——MEET2026 智能未来大会。 了解详情

‍

    重磅 GenAI 对话 + 前沿 Agent 圆桌，深挖年度最热议题

    近三十位来自学术界、产业界与前沿创业一线的重量级嘉宾

    「人工智能年度榜单」与「年度 AI 趋势报告」正式发布

，一起来 AI 认知跨年 ❤️‍

点亮星标

科技前沿进展每日见