<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
	<channel>
		<title>AI科研 on 灵语AI</title>
		<link>https://lingyu7.com/tags/ai%E7%A7%91%E7%A0%94/</link>
		<description>Recent content in AI科研 on 灵语AI</description>
		<generator>Hugo</generator>
		<language>zh-CN</language>
		
		
		
		
			<lastBuildDate>Mon, 19 Oct 2026 03:20:00 +0800</lastBuildDate>
		
			<atom:link href="https://lingyu7.com/tags/ai%E7%A7%91%E7%A0%94/index.xml" rel="self" type="application/rss+xml" />
			<item>
				<title>AI独自干了53小时，把人类8年的量子电路设计全部推翻了——当AI开始做科研，它不只是解题，而是发现了人类从未见过的数学规律</title>
				<link>https://lingyu7.com/posts/ai-quantum-circuit-design-mythos-53-hours/</link>
				<pubDate>Mon, 19 Oct 2026 03:20:00 +0800</pubDate>
				<guid>https://lingyu7.com/posts/ai-quantum-circuit-design-mythos-53-hours/</guid>
				<description>&lt;h2 id=&#34;引言&#34;&gt;引言&lt;/h2&gt;&#xA;&lt;p&gt;想象这样一个场景：你是一位物理学家，花了整整8年时间，和全世界最聪明的同事们一起，把一个量子计算任务的成本从50万亿步压缩到了3.4亿步。你觉得这已经是人类智力的极限了。&lt;/p&gt;&#xA;&lt;p&gt;然后一个AI，独自工作了53个小时，把你在8年里积累的所有最优方案，全部推翻了。&lt;/p&gt;&#xA;&lt;p&gt;不是改进了一点。是在某些关键环节上，效率提升了17倍。&lt;/p&gt;&#xA;&lt;p&gt;更让人震撼的是——它之所以能做到这些，不是因为它更快地&amp;quot;搜索&amp;quot;了已有方案，而是因为它自己发现了一套人类从未见过的数学规律。&lt;/p&gt;&#xA;&lt;p&gt;这不是科幻小说。这是2026年10月16日，Anthropic（Claude的开发公司）公布的一项真实研究成果。&lt;/p&gt;&#xA;&lt;h2 id=&#34;量子计算的不可能三角&#34;&gt;量子计算的&amp;quot;不可能三角&amp;quot;&lt;/h2&gt;&#xA;&lt;p&gt;要理解这件事有多难，先要聊聊量子计算为什么这么&amp;quot;贵&amp;quot;。&lt;/p&gt;&#xA;&lt;p&gt;你家里的电脑做计算，靠的是比特——要么是0，要么是1，简单干脆。量子计算机用的是&amp;quot;量子比特&amp;quot;（qubit），它可以同时处于0和1的叠加态，理论上能并行处理海量信息。&lt;/p&gt;&#xA;&lt;p&gt;但量子比特极其脆弱。温度波动、电磁干扰、甚至宇宙射线，都可能让一个量子比特的状态&amp;quot;塌掉&amp;quot;，导致整台机器算出错误结果。目前全世界最先进的量子计算机，也只有几千个量子比特——远远不够运行大多数有实际价值的算法。&lt;/p&gt;&#xA;&lt;p&gt;所以量子电路设计，本质上是在极度稀缺的资源下&amp;quot;精打细算&amp;quot;：用尽可能少的量子比特，尽可能少的操作步骤（量子门），完成指定的计算任务。