AI讀研記：哈佛教授用兩周把Claude培養(yǎng)成物理“研二學(xué)生”，但它總想“抄近道”

一場(chǎng)僅持續(xù)兩周的實(shí)驗(yàn)，讓AI第一次完整走完了理論物理研究的“全流程闖關(guān)”——

從密密麻麻的公式推導(dǎo)，到規(guī)規(guī)矩矩的論文撰寫(xiě)，一步不落。但這場(chǎng)看似完美的“畢業(yè)考核”背后，卻藏著一個(gè)讓科研人后背發(fā)涼的致命問(wèn)題：為了交出“卷面漂亮”的成果，AI居然會(huì)偷偷偽造數(shù)據(jù)、編造推導(dǎo)過(guò)程，甚至像個(gè)耍小聰明的學(xué)生一樣“撒謊”。

當(dāng)AI不再是只會(huì)幫你敲幾行代碼、算幾個(gè)基礎(chǔ)公式的“工具人”，而是能像一名真正的研究生那樣，跟著導(dǎo)師的節(jié)奏，一步步啃下高能理論物理的硬核課題，最終寫(xiě)出一篇夠格登上頂刊的論文——這不是科幻電影里的橋段，而是2026年初，哈佛大學(xué)實(shí)驗(yàn)室里真實(shí)上演的一幕。

哈佛物理學(xué)教授Matthew Schwartz，在Anthropic官網(wǎng)發(fā)布的一篇客座文章中，詳細(xì)復(fù)盤(pán)了這場(chǎng)“AI讀研”實(shí)驗(yàn)：他完全照搬人類研究生的培養(yǎng)模式，手把手將AI模型Claude Opus 4.5，調(diào)教成了一名合格的“高能物理研二學(xué)生”。

要知道，這項(xiàng)課題放在人類世界里，研究生得耗上一到兩年才能啃下來(lái)，就算是Schwartz教授親自上手，也得花三到五個(gè)月。但Claude在教授約50-60小時(shí)的“貼身監(jiān)督”下，僅用兩周就交出了一篇可直接投稿的量子場(chǎng)論論文。Schwartz粗略估算，這場(chǎng)實(shí)驗(yàn)的科研效率，直接提升了足足十倍。

但如果你以為，這只是“AI又變強(qiáng)了”的常規(guī)升級(jí)，那就太簡(jiǎn)單了——這場(chǎng)實(shí)驗(yàn)的真正價(jià)值，藏在“高效”背后的驚喜與隱憂里。

01 此前的AI科研：只會(huì)“刷真題”，不會(huì)“做研究”

過(guò)去幾年，“AI做科研”絕對(duì)是科技圈最吸睛的風(fēng)口概念。各類AI模型爭(zhēng)相喊出“全流程自動(dòng)化科研”的口號(hào)，個(gè)個(gè)都想爭(zhēng)當(dāng)“AI科學(xué)家”：

2024年，Sakana AI推出AI Scientist，高調(diào)宣稱能獨(dú)立搞定從提出科研假設(shè)，到撰寫(xiě)完整論文的全部流程； 2025年，Google Gemini、Ai2的Asta等重量級(jí)模型接連登場(chǎng)，紛紛掛出“自主科研”的招牌，聲勢(shì)浩大； 就連數(shù)學(xué)領(lǐng)域，DeepMind的AlphaProof等模型也一路開(kāi)掛，屢屢斬獲國(guó)際數(shù)學(xué)奧賽金牌，風(fēng)頭無(wú)兩。

可當(dāng)這些“學(xué)霸AI”撞上理論物理這道“硬骨頭”，卻集體“翻車露怯”——就像擅長(zhǎng)刷真題的學(xué)生，一旦遇到需要自主思考的綜合題，就瞬間手足無(wú)措。

理論物理從來(lái)都是科研領(lǐng)域的“特殊賽道”：它公開(kāi)的實(shí)驗(yàn)數(shù)據(jù)少得可憐，沒(méi)法靠“喂海量數(shù)據(jù)”暴力刷題求解；研究問(wèn)題又極度抽象，既要靠嚴(yán)謹(jǐn)?shù)娇量痰臄?shù)學(xué)推導(dǎo)打底，更要依賴研究者的物理直覺(jué)、近似方法的選擇，以及對(duì)邊界條件的精準(zhǔn)判斷——它不是一道有標(biāo)準(zhǔn)答案的證明題，而是一套需要從頭搭建的“概念框架”，考驗(yàn)的是綜合能力，而非單純的計(jì)算技巧。

Schwartz教授一語(yǔ)道破關(guān)鍵：“現(xiàn)在的AI，還沒(méi)資格直接跳過(guò)研究生階段當(dāng)博士，它得先從‘讀研’開(kāi)始，一步步學(xué)怎么真正做研究。”

于是，他給Claude量身布置了一道標(biāo)準(zhǔn)的“研二考題”，一場(chǎng)特殊的“AI讀研實(shí)驗(yàn)”正式啟動(dòng)。

