而顶尖物理学家用了几年时间也没解开，AI仅用了几天就快速完成。成果已经得到权威科学家的验证，是真实有效的。

AI在拿下数学领域之后，现在开始破解物理领域难题了！

出题人是谁

咱们先聊聊这位出题的大佬。他叫马特·冯·希佩尔，以前是做理论物理研究的，后来转型当了科普专家，一直在4gravitons上写技术博客，聊的都是物理研究和科研圈那些事。

虽然现在很多人都说超级AI、AGI马上就要来了，会颠覆各个行业。这位大佬偏不信邪，他认为AI连高端物理题都解决不了，还谈什么颠覆世界。

而且他还有一个额外的要求。希望AI去挑战的是那种计算量本身就极其恐怖的任务。

马特·冯·希佩尔

数学上的突破很多时候靠的是灵光一闪，这种东西没法量化难度。但计算问题不一样，计算问题是实打实的，难就是难，简单就是简单。

他想看看，如果有一个更聪明的AI研究员，拿着和人类差不多的计算资源，到底能不能把那些过去大家觉得算力不够搞不定的问题给解决了。

所以，他提出了N=4超杨米尔斯理论的九重圈计算。毕竟这个领域马特深耕多年，知道里面的水有多深。

九重圈计算难在哪

相信很多人看到九重圈计算会觉得一头雾水，我就用通俗的方式给大家简单解读一下。

在粒子物理研究中，科学家需要计算散射振幅，简单来说就是测算微观粒子碰撞、反应的概率。

这类计算的精准度，直接决定了物理理论的可靠性。大型强子对撞机的实验数据，都需要靠这些计算结果去匹配核对。

一旦计算结果和实验数据出现偏差，就大概率意味着人类发现了全新的物理规律，甚至能解开暗物质、正反物质不对称这些世纪难题。

而圈数，就是衡量计算精准度和难度的核心标准。圈数越高，计算覆盖的粒子相互作用就越全面，结果越贴近真实物理世界，但计算难度也会指数级暴涨。

日常科研中，大部分计算只做到2圈，少数能突破3圈，人类目前最高精度的物理预测，也仅仅用到了5圈。

这次测试用到的 N=4 超杨米尔斯理论，大家不用纠结复杂名词，只需知道它是物理学家用来打磨计算方法的专用模型。

它和现实物理世界不直接挂钩，但计算逻辑更规整、变量更可控，特别适合用来测试新的科研计算技术，相当于物理前沿研究的练兵场。

在这次突破之前，人类顶尖团队的极限是8圈。斯坦福 SLAC 实验室的顶级专家兰斯·迪克逊，耗费数年时间，靠着迂回的间接算法才勉强完成8圈计算。

业内普遍认为，九重圈计算的难度已经远超人类现有算力和人力的可控范围，几乎是短期内无法突破的壁垒。

AI是如何破解的

在整个破解过程中，Anthropic没有动用天价算力资源，没有超级计算机集群，更不需要科研人员全程盯守调试，都是AI自主完成的。

使用的模型是Fable 5.1，全程的核心指令简单到离谱。研究人员只告诉Claude 需要完成六粒子九重圈振幅计算，之后就直接离线休息，让 AI 自主持续推进任务，每4到6小时自动同步一次进度。

让人意外的是，Claude最终靠两套完全独立的方法，交叉完成了整套计算，分别是经典的自举算法，以及人类此前用来迂回求解的形状因子间接算法，双重验证保证了结果的准确性。

整套计算的成本低到超乎想象。绝大部分算力开销也就一两千美元，其中纯代码运算的成本仅100美元，只需要96颗CPU持续运行一周就能完成。

这只是其中一套方案的耗时，其实整体周期并没有那么长。

放在十年前，这样的资源消耗还算奢侈，但放到现在，只是普通科研团队都能轻松承担的低成本算力投入。

顶尖物理学家核验成果

兰斯·迪克逊是斯坦福大学和SLAC国家加速器实验室的教授，也是这次九重圈结果的核验者。

兰斯解释了一下背景。振幅和形状因子是两个互相关联的东西，都有对应的圈数。

兰斯·迪克逊

每提升一圈，计算难度就暴涨一次，就算已经掌握大量简化技巧也扛不住。同一圈数下形状因子的计算会比振幅简单一些。

从那以后他和团队就一直朝着九重圈推进，思路是先算出九重圈形状因子，再推导振幅。他原本认为直接求解九重圈振幅的难度太高了。

所以当听说Claude直接算出了振幅的时候，他整个人都震惊了~

震撼的点不仅仅是计算量大。更关键的是整套计算流程极其脆弱，任何一个环节出错，全部计算就会彻底崩盘，留给你的只有无穷无尽的调试排错。

而且这套构造有大量细节，论文里根本不可能完整记录。也就是说Claude需要从零开始把整套代码全部开发出来。

拿到九重圈振幅之后，反向推导形状因子反而简单了。兰斯主要通过核验九重圈形状因子来完成整套结果的校验。

他说过去两周自己一直在核验一份团队已经为之奋斗两年的结果，而一台AI完成了他原本认为无法直接求解的难题。这个效率确实很惊人。

最后聊聊这件事带给我们的深层启发

这次九重圈突破，让很多业内人士刷新了对 AI 的认知。

以往大家总觉得，前沿科研的硬核难题，必然有着极高的技术壁垒，但实际来看，很多所谓的行业极限，只是人类人力、时间、工程效率带来的假性瓶颈，也就是大家口中的低垂果实，远比我们想象中更多。

同时这次测试也给 AI 超级智能的相关争论，给出了一个阶段性答案。目前的大模型，依旧无法诞生自主的创新思维，不能从底层创造全新的科学理论，所谓的超级智能风险依旧遥远。

未来在粒子物理、基础科研等领域，人工辅助 AI 攻坚会成为常态。人类科研者可以彻底从重复繁琐的计算工作中解放出来，专注于创新思路、理论突破和结果解读这些真正需要人类智慧的核心环节。

这不是AI替代科学家，更像是多了一个不知疲倦的执行者。

其实咱们普通人面对的处境也类似。真正该焦虑的不是AI会不会取代你，而是你有没有搞清楚自己手里有哪些工具、自己站在什么位置。

很多人对AI的认知还停留在试试看，但实际业务里需要的往往是更系统的判断力。

如果你想快速摸清自己的AI能力和实际需求之间差在哪，可以试试下面这个AI思维素养测评的小程序。

数智化人才能力测评

几分钟就能出一份AI职业画像和替代风险评测，题目不算简单，就算是平时常用AI的人想拿满分也不容易。

只有摸清自己的真实AI能力水平，咱们才能在AI大时代平稳过渡、站稳脚跟。

另外我建了一个AI产品交流群，大家对AI有什么想交流的可以进群，人数满了就加saiyi6888。