&lt;/p&gt;&#xA;&lt;p&gt;这就像是在一平方厘米的芯片上，设计一座能容纳所有居民的城市，而且每条路都只能单行，还不能有死胡同。&lt;/p&gt;&#xA;&lt;p&gt;更要命的是，量子计算有两条铁律，让设计难度指数级上升：&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第一，不能&amp;quot;走岔路&amp;quot;。&lt;/strong&gt; 普通程序可以写if-else——如果满足条件走A路线，不满足走B路线。但量子计算机同时在处理多种输入状态，有些该走A有些该走B，所以电路必须把A和B的操作都包含进去，无论实际需要不需要。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第二，不能&amp;quot;扔草稿&amp;quot;。&lt;/strong&gt; 普通程序算完一个中间结果，用完就可以扔掉释放内存。但量子计算要求每一步都是可逆的——你不能简单地擦除信息，只能通过&amp;quot;倒放&amp;quot;计算来清理，而&amp;quot;倒放&amp;quot;本身又需要额外的步骤。&lt;/p&gt;&#xA;&lt;p&gt;这两条约束叠加在一起，逼着设计者在&amp;quot;空间&amp;quot;（量子比特数）和&amp;quot;时间&amp;quot;（计算步数）之间做极限权衡。多存一些中间结果可以省步骤但费比特，及时清理可以省比特但要反复重算。&lt;/p&gt;&#xA;&lt;p&gt;这就是量子电路设计师每天都在面对的现实。&lt;/p&gt;&#xA;&lt;h2 id=&#34;一个让科学家头疼了8年的问题&#34;&gt;一个让科学家头疼了8年的问题&lt;/h2&gt;&#xA;&lt;p&gt;在量子计算的所有应用场景中，有一个特别重要的任务：模拟FeMoco——一种固氮酶核心的铁硫簇合物。&lt;/p&gt;&#xA;&lt;p&gt;听起来很学术，但它的重要性极其接地气：自然界中，细菌就是通过这种酶把空气中的氮变成氨（也就是化肥的原料）。如果我们能用量子计算机精确模拟这个过程，就有可能设计出更高效的工业催化剂，彻底改变化肥制造、能源消耗乃至全球粮食生产。&lt;/p&gt;&#xA;&lt;p&gt;2017年，研究人员估算，模拟FeMoco需要50万亿个Toffoli门（量子计算中最昂贵的操作之一）。&lt;/p&gt;&#xA;&lt;p&gt;这基本上意味着&amp;quot;算不了&amp;quot;。&lt;/p&gt;&#xA;&lt;p&gt;此后8年，全世界多个顶级研究组前赴后继，通过一轮又一轮的电路重新设计，把数字从50万亿一路压到了3.4亿——压缩了大约15万倍。每一步进步，都代表着数月的研究工作和发表在顶刊上的论文。&lt;/p&gt;&#xA;&lt;p&gt;3.4亿个门，意味着未来一台拥有约300万个物理量子比特的机器，花几个小时可以完成模拟。&lt;/p&gt;&#xA;&lt;p&gt;这已经非常接近&amp;quot;可用&amp;quot;了。但要从3.4亿再往下压，每减少一个门，都需要设计师对问题的数学结构有极其深刻的理解。&lt;/p&gt;&#xA;&lt;p&gt;然后Anthropic做了一个实验：把这个问题交给Claude。&lt;/p&gt;&#xA;&lt;h2 id=&#34;53小时ai做了什么&#34;&gt;53小时，AI做了什么？&lt;/h2&gt;&#xA;&lt;p&gt;Anthropic的研究团队给Claude Mythos 5（他们目前最强的模型）设计了一个简洁的闭环工作流：&lt;/p&gt;&#xA;&lt;ol&gt;&#xA;&lt;li&gt;用一段大白话描述一个量子电路需要计算什么&lt;/li&gt;&#xA;&lt;li&gt;Claude用Python写出电路设计&lt;/li&gt;&#xA;&lt;li&gt;一个自动评估程序检查电路是否正确，并打分（分数=量子比特数 × 门数量，越低越好）&lt;/li&gt;&#xA;&lt;li&gt;Claude拿到反馈，继续改进&lt;/li&gt;&#xA;&lt;/ol&gt;&#xA;&lt;p&gt;整个过程中，人类只提供了最初的一段话描述和偶尔的&amp;quot;你再想想&amp;quot;式提醒。