炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

（来源：新智元）

新智元报道

编辑：KingHZ

【新智元导读】AI提供1%的灵感，人类提供99%汗水！密歇根州立大学物理学家许道辉，在AI启发下，重新思考量子力学本质，在顶刊《物理快报B》上发表了相关结论。

最近，密歇根州立大学物理学家许道辉（Stephen Hsu），经历了一件连他自己都感到震惊的事。

不是AI替他算积分、解方程，而是AI指出：你这项研究，应该换一整套数学框架来证明：

用Tomonaga–Schwinger形式的量子场论来做。

在著名物理学期刊《物理快报B》（Physics Letters B）上，许教授在线发表了一篇关于量子场论（QFT）和态依赖量子力学（State-Dependent Quantum Mechanics）的论文。

与此同时，他还发布了一份关于「AI方法论」的报告。

这两份文件加在一起，向科学界扔下了一枚重磅炸弹：

这可能是第一篇由AI提供核心理论突破思路的理论物理学论文。

诺奖得主理查德·费曼（左）和19岁的许道辉（右）

他公开承认：论文的核心想法来自 GPT-5。

对物理和AI圈来说，这都预示着转折点：AI不只帮忙润色论文，而是「AI给出主意，人类去把它做完」。

下面试着用不那么「物理学」的方式，讲清这件事到底发生了什么，以及它可能预示着一种新的科研工作流。

AI「神之一手」

重新审问量子力学

密歇根州立物理学家许道辉，11月把预印本挂在arXiv上，之后被Physics Letters B接收。

预印本链接：https://arxiv.org/pdf/2511.15935

标题：Relativistic Covariance and Nonlinear Quantum Mechanics: Tomonaga-Schwinger Analysis

研究的问题非常「根本」：量子力学的演化，究竟是不是严格线性的？

在标准量子力学里，系统的演化由线性的薛定谔方程控制；如果你把两个解加起来，和再演化的结果是一样的，这就是「线性」。

很多奇怪的量子现象，比如叠加、干涉、以及埃弗雷特多世界诠释即「平行宇宙」，都依赖这条看似抽象的数学性质。

几十年来，也有人试图在这条方程上「加点料」：

比如引入非线性或状态依赖的修正，希望解释测量问题、波函数塌缩、甚至宏观世界为什么「看起来是经典的」。

但一旦改动线性结构，就容易惹上大麻烦：超光速通信、与相对论不兼容，或者直接让量子计算能力暴走。例如，只要有很小的非线性，某些模型里量子计算机就能在多项式时间里解决NP完全问题。

许教授想重新从量子场论的角度，系统地审查这些修改。

他向GPT-5问了一个看似「咨询式」的问题：如果要检查非线性量子演化和相对论是否兼容，应该用什么框架？

而GPT-5并不是在已有草稿上「修修补补」，而是主动提出：用Tomonaga-Schwinger（TS）形式的量子场论来做这个分析。

TS形式是什么？

大致可以这么理解：

要保证物理是相对论协变的，就得满足一个条件：无论你用哪一种切片方式去推进波函数，最后得到的物理结果都一致。这叫做foliation independence（叶片无关性）。

新论文的主线，就是沿着GPT-5提出的这个TS思路，去推导： 在存在状态依赖的哈密顿量密度时，这个「叶片无关性」到底要求算符满足怎样的「可积性条件」，以及这些条件有多难满足。

论文到底讲了什么？

这篇5页的小文干了几件事：

这与上世纪80、90年代Weinberg、Gisin 等人研究的结论形成了某种呼应：他们也发现，广义的非线性量子动力学很容易导致超光速通信或者在纠缠态之间传递信息。

这次的贡献在于： 这些直觉被统一放进了TS的场论框架里，算出了明确的算符条件，包括状态依赖带来的高阶导数结构。

让「哪里出问题」变得可检验、可推广——而不仅仅是「有点可疑」的物理直观。

对普通读者来说，可以记住一个简单版结论：

想在量子力学里加一点点非线性补丁， 又不破坏相对论（信息不能超光速、不同参考系下结果一致），难度比想象中高得多。

这也是为什么很多理论物理学家宁愿相信：

量子演化极有可能就是「严格线性」的。

这不仅关乎量子计算的极限能力，也关系到像「多世界诠释」这类关于现实本质的讨论有没有空间。

GPT-5生成了「1%的灵感」？

这项工作揭示了一种理论物理学新方法论范式的出现：

在这种范式中，大语言模型（LLM）不再是被动的助手，而是研究过程中的积极参与者。如果使用得当，它们能够提出新想法、推导方程，并发现不一致之处，而人类合作者无法比拟其速度和持久力。

作者本人的说法，大致过程是这样：

他把这种工作流总结为「Generate-Verify」（生成-验证）协议：

一个模型实例负责「往前进」（生成推导、给新思路），

另一个独立实例负责「回头看」（检查每一步是否自洽、有没有偷换概念），

最后人类再做一次审查。

在许教授看来，大模型更像是「一位才华横溢但不可靠的天才」：既能给出深刻的洞见，也会犯极其低级和极其微妙的错误。

他就遇到了一个很典型的坑。

GPT-5曾经信誓旦旦地建议：通过公理化场论里的Reeh-Schlieder定理或「分离特性」，可以证明「非线性项必然破坏可积性条件」。

这听起来非常像「我刚读完四篇老论文得出的妙计」，甚至足以说服一位并不专攻公理化场论的专家。

结果，他花了大量时间核对后发现：这是一个很优雅但错误的离谱幻觉。

在物理等高度形式化学科里，这种「高水平胡扯」尤为危险：

模型的知识面足够广，完全有能力拼出一段貌似合理的叙事，但哪怕逻辑里只埋进一个小雷，人类要拆解出来也非常费劲。

这也正是为什么许教授会不厌其烦地强调：结构化、多模型协作的工作流，并不是锦上添花，而是安全阀。

但他畅想了AI生产知识的美好未来。

在不久的将来，人机混合协作很可能成为数学、物理及其他高度形式化科学中的常态。

随着模型在精度、上下文记忆和符号控制方面的不断改进，它们将越来越像自主的研究智能体（AI Agent）：能够提出猜想、验证推导，甚至撰写经得起同行评审的稿件。

只要协调得当，这种协同效应有望开启一个加速发现的时代，人类的洞察力与机器的推理能力将共同推进我们对自然界基本规律的理解。

参考资料：

https://x.com/gdb/status/1996502704110407802

https://stevehsu.substack.com/p/theoretical-physics-with-generative

https://the-decoder.com/physicist-steve-hsu-publishes-research-built-around-a-core-idea-generated-by-gpt-5

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！