AI 算牌越来越精，但它还不会换 游戏 ——物理为什么不像数学那样被 AI 攻陷

张朝阳 10 月 31 日接受科技日报采访时说了一句话，被网上很多人转述歪了。最常见的歪读，是把它简化成“数学简单、物理难”。

他说的其实是另一件事。原话是：“数学的逻辑体系本就存在，而物理是自然界逻辑。AI 更擅长处理定义清晰、规范化的内容，对数学的冲击更大，相对于物理会小一些。”

这句话的重点不在“数学”和“物理”的难度对比，而在一个更底层的区分——哪些东西是已经被人类定义清楚的，哪些还没有。AI 攻得动前者，攻不动后者。

1 为什么数学先被攻破？

最近 AI 在数学上的战报确实吓人：谷歌 DeepMind 的 AlphaProof Nexus 在 353 个形式化问题中解出了 9 个埃尔德什开放问题，其中两个已悬置超过 50 年；OpenAI 的内部推理模型证明了局部光滑猜想在所有维度上成立，进而一并解决了所有维度的挂谷猜想，背后依托一个新的辅助偏微分方程。

于是很多人顺势推论：数学都这样了，物理还会远吗？

先把数学这件事说清楚。AI 现在攻下的，是数学里已经被良好形式化、目标明确、验证成本低的那部分——竞赛题、定理证明搜索、已知框架里的构造性问题。公理是给定的，表征是给定的，问题是给定的，AI 做的就是超级高速的组合搜索和逻辑推演。

但数学不止这些。

数学创新从来不是在旧框架里解方程，而是构造新表征、提出新问题。数学史上，康托尔发明集合论、伽罗瓦发明群论；物理史上，朗道引入序参量——这些都不是“算得快”，而是“换了一门语言”。AI 在“什么问题值得问、什么表征值得造”上，仍然高度依赖人类信号。

2026 年 7 月那篇《From Solvers to Research》立场文件说得直白：当前系统在处理“发现新定理或解决开放猜想”这类开放式、规定不明确、涉及多层抽象的前沿问题时，仍有根本局限。AI 解开放猜想的战绩是真的，但它解的是已经被人类清晰表述出来的猜想。从“解一个被提出的猜想”到“提出一个值得解的猜想”，中间隔着的就是这道坎。

所以不能把“竞赛拿牌、证明搜索强”直接等同于“数学整体被 AI 攻陷”。

2 物理为什么慢？不是因为要做实验

很多科普把这件事讲得很浅：“因为物理要做实验，AI 不会做实验。”

这太敷衍了。

物理的本质是观测约束下的人类建模语言。自然界的规律客观存在，但“力”“能量”“场”“波函数”“时空度规”这些词，全是人类为了压缩现象、预测世界，主动抽象出来的工具概念——不是宇宙写好摆在那儿的实体。当然，像“波函数”“时空度规”这类概念究竟只是计算工具、还是对应某种实在，在物理学内部至今仍有争论；但把它们当作可操作的建模语言来用，是学界的共同出发点。

在这套体系里，分工很清楚。实验的核心裁决功能是检验模型和观测是否相容：对的留下来，错的淘汰掉。但它也做探索性发现——新现象、新粒子、新相的出现，本身就会倒逼范式变迁。理论取舍则由科学共同体来裁：简洁、统一、可证伪、有预测力、能与成熟理论接得上。

共同体的裁决不是文人相轻，最终还是被预测力和观测数据死死拽住——再优美的理论，预测连续失准，照样被抛弃。

所以 AI 在物理上慢，不是因为“不会做实验”，而是因为物理这套建模语言还在演化中——不少已被观测到的现象，人类尚未找到能统摄它们的规律与概念；更多的，甚至还未被观测到。你没法让 AI 在一门还没写完的语言里做推演。