&lt;/p&gt;&#xA;&lt;p&gt;Claude在8个不同的量子电路设计任务上全部超越了人类已发表的最优方案。这些任务横跨化学、优化、物理模拟和数论。&lt;/p&gt;&#xA;&lt;p&gt;但真正让人拍案叫绝的，是它在两个具体任务上的表现。&lt;/p&gt;&#xA;&lt;h3 id=&#34;第一个神操作自己证明了新的数学定理&#34;&gt;第一个神操作：自己证明了新的数学定理&lt;/h3&gt;&#xA;&lt;p&gt;第一个任务涉及椭圆曲线上的&amp;quot;点加法&amp;quot;运算——这是量子密码学（比如破解RSA加密）的核心步骤。&lt;/p&gt;&#xA;&lt;p&gt;这个运算中最昂贵的环节叫&amp;quot;模逆&amp;quot;——你可以把它理解为一种&amp;quot;绕圈除法&amp;quot;。传统计算机有一种叫divsteps的高效算法来做这件事：把两个数不断地交换、加减、折半，最终得到结果。过程中会产生大量&amp;quot;分支记录&amp;quot;——每一步选择了哪种操作的日志。&lt;/p&gt;&#xA;&lt;p&gt;在传统计算机上，这些日志算完就扔。但在量子电路里，你不能扔——你必须把它们全部存下来，以便最后&amp;quot;倒放&amp;quot;清理。而存储这些日志需要的量子比特数量，多到根本不现实。&lt;/p&gt;&#xA;&lt;p&gt;所以人类科学家基本认为这条路走不通。&lt;/p&gt;&#xA;&lt;p&gt;Claude不信邪。&lt;/p&gt;&#xA;&lt;p&gt;它的思路是：既然存日志太贵，那能不能不存，而是直接从每一步的数值结果中&amp;quot;反推&amp;quot;出日志？&lt;/p&gt;&#xA;&lt;p&gt;一开始，Claude像个勤奋的研究生，试了好几种简单的反推规则。这些规则在小数字上能跑通，但在真正的256位大数上全崩了。&lt;/p&gt;&#xA;&lt;p&gt;然后，它做了一件让所有看过论文的人都感到震惊的事：它放弃了暴力试验，转而去&lt;strong&gt;做数学&lt;/strong&gt;。&lt;/p&gt;&#xA;&lt;p&gt;它开始严格推导divsteps迭代过程的数学性质，证明了一系列全新的代数恒等式。从这些恒等式出发，它推导出了一个精确的解码公式——能够正确地从数值对中恢复出分支信息。&lt;/p&gt;&#xA;&lt;p&gt;然后它用Lean（一种形式化证明工具）验证了自己的证明是正确的。&lt;/p&gt;&#xA;&lt;p&gt;最终，Claude拿出了人类历史上第一个不需要存储分支历史的量子divsteps可逆实现。跟此前最小的人类设计相比，它只多用12%的量子比特，但门数量减少了17倍。&lt;/p&gt;&#xA;&lt;p&gt;一个AI，在53小时内，发现了人类数学家8年内没有发现的数学结构。&lt;/p&gt;&#xA;&lt;h3 id=&#34;第二个神操作重写了google的核心算法&#34;&gt;第二个神操作：重写了Google的核心算法&lt;/h3&gt;&#xA;&lt;p&gt;第二个突破发生在DQI（解码量子干涉测量）算法中——这是量子计算机用于物流调度、材料设计等优化问题的最强候选算法之一。&lt;/p&gt;&#xA;&lt;p&gt;DQI最耗时的步骤是一个叫Reed-Solomon的解码器。此前Google Quantum AI的团队用&amp;quot;扩展欧几里得算法&amp;quot;来实现它，但由于量子电路不能&amp;quot;走岔路&amp;quot;的约束，Google的方案不得不把计算拉长到远远超出实际需要的回合数。&lt;/p&gt;&#xA;&lt;p&gt;Claude一看就说了（大意）：这个算法跟量子电路不匹配，换一个。