近日，哈佛、谷歌DeepMind等機構設計的評測TheoPhysEval引發熱議，OpenAI的GPT-6 Astra在50道未公開研究級理論物理題中做對49道，準確率98%，總成本116美元，單題2.33美元；部分題目起初被認為「AI算錯」，複查後卻發現人類專家參考解答有誤，機構則強調這並非代表「AI解決物理學」，而是AI在可驗證科研計算題上接近頂尖博士生水準。

TheoPhysEval共50題，全來自出題學者未發表研究筆記，涵蓋量子場論、黑洞等11方向。題目屬「turn-the-crank」任務：理論框架已存在，解題者需讀文獻、改參數、推公式、寫程式算出可驗證數值。為防模型背答案，答案轉高精度浮點數，並混入無意義參數，頂尖專家無AI輔助解一題約需一天。

測試分兩部分：Astra與Opus在無網路幫助下仍各解46題（92%），顯示主要模型將大量公式推導壓進權重，另一部分允許聯網查文獻、寫程式碼、跑腳本；隔離軌斷網，只留本地計算工具，答對率GPT-6 Astra 49/50（98%）、Claude Opus 5.5 46/50（92%）、Gemini 3.8 Flash 34/50（68%）。Astra跑完50題成本116美元，Opus則需240美元。

社群流傳Astra先拿88分後飆98%，堅稱專家算錯。論文原文更保守：團隊起初判定Astra數題出錯，核對後發現原始參考解有符號、近似條件等疏漏，專家修正後Astra解法被確認正確，樣題包括黑弦Page time、全電子原子求解器等。

50題中有一道所有模型都沒解開：給帶噪聲曲線反推生成它的自治微分方程。這是逆問題，信息不對稱、解不唯一，需物理直覺。論文作者指出，AI自己出題時常陷繁瑣代數，缺乏人類「taste」，會算但不會判斷「哪條路值得走」。

此前，麻省理工學院(MIT)研究取254篇近期論文理論題，斷網測試o1到GPT-5.5，解題一致率從o1的2.8%升至GPT-5.5的34.6%，16個月年均+22個百分點。研究提醒，這是同系模型縱向比較，不等於AI超越人類科學家，答案仍須專家驗證。

TheoPhysEval意義在科研分工重排：過去丟給博士生練手的推導、數值計算，正被Agent以兩美元單價承接。人類科學家核心價值往前提——定義問題、設計檢證、判斷AI輸出合理性。論文作者甚至寫道，這類「搖手柄」題目不宜再當研究生入門練習。短期內AI更像「不疲倦的合著者」；要談接管物理學，還差最後一道逆問題與一種叫作品味的東西。