喺人工智能技術迅猛發展嘅2026年，AI 已由輔助工具演變成科學發現嘅核心驅動力。3月6日，Google DeepMind 團隊喺 arXiv 正式發表論文《Solving an Open Problem in Theoretical Physics using AI‑Assisted Discovery》（arXiv:2603.04735），首次展示 AI 點樣自主解決理論物理一個長期嘅開放問題──計算宇宙弦（cosmic strings）發射嘅重力輻射功率譜。該論文由 Michael P. Brenner、Vincent Cohen‑Addad 同 David Woodruff 共同完成，透過一個神經符號系統（neuro‑symbolic system），結合 Gemini Deep Think 大型語言模型（LLM）、系統樹搜尋（Tree Search, TS）框架同自動化數值回饋，成功推導出新型精確解析解，針對核心積分 I(N,α) 實現任意環幾何形狀嘅評估。呢項成果唔單止超越咗2025年 AI 輔助嘗試嘅局部漸近解，仲為弦理論景觀（string landscape）嘅探索開闢新路。論文長度22頁，包含3個關鍵圖表，標誌住 AI 由「計算加速」向「數學發現」範式嘅實質躍進。以下基於論文原文、Nature 期刊相關評論同 DeepMind 官方部落格，深入剖析呢項突破嘅技術細節、方法論同潛在影響。
論文背景：弦理論中嘅開放挑戰
弦理論係當代理論物理學中最具雄心嘅框架之一，嘗試統一量子力學與廣義相對論，但其核心難題係處理額外維度嘅緊致化（compactification），以及計算弦景觀中嘅穩定解。論文聚焦於宇宙弦發射嘅重力輻射功率譜問題，呢個開放問題源於弦理論景觀嘅複雜性：環嘅幾何形狀多樣令積分 I(N,α) 難以求解，其中 N 表示環尺寸，α 為幾何參數。傳統方法依賴數值模擬，但受限於計算資源，難以獲得精確解析解。
論文作者指出，2025 年嘅一項 AI 輔助嘗試（例如 Brenner 等人嘅初步工作）只得到局部漸近解，無法處理任意幾何形狀。作者強調：「我哋展示 AI 點樣加速數學發現，透過自主推導新型精確解析解，解決呢個開放問題。」
神經符號系統嘅核心架構
論文嘅核心貢獻係一個神經符號系統，融合咗 Gemini Deep Think LLM、系統樹搜尋框架同自動化數值回饋。呢個系統唔係簡單叫 AI 生成代碼，而係建構咗一個迭代閉環，能自主探索數學路徑。
- Gemini Deep Think LLM：作為「創意引擎」，負責生成假設性嘅數學結構同推導步驟。論文描述，LLM 喺俾定問題描述後，能提出多種分析方法，包括多項式展開同對稱性利用。
- 樹搜尋框架（TS）：系統性擴展 LLM 生成嘅路徑，類似 AlphaGo 嘅蒙特卡洛樹搜尋，但針對數學證明。TS 框架通過分支評估（branch evaluation）同修剪（pruning）避免無效路徑，確保探索效率。
- 自動化數值回饋：為 LLM 同 TS 提供「現實校驗」。系統透過數值積分模擬驗證解析解嘅準確性，如果偏差超過閾值，則回饋調整路徑。呢種閉環機制係論文嘅創新點，確保 AI 推導唔會離開物理現實。
論文圖1 展示咗系統嘅整體流程：由問題輸入到 LLM 生成初始路徑，再到 TS 擴展同數值回饋迭代，最終輸出驗證後嘅解析解。呢個架構令 AI 能喺數小時內完成一啲人類數學家可能需數周先做到嘅工作。
數學貢獻：六種新型解析方法與漸近結果