&lt;/p&gt;&#xA;&lt;p&gt;它把核心引擎换成了Berlekamp-Massey解码法——一种每轮做相同操作的算法，天然适合量子电路的&amp;quot;一刀切&amp;quot;特性。&lt;/p&gt;&#xA;&lt;p&gt;但换算法带来了新的内存危机：每轮计算产生的临时数据不能删，全存下来需要665个量子比特。&lt;/p&gt;&#xA;&lt;p&gt;Claude又用了类似的&amp;quot;反推法&amp;quot;解决了大部分存储需求，但还有少量&amp;quot;异常值&amp;quot;无法反推。按照最坏情况预留空间，需要665个量子比特。&lt;/p&gt;&#xA;&lt;p&gt;Claude没有按最坏情况来。它自己写了一个高速模拟器，跑了4.03亿次采样，精确测量了异常值出现的概率。结果发现：绝大多数情况下只需要存1个值。&lt;/p&gt;&#xA;&lt;p&gt;于是它只预留了19个量子比特的存储空间。&lt;/p&gt;&#xA;&lt;p&gt;最终，Claude设计的解码器，门数量比Google此前的方案减少了12倍。原来需要1小时的计算，现在几分钟就能完成。&lt;/p&gt;&#xA;&lt;h2 id=&#34;这件事真正意味深长的是什么&#34;&gt;这件事真正意味深长的是什么？&lt;/h2&gt;&#xA;&lt;p&gt;如果只是&amp;quot;AI优化了一段代码&amp;quot;，这个故事顶多算一条科技新闻。但仔细看Claude的做法，有几层含义值得深思。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第一，AI不只是&amp;quot;更快地搜索&amp;quot;，它在&amp;quot;发现&amp;quot;。&lt;/strong&gt; Claude在椭圆曲线任务中的突破，不是在人类已有方案的基础上修修补补，而是发现了一条全新的数学路径——一条人类数学家从未走过的路。它推导出了新的代数恒等式。这在本质上是一种数学发现，只不过发现者不是人。&lt;/p&gt;</description>
			</item>
			<item>
				<title>AI一夜之间攻克了人类12年没解出的物理难题——&#39;我去睡觉了，你继续算&#39;</title>
				<link>https://lingyu7.com/posts/claude-nine-loop-physics-ai-theoretical-breakthrough/</link>
				<pubDate>Thu, 01 Oct 2026 18:30:00 +0800</pubDate>
				<guid>https://lingyu7.com/posts/claude-nine-loop-physics-ai-theoretical-breakthrough/</guid>
				<description>&lt;h2 id=&#34;引言&#34;&gt;引言&lt;/h2&gt;&#xA;&lt;p&gt;2026年8月，一位名叫马特·冯·希佩尔（Matt von Hippel）的物理学家在自己的博客上发了一篇&amp;quot;战书&amp;quot;。&lt;/p&gt;&#xA;&lt;p&gt;他曾是一名理论物理学家，现在转行做科学写作。他在粒子物理的散射振幅领域摸爬滚打多年，深知这个领域有一块&amp;quot;硬骨头&amp;quot;——一类计算量极其庞大的公式，人类学者花了十几年也只推进到第8圈，没有人能突破到第9圈。不是不知道该怎么做，而是计算量太大，普通课题组根本跑不动。&lt;/p&gt;&#xA;&lt;p&gt;他的挑战很简单：&lt;strong&gt;如果AI公司想证明自己真能搞科研，那就来做我们做不了的事。用普通学者用得起的电脑和预算，把散射振幅推进到第9圈。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;他大概预期，这个挑战至少要难住AI好几年。&lt;/p&gt;&#xA;&lt;p&gt;结果，一个月后，就有人来交卷了。