但要公平：AI 在物理上并非毫无建树。

2025 年底至 2026 年初，有工作基于无偏的神经网络变分蒙特卡洛模拟，从第一性原理哈密顿量出发，发现了电子准晶这一新量子相；2026 年 10 月，QuantumMatterExplorer 在给定哈密顿量参数范围内，自主规划计算、识别出 Néel 和 Haldane 相，8 小时算力内推断出相边界几何。同在 2025 年底前后，布鲁克海文国家实验室的 Weiguo Yin 团队和 AI 合作，在阻挫磁体问题上得到了一个数学上等价、但形式优雅得多的表达式——AI 在这里帮的是数学推导，不是物理洞察，问题设定和物理直觉仍来自 Yin 团队。

这些都是真进展。但仔细看，它们都落在“有效理论层面的发现”和“既有哈密顿量语言内的探索”——AI 在人类给定的语言里找得更快、更巧，却没有发明“哈密顿量”本身，也没有提出替代它的底层语言。

3 真正的门槛：不是算力，是“换游戏”

绝大多数人有个误会：AI 现在不够强，只是算力不够、数据不够，再等两年物理一样秒破。

错。范式创造不是搜索优化问题。

打个比方。打麻将的时候，AI 算牌算得比谁都精，清一色、杠上开花门儿清。但它还没站起来说过一句：“咱别打麻将了，换个游戏。”

在给定规则里算牌，和发明一套新规则，是两码事。算牌到换游戏之间隔的不是算力，而是“意识到规则本身可以被替换”——而这件事，目前没有证据表明是搜索优化能自动涌现的。

2026 年 7 月那篇《Can AI Follow In Einstein's Footsteps?》把这件事说得很到位：AI 在物理发现上的进展是“倒序”的。人类科学是从经验规律上升到原理性理论；而 AI 最擅长的恰恰是预测（AlphaFold、GraphCast 那个级别）和在既有框架内求解。它关键缺失的，是提出恰当的科学问题，或创构恰当的基本原理。

综述还给出一个更重的判断：按这个趋势，AI 可能始终难以独立提出量子引力或其他范式级理论的第一个严肃竞争者。

4 一个常被忽略的事实：复现是制度，不是智力

这里要纠正一个常见误解。

独立复现从来不是个体智力问题，而是制度问题。哪怕是最顶尖的人类科学家，离开同行评议、仪器共享、数据公开、学术发表这套安排，也完不成“公共科学验证”这个闭环。

这不是只针对 AI。AI 在当前架构和现有制度下，不能独自完成范式创造和公共复现闭环；它更现实的角色，是深度嵌入科学共同体，成为一个高强度节点。

未来的图景大概率不是硅基单方面定义科学规则，而是新的分工：人负责发问、定方向、做范式判断，AI 负责搜索、计算、推证、预筛，公共知识的确认权留在共同体手里。

5 哪个领域会先被突破？

按“闭环条件”的满足程度排：凝聚态最先，复杂系统次之，宇宙和引力最远。

但“最先”要拆开说——它指的是有效理论发现的最先，不是范式创造的最先。这两者的时间尺度可能差很远。

凝聚态占了便宜：干预成本低、验证周期短、表征空间有界。电子准晶和 QuantumMatterExplorer 已经证明，AI 能在哈密顿量的语言里自主发现新相。但凝聚态自己的范式创造——朗道对称破缺、拓扑序、分数统计那种重新定义“什么算相、什么算序”的突破——AI 同样没有时间表。它离有效理论发现最近，离范式创造仍然很远。

复杂系统排第二，不是因为它更容易出深刻物理，而是因为它对“什么算范式”的门槛更低。凝聚态有哈密顿量、对称性、拓扑这套极其成功的标准语言要替代；宇宙学有广义相对论和量子场论当硬约束；复杂系统没有统一标准模型，新粗粒化方案、新宏观变量更容易被承认为“范式”。这种“提前”更多是方法论层面的更替，未必是物理学意义上的深刻突破。

宇宙和引力最远：数据稀缺、干预不可能、理论空间受强数学约束。那篇“倒序”判断在这里最致命——宇宙学范式最需要的，是从第一性原理出发、自上而下地建构理论；AI 擅长的却是从数据到预测，方向正好相反。但有一条模糊路径：AI 在弦论、量子引力形式化里发现的新数学结构，可能被人类理论家借来重组老问题。这是“AI 提供零件、人类组装”。

