AI 解開理論物理死結：當 ChatGPT 成為論文的第五作者
以下為虛構對話，人物與情節為創作，科學內容來源標註於文末。
▌辦公室裡的踢館
Dg 推開門，帶著一股外送咖啡的熱氣。
「K，你聽過那句話嗎？愛因斯坦說過——『在混亂中尋找簡單，在不諧中尋找和諧』。這就是今天要跟你聊的事。」
鍵盤聲停了半拍。
「那是愛因斯坦寫給兒子的信，跟他的物理研究沒關係。你要說的是什麼。」
Dg 把咖啡放下，故作鎮定地清了清喉嚨。
「膠子。你知道的，把夸克黏在一起的那個。物理學界算了幾十年，一直假設某一種特定組合——只有一個粒子跟其他人『轉的方向』不一樣的那種——答案『一定』是零。」
「單負號振幅。繼續。」
「結果 OpenAI 那邊，Strominger 帶著這個問題去測試他們內部的 AI。公開版的先算出四個粒子的簡化版本，接著五個、六個，最後 AI 自己猜出一個通用公式。」
「猜出來的東西不叫證明。」
「對，所以他們把公式丟給另一個內部模型，叫『Super Chat』，跑了十二小時，生出一份完整證明。四個物理學家再花一整週手算驗證，最後確認——真的不是零。」
窗外一輛機車呼嘯而過。K 端起咖啡，沒喝，只是握著。
「所以呢？你以為這代表舊公式錯了？」
Dg 愣了一下，眼神飄向天花板，像是在調出存檔。
「呃……牛頓也是被愛因斯坦推翻的啊，這不是常態嗎？科學就是一代推翻一代——」
「牛頓力學在低速範圍依然成立，愛因斯坦沒推翻牛頓，只是畫出牛頓沒畫到的邊界。你現在講的也一樣。」
Dg 的自信瞬間洩了氣，像被戳破的氣球，但只沉默了三秒。
「等等——我懂了。你是說，舊答案『一般情況』還是對的，AI 只是找到了原本地圖上沒畫進去的那一小塊，一個很特殊、很邊緣的動量條件，在那裡答案才不是零。不是推翻，是補完。」
K 難得抬眼看了他一秒。
「算你這次沒亂引用。」
Dg 咧嘴笑了，轉身把那杯還沒喝的咖啡，端過去放在 K 手邊那杯早已涼掉的旁邊——順手，也把自己剛剛掛在嘴邊的半句「愛因斯坦說」，悄悄吞了回去。
🔑 關鍵亮點
- 物理學家長期認為某一類特殊組合的計算結果「一般情況下必為零」，這次被證實在某些特殊條件下其實不是零
- 突破由公開版 ChatGPT 提出初步答案、OpenAI 內部一個代號「Super Chat」的實驗性模型耗時 12 小時完成證明
- 四位物理學家（包含原本提出這個問題的哈佛教授）花了一整週用人工逐步驗算 AI 給出的公式，確認無誤
- OpenAI 副總裁以「人類共同作者」身份列名論文，而不是讓 AI 本身掛名——這牽涉到一個目前沒有標準答案的學術倫理問題
- 論文已發表在 arXiv（物理學界最常用的線上預印本平台，論文在正式審查前會先放上去讓大家看）
粒子物理學家在算什麼
先講一個生活化的比喻。想像你在算「兩顆撞球互撞後，會往哪個方向、以多快的速度彈開」——但這裡的「撞球」是次原子粒子，「碰撞結果」不是一個確定的答案，而是一長串「發生機率」。物理學家把這種計算叫做散射振幅（scattering amplitude）：給定一群粒子撞在一起，算出它們變成另一群粒子的量子機率。
這次故事的主角是膠子（gluon）。你可以把它想成「原子核裡的強力膠水」——負責把夸克（構成質子、中子的更基本粒子）死死黏在一起，不讓原子核散開。膠子彼此碰撞、交互作用的規則，理論上可以用數學公式描述出來，但問題在於：粒子數量一多，公式就會爆炸性地複雜。