&lt;/p&gt;&#xA;&lt;h2 id=&#34;先说人话什么是散射振幅和圈&#34;&gt;先说人话：什么是&amp;quot;散射振幅&amp;quot;和&amp;quot;圈&amp;quot;？&lt;/h2&gt;&#xA;&lt;p&gt;让我们把那些专业术语全部扔掉，用一个比喻来理解。&lt;/p&gt;&#xA;&lt;p&gt;想象你站在一个巨大的弹珠台前。有人从顶部扔进去一颗弹珠，它在密密麻麻的钉子之间弹来弹去，最后从底部的某个出口掉出来。你想知道的是：这颗弹珠从某个特定出口掉出来的概率是多少？&lt;/p&gt;&#xA;&lt;p&gt;在粒子物理学里，物理学家做的事情本质上是一样的——只不过&amp;quot;弹珠&amp;quot;是微观粒子，&amp;ldquo;钉子&amp;quot;是各种力的相互作用，&amp;ldquo;出口&amp;quot;是探测器能观测到的结果。那个描述&amp;quot;弹珠从哪个出口出来&amp;quot;的数学公式，就叫&lt;strong&gt;散射振幅&lt;/strong&gt;。&lt;/p&gt;&#xA;&lt;p&gt;但问题来了：粒子之间的相互作用太复杂了。一颗弹珠可能只碰一颗钉子就出去了（这叫&amp;quot;0圈&amp;rdquo;），也可能碰了两颗钉子（&amp;ldquo;1圈&amp;rdquo;），三颗（&amp;ldquo;2圈&amp;rdquo;）……每多碰一颗钉子，计算量就爆炸式增长。&lt;/p&gt;&#xA;&lt;p&gt;实际操作中，大多数散射振幅公式只算到了2圈或3圈。人类粒子物理学的精度巅峰——电子反常磁矩的计算——也不过是5圈。&lt;/p&gt;&#xA;&lt;p&gt;而希佩尔挑战的，是第9圈。&lt;/p&gt;&#xA;&lt;h2 id=&#34;一个玩具宇宙里的极限挑战&#34;&gt;一个&amp;quot;玩具宇宙&amp;quot;里的极限挑战&lt;/h2&gt;&#xA;&lt;p&gt;这里有一个微妙之处：物理学家并不是在算真实世界的粒子。他们在算一个叫做&amp;quot;N=4超对称杨-米尔斯理论&amp;quot;的模型。&lt;/p&gt;&#xA;&lt;p&gt;这个名字听起来很吓人，但本质上它是一个&amp;quot;玩具宇宙&amp;rdquo;——一个被简化过的、不完全是真实世界的理论模型。它的粒子数量比真实世界多（每种粒子有4个&amp;quot;超对称伙伴&amp;quot;），但因为对称性极高，反而更容易算出精确结果。&lt;/p&gt;&#xA;&lt;p&gt;这就好比：你没法在真正的暴风雨中精确模拟每一滴水珠的运动，但你可以先在一个完美正方体的水箱里研究水波——条件理想化了，但数学上更干净，可以用来检验新方法。&lt;/p&gt;&#xA;&lt;p&gt;从2011年到2023年，斯坦福大学加速器实验室的兰斯·狄克逊（Lance Dixon）教授和他的团队，用了整整12年时间，将这个玩具宇宙里的散射振幅从3圈推进到了8圈。&lt;/p&gt;&#xA;&lt;p&gt;从8圈到9圈，在所有人看来，都意味着又一轮漫长的苦战。&lt;/p&gt;&#xA;&lt;h2 id=&#34;自举法像解数独一样做物理&#34;&gt;自举法：像解数独一样做物理&lt;/h2&gt;&#xA;&lt;p&gt;狄克逊团队使用的方法叫做&amp;quot;自举法&amp;quot;（bootstrap），这个方法名来源于一个英语俗语&amp;quot;pull yourself up by your bootstraps&amp;quot;——拽着自己的鞋带把自己提起来。&lt;/p&gt;&#xA;&lt;p&gt;翻译成物理语言就是：你不需要从头算出答案，你只需要猜出答案&amp;quot;大概长什么样&amp;quot;，然后用已知的物理规则一层一层排除错误选项，直到只剩下唯一正确的答案。&lt;/p&gt;&#xA;&lt;p&gt;这就像解一道极其复杂的数独。你不需要每一步都从头推理，你只需要在格子里填满所有可能的数字，然后根据各行各列的规则，一个个划掉不可能的选项。