6 真正的判据是什么？

说到这儿，得把判据本身掰扯清楚。

“是不是硅基独自完成的”——这个标准太强了，强到连人类科学家都不达标。爱因斯坦的相对论靠了闵可夫斯基的几何表述和格罗斯曼的黎曼几何指引；量子力学的矩阵力学和波动力学本来是两条路，最后狄拉克把它们统一。范式创造从来不是独自闭环，而是关键环节嵌入共同体闭环。

更实在的，分三层看：

工具级——AI 加速计算、搜索、验证。谷歌 DeepMind 的 AlphaProof Nexus 解埃尔德什问题、QuantumMatterExplorer 推断相边界，都在这一层。它替代的是“算得更快”，不是“想到什么值得算”。

零件级——AI 提供新表征、新数学结构，人类识别它的价值，拿来组装。OpenAI 那个辅助 PDE、阻挫磁体上那个优雅表述，已经在这层的门口了。关键区分是：这个零件是 AI 在没人指定方向时自己造出来的，还是人类说“去找个辅助 PDE”之后它搜出来的？前者已经接近概念跳跃，后者还在工具级。

闭环级——AI 从提问到公共复现全链条自己走完。现在不现实。但独自闭环并不是范式创造的必要条件——人类做范式创造，从来不是独自闭环；它只对“硅基独自范式创造”这种特殊情况才必要。

三层里，真正卡住 AI 的是第二层到第三层之间的跳跃——它已经能造零件，但还不能自己判断哪个零件值得造，更没法独自完成组装和共同体确认。

所以判据应该从“谁独自完成”转向一个更朴素的问题：AI 有没有提供人类自己造不出来的、概念性的关键表征？这个表征有没有被共同体接受、用来重新组织观测？

如果有，那它就是范式创造的一部分——哪怕发问、判断、组装都是人做的。

但这也留下一个更难的问题：当 AI 提供的零件越来越关键，人类还能不能诚实地说清楚“这个范式到底是谁造的”？

7 具身智能为什么被看好？

最后说一句具身智能。

纯文本大模型是“离身”的——它读的是人类沉淀好的二手知识、固化论文、总结结论，从来没亲自“触碰、试探、干预”过真实物理世界。具身智能第一次补上了这个缺口，能跑“假设—干预—观测—修正”的原生闭环。

这也是为什么它最有可能触碰物理新范式。

但它是必要条件，不是充分条件。一个新范式的诞生，是六个环节循环耦合：提出假设 → 干预世界 → 形式化表征 → 实验验证 → 公共复现 → 修正假设，然后带着修正后的假设再来一轮。具身智能只补了“干预”这一个入口，形式化、复现、修正它一个都还没独立走完。

2026 年的进展确实快：有工作开始从“具身智能”的视角重构发现流程，强调感知、行动与语言在闭环中的耦合；Google 的湿实验室在分子设计上跑通了“设计—实验—读取—调整”；量子材料领域也有类似链路。但这些闭环里，分子结构、哈密顿量、实验协议都是人提前给定的，公共复现仍然要靠同行评议和制度安排。

但它只补得上“干预”这一步；发明新的形式化语言、让共同体接受这套语言，都不是它现在能独立完成的。

说到底，AI 可以成为人类科研中得力的助手、高效的推演工具、有力的实验加速器。但在可预见的技术范式内，它仍然替代不了人对自然的抽象、定义、发问与范式创造——至少，不是以硅基独自闭环的方式。

自然法则不由算力定义。算力是工具，观测和可复现的事实才是裁判。

你觉得“范式创造”到底该不该以“硅基独自闭环”为判据？还是说，只要“AI 造零件、人类组装”跑通一次完整闭环，就算范式级突破？

资料来源：张朝阳专访《AI 更容易破解数学，但物理没那么简单》，科技日报，2026-11-01；两篇立场文件《From Solvers to Research》与《Can AI Follow In Einstein's Footsteps?》。