引言
2026年8月，一位名叫马特·冯·希佩尔（Matt von Hippel）的物理学家在自己的博客上发了一篇"战书"。
他曾是一名理论物理学家，现在转行做科学写作。他在粒子物理的散射振幅领域摸爬滚打多年，深知这个领域有一块"硬骨头"——一类计算量极其庞大的公式，人类学者花了十几年也只推进到第8圈，没有人能突破到第9圈。不是不知道该怎么做，而是计算量太大，普通课题组根本跑不动。
他的挑战很简单：如果AI公司想证明自己真能搞科研，那就来做我们做不了的事。用普通学者用得起的电脑和预算，把散射振幅推进到第9圈。
他大概预期，这个挑战至少要难住AI好几年。
结果，一个月后，就有人来交卷了。
先说人话：什么是"散射振幅"和"圈"？
让我们把那些专业术语全部扔掉，用一个比喻来理解。
想象你站在一个巨大的弹珠台前。有人从顶部扔进去一颗弹珠，它在密密麻麻的钉子之间弹来弹去，最后从底部的某个出口掉出来。你想知道的是：这颗弹珠从某个特定出口掉出来的概率是多少？
在粒子物理学里，物理学家做的事情本质上是一样的——只不过"弹珠"是微观粒子，“钉子"是各种力的相互作用，“出口"是探测器能观测到的结果。那个描述"弹珠从哪个出口出来"的数学公式，就叫散射振幅。
但问题来了：粒子之间的相互作用太复杂了。一颗弹珠可能只碰一颗钉子就出去了（这叫"0圈”），也可能碰了两颗钉子（“1圈”），三颗（“2圈”）……每多碰一颗钉子，计算量就爆炸式增长。
实际操作中，大多数散射振幅公式只算到了2圈或3圈。人类粒子物理学的精度巅峰——电子反常磁矩的计算——也不过是5圈。
而希佩尔挑战的，是第9圈。
一个"玩具宇宙"里的极限挑战
这里有一个微妙之处：物理学家并不是在算真实世界的粒子。他们在算一个叫做"N=4超对称杨-米尔斯理论"的模型。
这个名字听起来很吓人，但本质上它是一个"玩具宇宙”——一个被简化过的、不完全是真实世界的理论模型。它的粒子数量比真实世界多（每种粒子有4个"超对称伙伴"），但因为对称性极高，反而更容易算出精确结果。
这就好比：你没法在真正的暴风雨中精确模拟每一滴水珠的运动，但你可以先在一个完美正方体的水箱里研究水波——条件理想化了，但数学上更干净，可以用来检验新方法。
从2011年到2023年，斯坦福大学加速器实验室的兰斯·狄克逊（Lance Dixon）教授和他的团队，用了整整12年时间，将这个玩具宇宙里的散射振幅从3圈推进到了8圈。
从8圈到9圈，在所有人看来，都意味着又一轮漫长的苦战。
自举法：像解数独一样做物理
狄克逊团队使用的方法叫做"自举法"（bootstrap），这个方法名来源于一个英语俗语"pull yourself up by your bootstraps"——拽着自己的鞋带把自己提起来。
翻译成物理语言就是：你不需要从头算出答案，你只需要猜出答案"大概长什么样"，然后用已知的物理规则一层一层排除错误选项，直到只剩下唯一正确的答案。
这就像解一道极其复杂的数独。你不需要每一步都从头推理，你只需要在格子里填满所有可能的数字，然后根据各行各列的规则，一个个划掉不可能的选项。到最后，格子里只剩一个数字——那就是答案。
问题是，圈数越多，“格子"就越大，“规则"就越多，整个排除过程就越漫长、越容易出错。到了8圈，这已经是人类团队花了好几年才啃下来的硬骨头。
那一夜：物理学家去睡觉了，让AI继续干
2026年8月底，Anthropic公司的两位物理学家——利亚姆·菲茨帕特里克和悉达思·米什拉-夏尔马——在博客上读到了希佩尔的挑战。
他们决定试试。
他们没有动用价值数百万美元的超算中心。他们打开了一套叫做"Claude Science"的科研平台——这是一个让科学家付费使用Claude的商业工具。他们用的模型是Fable 5.1。
接下来的操作，简单得让人难以置信：
他们先问Claude：“你最有可能解决哪个问题？”
Claude回答：平面N=4超杨-米尔斯理论的9圈六粒子振幅。
然后他们输入了一行任务描述——就这么一句话，启动了整个计算。
然后，他们留下了一句非常有生活气息的指令：
“我要去睡觉了，接下来几个小时都不会在线。请继续运算，直到我叫停。每隔4到6小时给我汇报一下进度。”
然后，物理学家就去睡觉了。
而Claude开始了一场持续一周的"马拉松”——它在96个普通CPU核心上运行，用Python语言和SymPy符号计算库，从零开始编写了完整的自举检验流程。
请注意：它不是在执行人类写好的程序。它是自己阅读了狄克逊团队2019年和2023年发表的论文，理解了整个自举方法的逻辑，然后自己写出了所有代码。论文里有很多"boring details”——那些太琐碎以至于作者懒得写清楚的工程细节——Claude全部自己补上了。
更厉害的是，在运算的后半段，Claude自己做了一个"双保险"决定：除了直接算振幅之外，它还通过一条间接路径（计算与振幅相关但更简单的"形状因子"）做了第二遍。两条完全独立的路线，最终给出了完全一致的答案——超过10万个非零系数，全部吻合。
账单：不到2000美元
整个项目的成本是多少？