到最后，格子里只剩一个数字——那就是答案。&lt;/p&gt;&#xA;&lt;p&gt;问题是，圈数越多，&amp;ldquo;格子&amp;quot;就越大，&amp;ldquo;规则&amp;quot;就越多，整个排除过程就越漫长、越容易出错。到了8圈，这已经是人类团队花了好几年才啃下来的硬骨头。&lt;/p&gt;&#xA;&lt;h2 id=&#34;那一夜物理学家去睡觉了让ai继续干&#34;&gt;那一夜：物理学家去睡觉了，让AI继续干&lt;/h2&gt;&#xA;&lt;p&gt;2026年8月底，Anthropic公司的两位物理学家——利亚姆·菲茨帕特里克和悉达思·米什拉-夏尔马——在博客上读到了希佩尔的挑战。&lt;/p&gt;&#xA;&lt;p&gt;他们决定试试。&lt;/p&gt;&#xA;&lt;p&gt;他们没有动用价值数百万美元的超算中心。他们打开了一套叫做&amp;quot;Claude Science&amp;quot;的科研平台——这是一个让科学家付费使用Claude的商业工具。他们用的模型是Fable 5.1。&lt;/p&gt;&#xA;&lt;p&gt;接下来的操作，简单得让人难以置信：&lt;/p&gt;&#xA;&lt;p&gt;他们先问Claude：&amp;ldquo;你最有可能解决哪个问题？&amp;rdquo;&lt;/p&gt;&#xA;&lt;p&gt;Claude回答：平面N=4超杨-米尔斯理论的9圈六粒子振幅。&lt;/p&gt;&#xA;&lt;p&gt;然后他们输入了一行任务描述——就这么一句话，启动了整个计算。&lt;/p&gt;&#xA;&lt;p&gt;然后，他们留下了一句非常有生活气息的指令：&lt;/p&gt;&#xA;&lt;blockquote&gt;&#xA;&lt;p&gt;&lt;strong&gt;&amp;ldquo;我要去睡觉了，接下来几个小时都不会在线。请继续运算，直到我叫停。每隔4到6小时给我汇报一下进度。&amp;rdquo;&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;/blockquote&gt;&#xA;&lt;p&gt;然后，物理学家就去睡觉了。&lt;/p&gt;&#xA;&lt;p&gt;而Claude开始了一场持续一周的&amp;quot;马拉松&amp;rdquo;——它在96个普通CPU核心上运行，用Python语言和SymPy符号计算库，从零开始编写了完整的自举检验流程。&lt;/p&gt;&#xA;&lt;p&gt;请注意：&lt;strong&gt;它不是在执行人类写好的程序&lt;/strong&gt;。它是自己阅读了狄克逊团队2019年和2023年发表的论文，理解了整个自举方法的逻辑，然后自己写出了所有代码。论文里有很多&amp;quot;boring details&amp;rdquo;——那些太琐碎以至于作者懒得写清楚的工程细节——Claude全部自己补上了。&lt;/p&gt;&#xA;&lt;p&gt;更厉害的是，在运算的后半段，Claude自己做了一个&amp;quot;双保险&amp;quot;决定：除了直接算振幅之外，它还通过一条间接路径（计算与振幅相关但更简单的&amp;quot;形状因子&amp;quot;）做了第二遍。两条完全独立的路线，最终给出了完全一致的答案——超过10万个非零系数，全部吻合。&lt;/p&gt;&#xA;&lt;h2 id=&#34;账单不到2000美元&#34;&gt;账单：不到2000美元&lt;/h2&gt;&#xA;&lt;p&gt;整个项目的成本是多少？&lt;/p&gt;&#xA;&lt;p&gt;96个CPU跑一周的电费和服务器费用：大约100美元。&lt;/p&gt;&#xA;&lt;p&gt;加上调用Claude的API费用：总计1000到2000美元。&lt;/p&gt;&#xA;&lt;p&gt;这相当于一个普通大学课题组一个月的日常经费。&lt;/p&gt;&#xA;&lt;p&gt;12年的人类学术积累，被一台花了几千块钱的系统，在一周内，在物理学家睡觉的时候，独立完成了。