物理學家發現，如果照最原始的方法硬算，粒子數量增加時，需要計算的項目數量會像階乘一樣暴增（3 個粒子只要算 1 項，10 個粒子卻要算超過一千萬項）。1986 年，兩位物理學家 Parke 與 Taylor 意外發現：只要挑選特定的一種組合方式（專業說法是「兩個負旋、其餘正旋」），原本要算一千萬項的東西，竟然可以濃縮成一行簡潔的公式。這個公式漂亮到後來變成整個領域的計算基石。
但這裡藏著一個從沒被嚴格證明過的假設：如果換一種組合方式——只有一個粒子用另一種旋轉方向，其他全部一樣——那麼一般認為這個結果「應該」直接等於零，也就是「這種碰撞方式根本不會發生」。這個說法流傳了幾十年，不是因為有人證明了它，而是因為根本沒人有辦法把公式算到底、去檢查它到底對不對。
從懷疑論者到 OpenAI 研究員
哈佛大學物理教授 Andrew Strominger，一開始對 ChatGPT 相當不以為然——他形容早期的回答「聽起來很聰明，但一查就露餡」。所以，當他過去指導的博士生 Alexandru Lupsasca 決定從大學請假、跑去 OpenAI 工作時，Strominger 還勸他：物理學界比矽谷更需要你。
Lupsasca 本人一開始也是懷疑論者。他的轉折點，是一道原本預期要花上好幾天才能算完的物理問題。他抱著半信半疑的心態請 AI 幫忙，結果只花了十一分鐘就得出答案。他後來又拿這件事去說服同行：在一場學術聚會上，一位同事出了一道通常要留給博士生一整週才能解開的作業題，AI 幾分鐘內就給出詳盡解答；另一次，一位天文物理學家故意設計了一道謎題想考倒 AI，結果 AI 不只答對，還進一步提出後續該做哪些觀測。這一連串經驗，最終讓 Lupsasca 決定正式加入 OpenAI。
辦公室裡的測試：從簡單題開始
去年，Lupsasca 邀請 Strominger 造訪 OpenAI，測試公司內部一個比公開版更強的 ChatGPT。Strominger 心想，那就拿這個卡了物理學界幾十年的老問題來考驗它。
過程並不是一步登天。研究團隊先讓公開版的 ChatGPT 簡化一個「四個粒子」版本的簡單題目，AI 花了大約二十分鐘完成。接著他們把難度往上加，換成五個、六個粒子的版本，結果 AI 成功把一個原本要算三十二項才能湊出來的答案，濃縮成短短一行、只有幾項相乘的公式。最後，團隊乾脆要求 AI：「那你猜猜看，如果粒子數量是任意多個，這個公式長什麼樣子？」
Strominger 起初很擔心這只是 AI 在「一本正經地胡說八道」——一個聽起來很有道理、但其實是編出來的答案。研究團隊仔細檢查了這個公式，卻找不出任何破綻。
十二小時後，證明出爐
光有一個「看起來對」的公式還不夠，物理學需要嚴謹的證明，不能只靠感覺。研究團隊接著把這個公式，交給 OpenAI 內部一個還在開發中、研究人員私下稱為「Super Chat」的實驗性模型，要求它給出完整的數學證明。
經過十二小時的運算，這個模型交出了一份通過人工檢驗的完整證明。
隨後，Strominger、Lupsasca，再加上另外兩位分別來自劍橋大學與普林斯頓高等研究院的物理學家，一共四人，花了整整一週的時間，逐步拆解這份證明、一步一步用人工重新驗算，並把它寫成正式論文。OpenAI 一位副總裁也以共同作者身份加入撰寫團隊。最終，這篇論文以「預印本」形式（也就是還沒經過正式同行審查、但已公開讓大家閱讀的版本）發表在 arXiv 這個物理學界最常用的線上平台上。