系統成功識別出六種唔同嘅分析方法嚟求解 I(N,α)，其中最優雅嘅方法係將核心函數展開為 Gegenbauer 多項式 C_l^{(3/2)}，自然吸收積分中嘅奇異點。論文詳細推導咗呢一方法嘅數學細節：
- Gegenbauer 展開：透過多項式正交性，將奇異積分轉化為有限和。論文公式(12)–(15) 展示咗展開係數嘅計算，確保收斂性。
- 漸近結果：針對大 N 極限，系統推導出 I(N,α) 嘅漸近表達式，與數值結果完全吻合，並與量子場論中嘅連續 Feynman 參數化（continuous Feynman parameterization）建立聯繫。論文表1 列出咗六種方法嘅比較：Gegenbauer 方法喺準確度同計算複雜度上均優於其他。
論文圖2 展示咗數值驗證曲線：AI 推導嘅解析解同蒙特卡洛模擬嘅結果偏差少於 0.1%，證明咗方法嘅可靠性。圖3 則視覺化咗唔同方法喺弦景觀中嘅應用，突顯出 Gegenbauer 展開對高維奇異點嘅處理優勢。
呢啲數學貢獻直接改善咗2025年 AI 輔助嘗試所得嘅局部漸近解，實現對任意環幾何嘅完整求解。
方法論嘅透明性與可重複性
為確保 AI 輔助發現嘅可信度，論文提供咗完整嘅系統提示、搜索約束同間歇回饋循環細節。作者強調，呢種透明性係 AI 加速科學發現嘅關鍵：人類可以審查 AI 路徑，確保結果嘅數學嚴謹性。
實驗喺 DeepMind 內部基礎設施上運行，使用 Gemini Deep Think 作為核心 LLM，結合自訂數值模擬器。論文亦討論咗方法嘅侷限：目前系統依賴高質量數值回饋，喺純抽象數學問題中表現未必如物理模擬般理想。
行業影響與未來展望
呢項突破對理論物理學具有里程碑意義：弦理論景觀問題涉及 10^500 級別嘅可能宇宙，AI 嘅高效搜尋能力將加速排除無效模型，推動量子引力統一嘅探索。Nature 期刊評論稱：「呢項工作展示咗 AI 喺數學發現中嘅潛力，標誌住由『人類主導』向『人機共創』範式嘅轉變。」
喺更廣泛嘅數學領域，呢種方法亦為解決例如高德納圖論猜想等開放問題提供啟發。高德納（Donald Knuth）喺2026年1月講座討論 AI 輔助圖論時指出：「類似嘅神經符號系統能生成新引理，但最終證明仍需人類驗證。」DeepMind 呢項工作正好印證咗呢個觀點：AI 擅長大量枚舉同模式識別，而人類負責最終洞見。
未來，DeepMind 計劃將呢個系統擴展到更多物理問題，例如黑洞信息悖論同量子糾纏模擬。與此同時，論文呼籲建立 AI 輔助證明嘅倫理框架，確保透明性同可驗證性。
結語：AI「科學家」嘅優雅算法震撼物理界
DeepMind 團隊嘅呢項工作，以 AI 輔助推導宇宙弦重力輻射功率譜嘅新解析解，展示咗神經符號系統喺解決理論物理開放問題上嘅強大潛力。佢唔單止打破咗計算瓶頸，仲為高德納圖論猜想等數學難題提供方法論上嘅啟發。
喺2026年 AI 技術加速演進嘅今天，呢項突破提醒我哋：AI 已唔再係單純嘅計算工具，而係人類探索宇宙終極秘密嘅強大夥伴。結合最近高德納利用 AI 解決圖論猜想嘅報導，AI4Science 已經走入現實，推動科技進一步發展。當「優雅算法」遇上物理難題，科學發現嘅邊界正喺重新被定義。
▶️ 鍾意呢篇內容？創作真係好辛苦！
歡迎關注我哋嘅 YouTube 頻道：
AI Rosetta
你嘅讚好、訂閱同分享，係對我哋最大嘅支持！🙏
更多 AI 新聞請訪問：https://www.airosetta.com