当AI学会「分工算物理」:Claude黑洞突破背后的真正信号

一条被物理学界搁置了二十年的计算,被一群Claude做完了 今天最值得停下来想一想的消息,不是Anthropic以每股83美元完成史上最大IPO,而是同一家公司悄悄发布的另一件事:Claude解决了理论物理中的两个开放问题,两篇预印本已经挂出。 第一个问题来自2003年。当时物理学家提出了一个关于黑洞形成的相变计算——黑洞的形成被理解为一种突变相变(sharp phase transition),这套图景在经典引力区域已经确立,但一个根本的追问始终悬而未决:当时空本身失去确定形状的量子区域里,这个相变还成立吗? 计算方案在二十多年前就被设计好了,却因为计算量过于庞大、过程过于繁琐,从未有人真正算完。它不是被否定的,而是被「搁置」的——这在理论物理里是比被推翻更屈辱的死法。 第二个问题属于量子引力研究中的bootstrap方法体系。在众多量子引力候选理论(弦论、圈量子引力等)的检验框架里,「最轻黑洞的质量上限」是一个关键的约束量——如果能求出它的精确极限,就能对整个候选理论空间做出一刀切式的筛选。这是bootstrap纲领里公认难啃的一环。 据Anthropic披露,这两项计算由Claude的多个副本组成的「研究小组」独立完成,并且采用了一个耐人寻味的流程:多副本分段推进、逐段与已知结果交叉核对。这不是「人类用AI辅助算了一下」,而是AI以计算主体的身份,执行了一套完整的科研工作流。 别急着惊叹「AI会物理了」:真正重要的是方法论 如果只看标题,很容易把这理解为「AI变聪明了」的又一例证,然后划走。但这次事件的深层结构,藏在「怎么做」里面。 第一,被攻克的不是「灵感型」问题,而是「执行型」问题。 2003年那个相变计算,方案是现成的,缺的是算力般的「认知劳动力」——大量机械、冗长、出错率高的推导步骤。过去二十年,理论物理的瓶颈之一恰恰是:顶尖头脑的时间太贵,没人愿意把职业生涯押在填一张可能填不出来的表上。这类「智力苦力」工作,正是多副本AI协作最舒服的射程。 第二,「多副本研究小组」是一种可复制的科研组织形态。 逐段核对已知结果的细节说明,这套流程内置了质量控制:不是让一个模型一口气生成答案(那是幻觉的温床),而是让多个副本各自推进、互相校验,人类科学家扮演的是审稿人和方向制定者。这和OpenAI同期公开的Performance Factory(Codex自动化性能排查,三个月1700次调查)在结构上是同构的——把一个领域的方法论沉淀为流程,让AI在流程护栏内自主执行。一个在物理,一个在工程,范式却是一体的。 第三,这是第二次了。 日报里提到,此前GPT-6 Astra已经攻克过格点计算难题。两次事件叠加,就不能再用「孤例」「演示」来解释。前沿模型在「可形式化为可验证计算的学科」里独立完成科研,正在从新闻变成常态。 科研瓶颈正在换位置 二十世纪的科学叙事是:思想便宜,算力昂贵。超级计算机、粒子对撞机、引力波探测器,都是为「执行」而生的巨兽。而Claude这次展示的是某种倒转:执行正在变得近乎免费,稀缺的是两头的「提出好问题」和「验证结果」。 这对不同学科的冲击是不均匀的。可以画出一条粗糙的光谱: 最先被重塑的:数学物理、形式化证明、密码学——因为「对错」本身可以机械化验证,AI产出可以直接被机器或同行检查; 中间地带:格点计算、分子模拟、材料筛选——验证可行但成本不低,AI负责生成,人类负责昂贵实验的抽验; 暂时安全的:依赖仪器、田野和长周期观察的学科——直到机器人和实验自动化补上「手」的部分。 一个不太舒服但必须直面的推论是:那些被认为「不需要天才、只需要扎实推导」的研究岗位,可能会最先消失或被重新定义。 博士生教育的经济逻辑、导师制、论文评审制度,都建立在中层科研劳动力的供求关系上。当AI研究小组的边际成本趋近于推理费用,这个地基在晃。 评审制度的静默危机 比「AI抢工作」更近的问题,是学术系统怎么消化AI产出的论文。 传统同行评审的信任链条是:作者的职业声誉 → 机构的背书 → 评审人的专业判断。当一篇预印本的「作者」是Claude多副本协作,指挥者只负责设定方案时,这套链条每一环都变得模糊:评审人该审谁?出错了谁负责?审稿时发现「计算完美但物理直觉可疑」,该以什么标准裁决? 而且量级会失控。人类科研的产出受制于「一个课题组一年做几件事」的物理限制;AI研究小组没有这个限制。可以预见一两年内,arXiv上AI署名或AI主导的论文将从新奇变成需要专门筛选机制的类别。评审制度本身就是一种算力有限的验证系统——它同样会被AI的产出洪峰冲垮,除非先把「可机器验证」的部分从评审流程里剥离出来交给机器。 一个更冷静的视角:IPO与黑洞同日 把今天Anthropic的两件事并排放着看,别有一层意味。 上午,公司以史上最大IPO的姿态向资本市场证明「AI能力的变现速度」;同一周,公司的研究部门向学界证明「AI已经能做搁置二十年的科学」。资本市场给AI的定价(IPO定价、45亿美元并购Agent基础设施公司)远远跑在治理制度的成形速度前面,而OpenAI同期发布的《The Silent Consensus》警告的恰恰是这个:当AI在研发、谈判、资本配置上全面超过人类时,「放手让AI全权接管」会成为企业最省力的默认路径。 黑洞计算本身是无害的、甚至是美好的——量子引力的靴带纲领如果因此加速,是我们这代人的幸运。但它同时是一枚探针:当一个系统能独立完成曾经需要人类研究员职业生涯的智力工作时,「人类保留控制权」就不再是一句安全口号,而是一个需要主动设计的制度工程。 在物理上,这件事来得越快越好;在制度上,我们的准备远远没跟上。 结语:科学的外包与科学家的重新定位 Claude解决黑洞问题,正确的解读不是「AI比物理学家聪明」,而是:科研活动中「执行」这一层的所有权,正在从人类手中转移到可编排的AI系统。 剩给人类的,是最顶端的两件事——提出值得算的问题,以及为结果赋予意义。 这对研究者未必是坏消息。二十年前没人愿意做的苦活,如今可以外包;这意味着好问题的稀缺性被放大,而好问题恰恰是人类科学家最不可替代的地方。只是这个过渡不会自动温柔:它需要评审制度、署名规范、博士培养体系的同步改造,而这些制度改造的窗口期,比大多数人以为的要短。 黑洞吞噬信息的问题还没答案,但AI已经先一步,把「谁来做科学」这个问题的旧答案吞掉了。 本文基于2026年11月20日AI洞察日报头条(Anthropic Research)及相关公开信息撰写,观点仅供参考。

2026年11月20日 · 1 分钟