{"id":"mb-20261015-a2ff7c","kind":"deep","title":"理论物理测试反转：AI坚持自己没错，专家复核后发现真是人类算错了","summary":"50道未发表的研究级理论物理题被用来测试GPT-6-Astra。初测80多分时，模型坚持是人类专家的参考答案有误。物理学家复核后确认自身多处计算疏漏，修正后AI正确率达到98%，单题成本不到3美元。人类测试AI的标尺首次发生了反转。","body":"拿顶尖物理学家的答案考AI，反被AI挑出一堆计算错误。\n\n这个测试叫 TheoPhysEval。\n出题人找了 50 道从未发表过的理论物理前沿题。\n题目难度有多高？\n哪怕是这个细分领域最顶尖的世界级物理学家，没有 AI 帮忙，解一道题平均也得花上一整天；要是换成隔壁方向的专家，花的时间还要长得多。\n\n测试的方法很简单。\n给现成的 AI 智能体配上真实研究工具：可以上网搜文献，可以用代码跑数值模拟和符号推导。\n不需要人类给任何提示，让它自己解。\n\n一开始出分的时候，表现最好的 GPT-6-Astra 拿了 80 多分。\n研究团队觉得差不多了，准备去复盘那十几道扣分项，看看模型到底在哪些步骤上掉进了陷阱。\n\n结果离奇的事情发生了。\n模型，特别是 Astra，非常顽固地坚持自己没有算错。\n它直接给出推导过程，反过来告诉研究人员：是专家提供的参考答案错了。\n\n研究人员也有点拿不准，只好拿着模型的解题步骤，回头去找当初出题的那批物理学家。\n专家们坐下来一步一步重新验算。\n结果在好几道题里，专家真的在自己极其繁复的草稿深处，找到了藏得非常深的细微计算失误。\n\n专家的答案一改，Astra 的得分就开始一路往上窜。\n最终成绩定格在 98%。\n50 道顶级物理题，它做对了 49 道。\n更夸张的是成本：平均解一道题，只要不到 3 美元。\n\n原本所有人都以为，人类专家的计算是终极的标尺，用来给人工智能打分。\n结果这一仗打完，事情整个反过来了：\nAI 成了那把尺子，物理学家反而成了被拿去校准的人。","topic":"理论物理测试反转：AI坚持自己没错，专家复核后发现真是人类算错了","frame_type":["机制"],"citations":[],"channel_note":"","identity_notice":"","source_type":"generated","status":"published","generated_at":"2026-10-15 19:18:32","legal_anchor_count":0,"transcript_citation_count":0}