AI会做计算，但能真正完成一项物理研究吗？

2026年10月19日阅读约 2 分钟

导语

让AI写出一段看似合理的物理推导，已经不再是最难的问题。更具挑战的是：它能否围绕一个明确的科学目标组织调查，找到必要证据，验证结果的适用条件，并最终给出足以支撑结论的答案？上海人工智能实验室等机构提出的PhysClosureBench，正是针对这一问题设计的评测基准。

PhysClosureBench包含50项经专家验证的研究任务，覆盖强场物理、阿秒物理及相邻领域。任务会给出研究目标和关键科学约束，但不会规定完整的解决路径。智能体需要自行安排调查过程，决定采用何种计算或分析，并判断哪些证据足以支持最终结论。

评测采用两层指标：

这种设计区分了“完成若干正确步骤”和“证明研究目标已经成立”。后者要求智能体把目标、证据、限制和结论连接起来，而不是只提交一组看起来专业的结果。

研究评估了七个前沿大语言模型。Claude-Opus-5的平均Atomic Score最高，为6.29/10，但达到RC4的尝试仅占32.7%。更值得注意的是，在Atomic Score至少达到8分的尝试中，仍有36.2%未能达到RC4。这说明局部表现优秀，并不能直接推导出完整、可靠的科学结论。

三轮测试还显示，七个模型在所有任务上达到RC4的数量，都明显少于它们至少一轮测试中的最高表现。模型的结果因此存在稳定性问题：一次成功闭合研究，不代表它能在重复尝试中持续完成同样的证据链。

案例分析指出，两个问题尤其容易阻断研究闭合：一是误读模型自己生成的结果，二是没有解决物理结论的适用边界。对科学智能体而言，真正的能力不只是生成公式、代码或解释，而是知道哪些证据仍然缺失、哪些条件尚未满足，以及何时应该谨慎收缩结论。

PhysClosureBench的价值在于，它把科学智能体评估从“答案像不像对的”推进到“研究是否有足够证据结束”。未来，面向科研的AI系统需要同时提升推理质量、证据规划、结果审查和不确定性表达能力，才能从高效助手进一步走向可信的研究协作者。