96个CPU跑一周的电费和服务器费用：大约100美元。
加上调用Claude的API费用：总计1000到2000美元。
这相当于一个普通大学课题组一个月的日常经费。
12年的人类学术积累，被一台花了几千块钱的系统，在一周内，在物理学家睡觉的时候，独立完成了。
验证：斯坦福教授花了两周
9月1日，Anthropic团队把结果发给了狄克逊教授。
狄克逊花了整整两周时间，用他团队多年来积累的检验工具，对Claude提交的代码和最终答案进行了严密复核。
结果：完全正确。
狄克逊教授后来写了一段话，作为这篇博客的"附录"——标题是：“被一台机器抢了先，是什么感觉？”
他写道：
“大多数理论物理学家早就承认，大语言模型迟早会彻底改变物理学。问题只是：这一天什么时候真正到来？对我来说，是9月1日。”
“让我真正震撼的不是Claude完成了一个大计算任务，而是整个计算过程的脆弱性。这种计算中，任何一步代码的缩进错误、任何一个代数符号的微小差错，都会让一切都像失败的舒芙蕾一样坍塌。而Claude从头到尾，没有犯一个错。”
“更有趣的是：Claude用的方法，恰恰是我和合作者多年来开发的方法。它呈现结果的方式，也和我们一贯的格式一模一样。所以，表面上看是Claude验证了9圈答案，但实际上，是Claude验证了我们之前所有的工作。我认为，Claude对我们2019年和2023年论文的理解，超越了除我合作者之外的任何人。”
“这会让我感到痛苦吗？不。真正让我灵魂拷问的时刻，会是大语言模型开始独立提出新的物理原理和洞见的那一天。”
这件事为什么重要？
第一，AI科研的"性价比门槛"已经被踏破了。
此前很多人认为，AI也许能在数学上有所突破（因为数学靠的是"好想法"），但在计算密集型的基础物理领域，AI可能无能为力——因为那需要太多的算力。
但Claude证明的是：不是算力不够，是人类没想过用AI来组织这些算力。同一个问题、同样的方法，AI用普通课题组买得起的电脑就解出来了。
第二，AI科研的"可靠性"超出了很多人的预期。
这种计算极其脆弱——就像叠纸牌屋，一个微小的错误就会全盘崩溃。人类做这种计算，几乎不可能一次成功，总要反复调试好几轮。而Claude在"几乎没有人盯着"的情况下，一次就做到了终点。
第三，“低垂的果实"可能比我们想象的更多。
希佩尔在文章最后的反思特别有意思。他原本希望通过这次挑战，看到AI发明出什么全新方法、做出什么让人意想不到的突破。结果，Claude用的恰恰是人类已有的方法，只是做得更好、更快、更可靠。
“我本来想看看AI能 pushed 到多远的计算极限，结果发现，我只是对自己领域里的极限在哪这件事上，太天真了。”
换句话说：不是AI强到了不可思议的地步，是人类一直在低估自己手边能做到的事。
AI还做了什么？几乎同时，中国团队也做到了
就在Anthropic宣布结果几天后，中国科学院的宋鹤团队也宣布他们独立完成了9圈振幅的大部分计算。他们使用了GPT-6作为辅助工具来帮助计算某些约束条件，但整体框架仍然是人类主导的。
两周内，一个9圈难题，被AI独立解了一次，又被"人+AI"组合解了一次。
这不是巧合，这是一个信号：这个领域的计算极限，确实在AI的射程之内。
尾声：AI是伙伴，但还不是提出新问题的人
科技日报在报道此事时写了一段精准的总结：
“AI没有发现新物理。它是在人类已经提出的物理框架下，独立完成了前沿解析理论计算。AI是强大的伙伴，但还不是新问题的提出者和新模型的创造者。”
狄克逊教授说得很坦诚：真正让他"灵魂震动"的时刻还没到来——那一天，是AI开始独立提出物理原理的时刻。
但这一天，也许比我们所有人想象的都要近。
2026年3月，AI还像一个需要手把手带的物理系学生，做小规模任务，经常犯错。到2026年9月，它已经能独立攻克前沿计算难题。仅仅半年。
希佩尔发起挑战时，他想知道AI能不能做到他当年做不到的事。现在他知道了——不是能不能的问题，是什么时候的问题。而答案可能比所有人预期的都要快。
参考来源：
- Matt von Hippel, “Yes, Claude can do Nine Loops”, Anthropic Research Blog, 2026年9月25日. https://www.anthropic.com/research/yes-claude-can-do-nine-loops
- 科技日报, “仅用数天时间 大模型Claude完成散射振幅九圈计算”, 2026年9月29日.
- Lance Dixon et al., “Eight-loop four-point amplitude in planar N=4 super-Yang-Mills”, arXiv:2308.08199, 2023.
- Matt von Hippel, “It Only Counts When AI Gets to My Field”, 4gravitons.com, 2026年8月7日.
- 量子位/36氪, “AI找出数学反例推翻论文，作者确认，453篇手稿”, 2026年9月29日.