&lt;/p&gt;&#xA;&lt;h2 id=&#34;验证斯坦福教授花了两周&#34;&gt;验证：斯坦福教授花了两周&lt;/h2&gt;&#xA;&lt;p&gt;9月1日，Anthropic团队把结果发给了狄克逊教授。&lt;/p&gt;&#xA;&lt;p&gt;狄克逊花了整整两周时间，用他团队多年来积累的检验工具，对Claude提交的代码和最终答案进行了严密复核。&lt;/p&gt;&#xA;&lt;p&gt;结果：&lt;strong&gt;完全正确。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;狄克逊教授后来写了一段话，作为这篇博客的&amp;quot;附录&amp;quot;——标题是：&amp;ldquo;被一台机器抢了先，是什么感觉？&amp;rdquo;&lt;/p&gt;&#xA;&lt;p&gt;他写道：&lt;/p&gt;&#xA;&lt;blockquote&gt;&#xA;&lt;p&gt;&amp;ldquo;大多数理论物理学家早就承认，大语言模型迟早会彻底改变物理学。问题只是：这一天什么时候真正到来？对我来说，是9月1日。&amp;rdquo;&lt;/p&gt;&#xA;&lt;/blockquote&gt;&#xA;&lt;blockquote&gt;&#xA;&lt;p&gt;&amp;ldquo;让我真正震撼的不是Claude完成了一个大计算任务，而是整个计算过程的脆弱性。这种计算中，任何一步代码的缩进错误、任何一个代数符号的微小差错，都会让一切都像失败的舒芙蕾一样坍塌。而Claude从头到尾，没有犯一个错。&amp;rdquo;&lt;/p&gt;&#xA;&lt;/blockquote&gt;&#xA;&lt;blockquote&gt;&#xA;&lt;p&gt;&amp;ldquo;更有趣的是：Claude用的方法，恰恰是我和合作者多年来开发的方法。它呈现结果的方式，也和我们一贯的格式一模一样。所以，表面上看是Claude验证了9圈答案，但实际上，是Claude验证了我们之前所有的工作。我认为，Claude对我们2019年和2023年论文的理解，超越了除我合作者之外的任何人。&amp;rdquo;&lt;/p&gt;&#xA;&lt;/blockquote&gt;&#xA;&lt;blockquote&gt;&#xA;&lt;p&gt;&amp;ldquo;这会让我感到痛苦吗？不。真正让我灵魂拷问的时刻，会是大语言模型开始独立提出新的物理原理和洞见的那一天。&amp;rdquo;&lt;/p&gt;&#xA;&lt;/blockquote&gt;&#xA;&lt;h2 id=&#34;这件事为什么重要&#34;&gt;这件事为什么重要？&lt;/h2&gt;&#xA;&lt;h3 id=&#34;第一ai科研的性价比门槛已经被踏破了&#34;&gt;第一，AI科研的&amp;quot;性价比门槛&amp;quot;已经被踏破了。&lt;/h3&gt;&#xA;&lt;p&gt;此前很多人认为，AI也许能在数学上有所突破（因为数学靠的是&amp;quot;好想法&amp;quot;），但在计算密集型的基础物理领域，AI可能无能为力——因为那需要太多的算力。&lt;/p&gt;&#xA;&lt;p&gt;但Claude证明的是：不是算力不够，是人类没想过用AI来组织这些算力。同一个问题、同样的方法，AI用普通课题组买得起的电脑就解出来了。&lt;/p&gt;&#xA;&lt;h3 id=&#34;第二ai科研的可靠性超出了很多人的预期&#34;&gt;第二，AI科研的&amp;quot;可靠性&amp;quot;超出了很多人的预期。&lt;/h3&gt;&#xA;&lt;p&gt;这种计算极其脆弱——就像叠纸牌屋，一个微小的错误就会全盘崩溃。人类做这种计算，几乎不可能一次成功，总要反复调试好几轮。而Claude在&amp;quot;几乎没有人盯着&amp;quot;的情况下，一次就做到了终点。&lt;/p&gt;</description>
			</item>
	</channel>
</rss>