論文一發表，很快就在學界社群中引發討論；隔天 Lupsasca 在一場學術會議上發表這項成果時，現場物理學家反應相當震驚，一位不屬於這個研究團隊的粒子物理學家也公開表示，OpenAI 這個模型展現的能力令人印象深刻。
這不是推翻教科書，是把地圖畫得更完整
有一點必須先講清楚，免得誤會：這項發現不是在說「教科書寫錯了」。原本「這種組合的結果一般情況下是零」的說法，在絕大多數常見情況下依然成立；新發現指出的是，在某些特殊、罕見的條件下（專業說法是「半共線」動量條件，你可以想成是粒子運動方向剛好排成某種特殊隊形的情況），這個結果其實不是零。
換個比喻：這比較像是原本的地圖畫得不夠精細，漏掉了地圖邊緣的一小塊區域，而不是整張地圖畫錯了方向。新的研究補上了這一小塊區域的地形。
| 項目 | 原本的理解 | 這次的新發現 |
|---|---|---|
| 適用範圍 | 一般、常見的情況 | 特殊的、罕見的運動方向組合 |
| 計算結果 | 假設一定是零，但沒人證明過 | 在特殊條件下其實不是零，而且有精確公式 |
| 證明狀態 | 從來沒被完整證明過 | 由 AI 提出並證明，再經人工逐步驗算確認 |
AI 能不能掛名論文作者？
這篇論文最引起討論的地方之一，是 OpenAI 一位副總裁以「人類」身份列名共同作者，而不是讓 AI 模型本身掛名。這牽涉到一個目前學界還沒有標準答案的問題：當 AI 實質上提出了公式、也完成了證明，這份智識貢獻到底該怎麼算？目前普遍的做法，還是由參與研究、對結果負最終責任的人類研究者掛名，AI 工具本身則會在論文中說明它扮演的角色。
常見問題
Q1：這代表 AI 已經能取代物理學家了嗎？ Strominger 本人的態度是不擔心。他把這次合作形容成跟一個非常有創意的夥伴共事，認為這會逼迫研究者調整自己習慣的工作方式，而不是被淘汰出局。
Q2：這個「膠子」問題，對非物理背景的人有什麼意義？ 問題本身相當技術性，主要影響的是這個小眾的物理子領域。但這個事件真正值得關注的地方，其實是它示範了 AI 如何被實際整合進最前沿的科學研究流程——這個模式本身，可能比「答案到底是不是零」更值得思考。
Q3：這篇論文正式發表了嗎？ 目前還是 arXiv 上的預印本，正在走同行審查的程序，但已經先經過四位物理學家的人工手算驗證。
Q4：公開版 ChatGPT 和「Super Chat」有什麼不同？ 公開版負責提出初步的公式和答案，像是先猜出「答案長什麼樣子」；Super Chat 則是 OpenAI 內部還沒公開的實驗版本，負責花很長時間去做深度的證明推演，確認這個猜測是不是真的成立。
Q5：這是 AI 第一次在物理研究中扮演實質角色嗎？ 根據報導，這是 Lupsasca 加入 OpenAI 後一連串測試中最受矚目的一次。在這之前，他已經用好幾個不同的物理問題測試過 AI 的能力，也漸漸說服了身邊原本抱持懷疑態度的同行。
結論：不是被取代，是被迫「重新學習怎麼工作」
這件事之所以值得關注，不只是因為 AI 算出了一個困擾物理學界多年的難題，而是因為它示範了一種新的研究方式：AI 先提出一個猜測，再由另一個 AI 自己去證明這個猜測，最後才交給人類專家一步一步核實。這個流程本身，或許比「答案是不是零」這個技術性結論更值得留意。
Strominger 的態度或許最能代表這次經驗的核心：他不覺得自己會被淘汰，反而把這次合作看成一種能力的延伸。對於理論物理這種高度仰賴精密計算的領域來說，現在的問題已經不是「AI 會不會參與研究」，而是研究者該怎麼調整自己的工作習慣，去正確地和這個新夥伴合作。
