跳到文章正文
openai-gpt 编辑推荐

OpenAI 开了个科学博客,第一篇就让 GPT-6 Astra 交出一份格点标准模型证明

标准模型的非微扰定义悬了五十多年,OpenAI 科学博客的第一篇文章给出的候选构造里,GPT-6…

一个物理学问题已经悬了五十多年:怎样给粒子物理的标准模型一个不依赖微扰展开的定义。11 月 16 日,OpenAI 上线了自己的科学博客,第一篇不是产品公告,而是一篇近乎论文导读的长文——作者提出一个候选的「格点」定义,并在文中写明,GPT-6 Astra 参与其中,而且在详细证明上挑了大梁。

OpenAI 开了个科学博客,第一篇就让 GPT-6 Astra 交出一份格点标
标准模型的非微扰定义悬了五十多年,OpenAI 科学博客的第一篇文章给出的候选构造里,GPT-6 Astra 从「帮忙」

一分钟速览

  • OpenAI 开出科学博客,定位是让科研人员讲清楚「用 AI 发现了什么、具体怎么做」
  • 首篇文章讨论标准模型的非微扰格点定义,作者为理论物理学家 Nathaniel Craig
  • 真正的拦路虎是「手征」:左手费米子放上格点,会凭空多出一个右手伙伴
  • 缺了二十多年的那块拼图是相位规则,要沿每一种规范场环路做补偿
  • 博客同时列出近期成果,并承诺写清方法的边界与核验方式

为什么标准模型还需要一个「定义」

标准模型是物理学最成功的理论之一。从氢原子 21 厘米谱线所在的低能区,到大型强子对撞机的高能碰撞,理论与实验在跨越十八个数量级的范围内高度吻合。但它有一个尴尬的地基问题:我们并不知道怎样在不做微扰展开的前提下,把整个理论严格定义出来。

常规做法叫微扰论。先把相互作用关掉,把自由粒子的问题精确解出来,再把相互作用当成一项项越来越小的修正加回去。电子磁矩能被算到万亿分之几,靠的就是这套办法。可标准模型里大量现象落在微扰论够不着的地方。质子的质量主要来自内部夸克与胶子的运动与相互作用,一旦关掉强相互作用,质子就散了,修正项根本不收敛。

格点场论提供了一个出口:把时空离散成网格,网格间距就是理论能分辨的最短距离。在有限网格上,理论可以获得严格定义,也能直接搬上计算机做数值计算。过去几十年,这套方法把强相互作用算得相当清楚,质子质量第一次能从第一性原理推出来。

左手粒子放上格点,右手会自己长出来

那为什么不能把整座标准模型直接搬到格点上?卡点在于手征性。标准模型里的弱相互作用对待左手和右手费米子的方式不同,它在空间镜像下不对称。强相互作用和电磁相互作用没有这个问题,因此更容易离散化。

麻烦在于:把左手费米子按最自然的方式放到格点上,格点会配上一个你从没要过的右手伙伴,这就是所谓的「加倍」现象。文章用偏振光打了个比方:想让盒子里只存在左旋圆偏振光,可光在普通镜子上每反射一次偏振方向就翻一次,盒子很快同时装下两种偏振。上世纪九十年代,Ginsparg 与 Wilson 给出了格点上的对应规则,Narayanan 与 Neuberger 造出了「手征镜子」——overlap 费米子,Lüscher 又教会人们如何在格点上区分左右手。物理学家甚至从甲虫壳层的螺旋结构里找到了天然类比。

缺了二十五年的相位

但镜子造好了,角度还没调对。在光学实验里,可以旋转其中一面手征镜子,补偿光绕行一圈积累的相位,让回程的光与光源同步。在格点上,这个相位取决于标准模型的规范场在每个格点上做什么,需要在每一条允许的环路上都被正确补偿。Lüscher 解决了手征电磁理论这类较简单的情形,完整标准模型的相位处方却悬了二十五年以上。

Craig 的思路是:先取要定义理论的那套规范场,把它表示到一层层更细的网格上;比较相邻两层网格上允许的费米子态,得到小幅改变规范场时所需的那一部分相位修正;把各层修正累加起来,就得到原始网格上的相位规则。剩下的工作是证明这套构造在每一种允许的环路上都成立——这正是 GPT-6 Astra 接手的地方。

Astra 具体做了什么

按作者的说法,他手里早有策略,但没能证明策略在所有需要覆盖的情形下都成立。Astra 把策略推进成一个完整构造,并主导了详细证明的撰写。这篇预印本在十月完成。文章里那张说明相位绕行的示意图,署名是「Nathaniel Craig / GPT-6 Astra」——至少在插图层面,模型被当成共同作者来标注。

这件事的分量不在于「AI 又写了一篇论文」,而在于它出现在一个以严格性著称的领域:结论对不对可以逐步检查,证明漏洞藏不住。这既是 AI 参与理论物理最好的展示窗口,也是最容易被证伪的地方。

为什么一家 AI 公司要办科学博客

OpenAI 给博客的定位很直接:让科学家和学术研究者有一个地方,讲清楚他们用 AI 发现了什么、怎么做的。栏目分三类,研究与发现、方法与实操指南、科研社区的亲身经历。第三类里明确写了要讨论「方法在哪儿不管用」以及「怎么核查结果」。

同期公布的成果清单信息量不小。九月,一个 OpenAI 内部系统给出了关于 Navier–Stokes 方程存在性与光滑性的证明;十月初公布了一批数学结果,其中包括一个能收紧素数计数估计的准黎曼假设相关结论;当月下旬又发布了波聚焦、高效计算的极限、量子场论交织的数学基础等方向的结果。生物方面,与 PerturbAI、Scripps Research 合作,数千个由 GPT-Rosalind 驱动的智能体在 32 分钟里分析了数百万个小鼠脑细胞的既有实验数据,把基因扰动的影响与文献连接起来,给出可供实验验证的机制假设;César de la Fuente 的团队则用 ChatGPT 和 Codex 搭建算法,筛选潜在的抗生素分子,再回到实验室合成与测试。

该鼓掌,也该追问

需要保持清醒的地方同样明显。第一,博客是公司自有渠道,成果的可信度最终仍要交给同行评审和独立复现,预印本不是终审判决。第二,「AI 主导证明」这种表述目前缺少统一标准:是模型提出了关键引理,还是把人的草稿补全,抑或只是加速了形式化,外界很难从一句描述里判断。第三,科学博客天然带着叙事目标——在算力与模型能力被反复质疑的当下,把「AI 推进基础科学」讲成主线,对一家公司而言是最有力的回答。

但换个角度看,这套动作也在抬高行业的比较基准。过去一年,AI 公司比拼的是榜单分数和上下文长度;接下来要拼的,可能是「你的模型在多少个领域留下了可核查的新结果」。科学博客这种形式,把证据摆到台面上,也把验证压力一起接了进来。

对普通读者来说,最值得记住的一点也许是:AI 在科研里最先站住脚的地方,不是替人写综述,而是那些能被机器检查、能被同行逐行挑错的任务。格点标准模型的相位规则属于这一类,抗生素分子筛选也属于这一类。能通过检查的,才叫成果。

本文地址:https://www.163264.com/21344