GPT-6 Astra与物理学家合作提出标准模型候选格点定义
OpenAI科学博客的首篇客座文章,把一项颇为硬核的粒子物理进展推到了台前。加州大学圣塔芭芭拉分校物理学家、OpenAI访问科学家Nathaniel Craig在文中披露,他与GPT-6 Astra合作,为粒子物理标准模型提出了一种候选的格点定义,并由Astra主导完成了其中最关键的详细证明。相关预印本已于10月完成并发布。
需要先加一个限定:所谓“OpenAI证明了标准模型”的说法并不等于标准模型已经被彻底“证明完”。更准确地说,这次完成的是一个候选的非微扰格点定义,以及支撑该定义的核心数学证明。Craig也强调,这只是开始,仍需专家审看,还不能直接用于实际模拟。
五十年悬案卡在“格点相位”
标准模型是物理学界最成功的理论之一。它描述了已知基本粒子,以及自然界四种基本力中的强力、弱力和电磁力。从氢原子21厘米波段的低能射电辐射,到大型强子对撞机里的高能粒子碰撞,标准模型的理论计算与实验结果跨越整整18个数量级仍高度吻合。
但这样一个存在了50多年的理论,一直缺一块“数学地基”:物理学界至今没有给出它的“非微扰定义”。
过去,物理学家常用微扰论处理复杂问题:先简化,再一点点加修正。比如计算多电子原子,可以先忽略电子间排斥,只考虑原子核吸引,再把电子排斥作为小修正加进去。问题在于,标准模型不能只靠这种“小修正”覆盖全部情况,像质子质量这类由强相互作用主导的现象,就需要更严格的非微扰定义。
格点方法因此成为重要路径:把连续时空切分成微小网格,再通过计算机模拟粒子和基本力的相互作用。但标准模型是手征理论,弱力对左右旋费米子的处理不同,直接放到格点上会引入多余粒子。如何把相位对齐,成了悬置超过25年的难题。
手性镜子与“步调一致”的相位难题
Craig在文章中用一个“装满左旋光的盒子”作比喻:光在两面手性镜子之间来回跑,跑完一圈回来的光,必须和激光器刚发出的新光“步调一致”,相位对齐,光束才能叠加变强。只要稍微转动其中一面手性镜子的角度,就能把多出来的相位差补齐。

但在标准模型的时空网格上,事情麻烦得多。这里的相位取决于标准模型各种力在每一个网格点上的具体状态。
25年前,Lüscher成功算出了“手性电磁力”这种简化版理论的相位对齐规则。可对于包含强力、弱力和电磁力的完整标准模型,怎么在网格上把相位对齐,整整悬置了超过25年。
Craig抛出“网格细化”,Astra补上收敛性证明
为了啃下这块硬骨头,Craig提出了“网格细化”的思路:既然在原来的粗网格上直接算清楚所有力场变化带来的相位偏移太难,那就把同样的力场连续映射到一系列越来越细的网格上。
具体做法是,逐层对比相邻两层网格上允许存在的左手性粒子状态。每对比一层,就能算出相位修正的一小部分;把这些细微差值全部加起来,就能反推出原始网格上精确的相位补偿规则。
思路很清晰,但Craig自己也卡住了——他一直没能严格证明,这套方法在所有需要覆盖的情况下都一定有效。
这时候,GPT-6 Astra上场了。经过几轮协作,Astra不仅建议了如何将力场正确映射到更细网格上的具体方法,证明了在更细网格上的对比结果一定会收敛到一个确定的答案,甚至直接主导完成了整个详细证明的推导。这也让外界将这次合作概括为“人类出思路,Astra主导证明”。

三位格点场论专家轮番“拷问”Astra证明
AI算完不算数,还得过人类顶尖专家这一关。
著名的格点场论专家Maarten Golterman、Andreas Kronfeld和Yigal Shamir专门花时间审阅了Astra给出的证明,并提出了各种尖锐问题,最终帮助Craig建立了对这个结果的信心。
这份由Craig与GPT-6 Astra共同准备的预印本论文已经正式发布。在社交平台上,有开发者称“我们又见证了OpenAI的科学突破”,也有人认为这项研究体现了人机协作的新分工:人类物理学家负责确定研究方向,GPT-6 Astra则通过比较不同精细程度的格点,推进拓扑修正和数学证明。还有研究人员直言,这是AI开始改变科研方式的显著例证。
结合OpenAI此前完成的Yang-Mills理论存在性证明,这次工作被视为探索标准模型连续时空定义的新方向。AI在科研中的角色,也正从“解释科学知识”进一步走向“参与理论构造”。
候选方案刚起步,连续时空仍是下一关
这项工作提出了标准模型的一种候选非微扰格点定义,可能回答一个已经开放50多年的问题。但与所有科学进展一样,这个构造更像是一个开始,而不是终点。
目前,Craig正在重点研究这一构造在有限格点间距下是否满足反射正性。反射正性有助于把格点模型的计算结果,与概率守恒的量子理论联系起来。此外,如何在连续时空中定义完整的相互作用理论,仍然是一个开放问题。
换言之,GPT-6 Astra此次主导完成的是关键证明和候选构造,而不是标准模型的最终“通关”。但这次合作已经展示出一种新的科研图景:科学家负责提出问题、判断方向和检验结果,AI则帮助推进繁重的推导、构造和证明工作。