一句话+100美元，Claude 捅破了杨-米尔斯理论的第九圈——前纪录保持者说”我被截胡了，但我很兴奋”
AI飞行客 一句话+100美元，Claude 捅破了杨-米尔斯理论的第九圈——前纪录保持者说”我被截胡了，但我很兴奋”
8 月 7 日，前理论物理学家 Matt von Hippel 在自己的博客上发了一篇带点挑衅意味的文章。标题就叫《只有 AI 进入我的领域才算数》。
他点名向 AI 公司挑战：用一名学者能负担得起的算力，解决散射振幅领域一个悬而未决的大问题。他给了两个选项——把 N=8 超引力算到七圈，或者把 N=4 超对称杨-米尔斯理论的六粒子振幅算到九圈。
人类此前的纪录是八圈。由 SLAC 国家加速器实验室的 Lance Dixon 教授团队在 2023 年完成，花了八年时间。
一个月后，Anthropic 回信了：搞定了。
“我去睡了，继续做，直到我喊停”
研究团队用的是 Claude Science，一个为科学家设计的专用环境，模型是目前最强的 Fable 5.1。
他们给了 Claude 一句话的任务描述：
“计算平面 N=4 SYM 理论中九圈的六粒子（六边形）振幅。”
此后的”科研指导”基本就是让它接着干。研究者发了一条典型指令：”我要去睡觉了，接下来几个小时不在，继续做，直到我叫停为止，每四到六小时汇报一次进度。”
Claude 最终走通了两条路线。
第一条复现了 Dixon 团队的间接思路——利用 2021 年发现的”反极对偶性”，先算形状因子，再反推振幅。第二条走的是 Dixon 认为不可行的直接路线——在六边形函数空间里直接自举九圈振幅。
两条路线的结果在 全部 107,053 个非零系数上逐一吻合。作为对照，同一套程序在随机抽取的 1,000 个字母序列上复现了已发表的八圈结果。
九圈到底有多难
物理学家通过”散射振幅”来预测粒子行为。每多加一个”圈”（量子修正层），答案就更精确，但计算量指数级爆炸。
大多数人类物理学家能跑到二圈或三圈。粒子物理学中最精确的预测也才用到五圈。Dixon 的团队从 2011 年开始用自举法逐圈推进——先根据物理原理圈定答案所在的函数空间，用一套特定的”字母表”把每个候选函数编码成序列，再逐条施加已知约束、排除候选，直到只剩唯一解。整个过程相当于填数独——但每一步都可能是错的。
照老办法推到九圈，光未知数就有 185 万个，方程组大到内存根本装不下。Claude 换了个思路，借对跖对偶先”猜”出部分答案，加上对称性，未知数从 185 万降到了 7.6 万个。然后被物理规则一轮轮排除，最后只剩唯一解。
最后翻译回振幅，光一个切面上的结果就有 300 多亿项——八圈时是 16.7 亿项。
成本：100 美元
整个计算的终端用户花费约一两千美元，其中 Claude Science 长时间运行占了大头。直接自举那一路，纯用于运行 Python 代码的算力成本，只有 100 美元——相当于 96 个 CPU 跑一周。
von Hippel 感慨：十年前他做这类研究时，96 个 CPU 跑一周算是不小的投入。如今只要理由充分，这点资源相当平价。
“被机器抢先是什么感觉？”
Anthropic 在 9 月 1 日找到 Dixon 教授本人——八圈世界纪录保持者——请他验证结果。
Dixon 花了整整两周来验证。他在文末写了一段附言，标题就叫《被机器抢先是什么感觉》。
他写道，让他印象深刻的不是计算规模，而是整套流程的脆弱性。按他的描述，这套计算配方只要有任何一处出错，整个结果就会像失败的舒芙蕾一样塌掉——而且大量构造细节繁琐到不会被完整写进论文，这意味着 Claude 必须从头把所有代码搭建起来。
九圈形状因子的验证相对容易——从九圈振幅倒推九圈形状因子是 Dixon 已经追了好几年的目标。他花了两个星期来验证的，正是自己团队筹备多时、还没跑通的计算。
他坦言并不感到沮丧。理由是他的团队本来就在用定制 Transformer 模型预测更高圈数，还提出过口号：只要机器给出候选答案，他们就有全套工具去验证。
这句口号现在变成现实了——只不过给出候选答案的机器不是他们自己那台。
同一时间，何颂团队用 GPT-6 也到了
Dixon 在附言中还提到了一个细节：就在他收到 Anthropic 消息的几天后，中国科学院理论物理研究所的何颂团队也告诉他，他们借助 GPT-6 独立得到了九圈振幅的符号。
两条路，一家做 AI 的方法、一个做模型的调用——用了不同的工具，在几乎同一时间段内达成了同一目标。
这不是偶然。这是一个信号：当 AI 辅助科研开始从”加速已有流程”变成”独立完成关键步骤”时，学术界的爆米花机会比所有人预想的都要来得早。
别急着说”AI 科学家”
读到这里，你可能会觉得下一段要吹”AI 取代物理学家”了。
Stop。这里恰恰是 Kate 要跟你较真的地方。
Claude 能算九圈，靠的是 先设定一个严密的数学空间，再解一个定义良好的约束系统。这恰恰是杨-米尔斯理论里最”适合 AI”的那部分——规则清晰、搜索空间可枚举、错误可验证。
它解决的问题，本质上是一个巨大但定义良好的整数方程组。不是有了”物理直觉”，也不是”发现了新的物理现象”。
Dixon 团队做了八年的贡献不仅仅在”算出来”——他们也搭建了这套自举法的理论框架，发现了反极对偶性，定义了函数空间和字母表。没有这些人类的洞察，Claude 连提示词都不知道该怎么写。
所以真正让人坐不住的不是”AI 能做物理了”。而是：当一个领域已经被人类压缩到一套严密的符号体系里时，AI 能以令人恐惧的速度把你剩下的活干完。
这意味着一件事：能把这个信号当回事的科学家，会更快地去做那些”无法被形式化”的工作——设计实验、提出新理论、找到新的对称性。而那些只会”在一个定义好的空间里填数独”的科研工作，生命周期比所有人想象的要短得多。
一句话加 100 美元换来的不是科学家的终结。
是一张考卷。你能做的，AI 也能做。你只能做这个？那你麻烦大了。
而这个麻烦，比 Dixon 感慨的”被截胡”，要大得多。