九圈散射振幅为什么是硬骨头
散射振幅是理论物理学家用来预测粒子碰撞行为的核心公式。在N=4超级杨-米尔斯这个特殊的测试模型里，每多算一圈，计算量会指数级增长。粒子物理学中最精确的预测也只用到第五圈，N=4超级杨-米尔斯的公开人类纪录长期停在八圈，由SLAC国家加速器实验室的Lance Dixon团队在2023年完成。从八圈推到九圈，是把185万个未知数装进内存、做约束求解、再翻译回振幅的过程，难度像搭扑克牌城堡或烤舒芙蕾，一处出错全部崩溃。
这次Claude在一条提示词、几乎无人干预的情况下，连续运行几天，用两种独立的物理方法各自算到了九圈，并由Dixon本人花了约两周独立验算确认。
对科研用户的真实价值
对需要做高圈数散射振幅、格点计算或大规模符号推导的团队来说，价值集中在三个维度。
第一是成本骤降。传统路径通常意味着数年的博士人力、专属代码库和大量超算机时。这次直接自举法中，纯Python算力成本约为100美元，相当于96个CPU跑一周；间接形状因子法也只在一两千美元量级。加上长时间推理费用，两条路径加起来约几千美元。
第二是时间压缩。原本人类数年才能推进一圈的工作，被压缩到几天无人值守的连续运行。模型自己写代码、自己排错、自己在约束空间里排除错误选项，研究员只需要留一句继续工作的指令。
第三是方法可复用。Claude用的全是Dixon团队这些年在公开论文里发表过的自举法和形状因子法，并直接按照人类团队的惯用格式交回结果。这意味着它没有发明新物理，而是在严格遵循已知配方的前提下，把执行效率拉到了极致。
适用场景与选择标准
并不是所有物理问题都适合用这种方式推进。判断是否值得用大模型做长时间无人值守计算，可以从三个标准入手。
一是问题是否已有成熟的算法配方。自举法、对跖对偶这类有清晰约束结构的问题最适合，因为AI可以按规则排除选项、压缩未知数。如果物理直觉本身就模糊，没有明确的约束骨架，AI能发挥的空间会受限。
二是中间结果是否可独立校验。散射振幅能靠两种独立方法互相印证、靠整数方程反复换素数验算，这种可校验性是AI输出的安全网。没有校验机制的长任务不适合放手无人值守。
三是问题是否属于连续可分解的流水线。九圈振幅天然分成多个切面、多个对称分量，AI可以分批推进并汇总。如果问题本身耦合度过高、需要实时人类判断，则不适合长时间脱离人工。
值得注意的是，几乎同一时间，中国科学院理论物理所何颂团队的六粒子振幅骨架数据也在公开学术平台挂出，比这次官宣还早8天，GPT-6在其中负责了部分约束条件的计算，但整体框架由人类搭建。这说明AI辅助计算已经成为多条并行路径的常态。
如何用起来
这次实际使用的入口是Claude Science系统，搭载的是当时最强的公开可用模型Fable 5.1。系统为科学家场景做了两层封装：一是约束模型严格遵循物理规则和代码规范，二是支持长时间无人值守的任务编排。
上手步骤大致是：准备一段清晰的自然语言任务描述，明确要计算的物理量、采用的方法和验收标准；在系统中设定运行参数、报告频率和停止条件；让模型自主调用Python和开源符号计算库推进计算；按设定间隔接收进度报告；任务结束后由领域专家独立验证结果。整个流程对提示词的要求不高，但需要研究者对问题结构本身有清晰定义，否则模型会缺乏搜索方向。
对于普通研究团队而言，复现类似工作需要三件事：一是能访问具备长上下文和工具调用能力的模型，二是研究问题本身要有可形式化的约束，三是有熟悉该领域的专家愿意花一到两周做结果核验。
落地建议与边界
短期来看，这种模式的最佳落地点是那些人类已经积累了几十年算法配方、但算力瓶颈迟迟推不动的领域，例如高圈振幅、特殊函数积分、大规模符号推导等。AI在这里的角色是耐心的执行者，不是发现者。
中期看，更值得关注的是AI能否在两种独立方法之间自动切换和互相校验。如果未来模型能自主决定何时用自举法、何时用形状因子法，并在方法间自动交叉验证，科研团队的审稿成本还会进一步下降。
边界同样清晰：N=4超级杨-米尔斯本身是一个高度对称的玩具模型，距离解释真实宇宙的暗物质、反物质、夸克禁闭还有漫长距离。Claude这次并没有提出新物理原理，而是精准执行了既有配方。Dixon本人在验证后的评价是：模型能执行我们设定的复杂配方并组织计算，这是巨大胜利；但当模型开始在人类之前提出新原理和新洞察，那才是真正触及根本的时刻。