上交大 SciMaster 团队新作：一个「AI 物理博士」的诞生

382 0 0

文章摘要

当大模型的能力从回答问题扩展到完成任务时，AI for Science领域正经历深层次变革。传统关注点集中在模型处理标准题目、知识问答和文献总结的能力，但这些本质上仍属于信息处理范畴，难以真正改变科研推进方式。科研的核心挑战在于其长链条、不确定且依赖验证的闭环特性，涉及建模选择、推导路径、数值实验设计、代码实现等多环节，任何失误都可能导致结论失效。科研效率的瓶颈往往不在于想法本身，而在于将想法转化为可信结果的过程，大量时间消耗在重复工程与试错迭代中。

上海交通大学SciMaster团队联合深势科技、中科院理论物理所提出构建能够组织、规划并执行科研闭环的自主系统PHYSMASTER。通过五项真实物理任务验证，系统展示了从加速成熟工作流到自主探索开放问题的能力层级。加速类任务包括从格点QCD数据中提取Collins–Soper kernel，以及从零编写程序计算锂原子第一激发能，证明系统能执行严谨的物理数据分析流程并独立完成高强度计算工程。自动化类任务涉及用量子蒙特卡洛计算Bose-Hubbard模型的相变临界点，以及验证潮汐瓦解事件中nozzle shock耗散的增强机制，展现系统完成科研项目级流程的能力。自主发现类任务中，系统在粲介子半轻衰变研究中提出创新方法，标志其从协作科学家向自主科学家的跨越。

PHYSMASTER的工作流程分为前处理、执行和沉淀复用三阶段。前处理阶段通过问题澄清与拆解，建立专用知识库，确保后续工作的准确性。执行阶段采用多轨迹探索策略，由Supervisor角色提供批判式反馈，Theoretician角色负责理论推导与代码实现。沉淀复用阶段通过长期记忆系统LANDAU积累经验，使系统逐渐具备资深物理学家的特质。

这项研究的突破性体现在四个层面：首先，证明AI能完成端到端的物理科研流程，整合抽象建模、严谨推导和数值验证等关键能力。其次，显著压缩重复工程劳动，将原本耗时数月的环节缩短至几小时。第三，自动化类案例显示科研循环可被压缩至一天级别，改变传统科研节奏。最后，自主发现能力表明AI可能从科研助手转变为研究者。这种转变预示着新科研范式的出现，AI不再仅是局部工具，而可能成为承担完整研究链条的主体。

研究团队由第一作者苗庭嘉和通讯作者陈思衡领导。陈思衡副教授在图机器学习、群体智能等领域有开拓性贡献，近年来致力于大模型驱动的智能体技术开发。PHYSMASTER的成果不仅展示技术突破，更揭示了AI深度参与科学研究的可能性，为未来科研模式提供新思路。