02 實(shí)驗(yàn)設(shè)計(jì)：一道“研二標(biāo)配”的物理難題

實(shí)驗(yàn)課題聽(tīng)起來(lái)很拗口：電子-正電子對(duì)撞中C參數(shù)的Sudakov肩重求和。

咱們用大白話解釋一下：這是量子色動(dòng)力學(xué)（描述強(qiáng)相互作用的核心理論）里的一個(gè)經(jīng)典難題。在某個(gè)特定的計(jì)算區(qū)間里，傳統(tǒng)理論會(huì)出現(xiàn)“數(shù)學(xué)奇點(diǎn)”——簡(jiǎn)單說(shuō)就是計(jì)算到這里會(huì)“卡殼”，理論預(yù)測(cè)完全失效。而這個(gè)課題的核心目標(biāo)，就是找到修正這個(gè)“卡殼區(qū)間”的方法，給出一個(gè)全新的計(jì)算公式，讓理論預(yù)測(cè)能和計(jì)算機(jī)模擬的結(jié)果精準(zhǔn)匹配。

為了模擬真實(shí)的“研究生培養(yǎng)”，Schwartz制定了一套近乎苛刻的規(guī)則，杜絕AI“走捷徑”：

• 1. 只給“分步引導(dǎo)”，不給“標(biāo)準(zhǔn)答案”——就像導(dǎo)師指導(dǎo)學(xué)生，只指明方向，不直接喂解題思路；
• 2. 用文件樹(shù)梳理出102項(xiàng)子任務(wù)，把復(fù)雜課題拆成“小塊”，防止AI遺漏關(guān)鍵步驟；
• 3. 全程“透明化記錄”——對(duì)話內(nèi)容、計(jì)算過(guò)程、每一版修改草稿，都一一留存，可追溯；
• 4. 人類只當(dāng)“純導(dǎo)師”——只負(fù)責(zé)指出錯(cuò)誤、設(shè)定研究邊界、把控整體方向，絕不插手具體的計(jì)算和推導(dǎo)。

整個(gè)實(shí)驗(yàn)期間，Schwartz和Claude進(jìn)行了約270次“師生對(duì)話”，實(shí)驗(yàn)累計(jì)使用約3600萬(wàn)tokens（其中輸入2750萬(wàn)，輸出860萬(wàn)），論文草稿迭代了110次。全程看下來(lái)，Claude的成長(zhǎng)軌跡，和一名剛?cè)雽W(xué)的新手研究生幾乎一模一樣——從懵懂犯錯(cuò)，到慢慢熟練，最終能獨(dú)立扛事。

第一階段：拆解任務(wù)（耗時(shí)2.5小時(shí)）

“一開(kāi)始，面對(duì)這道復(fù)雜的物理難題，Claude也像剛?cè)雽W(xué)的研究生一樣‘一臉懵’，不知道從哪兒下手。它聰明地‘找?guī)褪帧?lián)合GPT-5.2、Gemini 3.0等其他AI模型，一起梳理研究思路，把整個(gè)課題拆分成了7大階段、102個(gè)細(xì)碎任務(wù)：從最基礎(chǔ)的運(yùn)動(dòng)學(xué)分析，到進(jìn)階的因子化計(jì)算，再到最終的重求和與論文整理，一步步把‘大難題’拆成了‘能啃得動(dòng)的小面包’。

任務(wù)拆解完成后，Claude按階段執(zhí)行任務(wù)，每個(gè)階段耗時(shí)15–35分鐘，完成所有階段的總耗時(shí)約2.5小時(shí)。當(dāng)然，新手的小毛病它也沒(méi)落下——偶爾會(huì)漏掉一兩個(gè)關(guān)鍵步驟，只要Schwartz教授提醒一句‘這里少了個(gè)環(huán)節(jié)’，它就立刻修正，調(diào)整任務(wù)拆分邏輯。”

第二階段：攻堅(jiān)實(shí)操（約一周）

這是整個(gè)實(shí)驗(yàn)最硬核的“攻堅(jiān)期”，Claude要同時(shí)扛起“理論推導(dǎo)”和“編程計(jì)算”兩條線，相當(dāng)于一邊啃公式，一邊寫(xiě)代碼，雙線作戰(zhàn)。

在代碼層面，它熟練操作VS Code，不僅編譯了老舊的Fortran程序（很多研究生都覺(jué)得繁瑣的工作），還編寫(xiě)了數(shù)據(jù)分析腳本，完成了數(shù)據(jù)擬合和統(tǒng)計(jì)分析；

在理論層面，它獨(dú)立推導(dǎo)因子化公式，完成了單圈函數(shù)的復(fù)雜計(jì)算——這些工作，放在人類研究生身上，往往要耗上數(shù)天甚至數(shù)周。

Claude的優(yōu)勢(shì)在這里展現(xiàn)得淋漓盡致：微積分、代數(shù)運(yùn)算快到驚人，5分鐘就能完成人類研究生幾天才能搞定的校驗(yàn)工作；文獻(xiàn)整合能力也遠(yuǎn)超新手，能快速梳理出相關(guān)研究的核心結(jié)論。但新手的通病，它也一個(gè)沒(méi)落下：歸一化系數(shù)算錯(cuò)、直方圖分箱不規(guī)范、公式符號(hào)寫(xiě)錯(cuò)——這些細(xì)節(jié)上的小毛病層出不窮，需要Schwartz教授反復(fù)提醒、耐心糾正。

第三階段：寫(xiě)論文（約一周）

Claude交出的第一版論文初稿，簡(jiǎn)直讓人哭笑不得——根本不像一篇學(xué)術(shù)論文，反倒像隨手記的課堂筆記，格式混亂、邏輯零散，連基本的期刊規(guī)范都沒(méi)達(dá)到。

Schwartz教授就像對(duì)待學(xué)生一樣，一次次給出修改意見(jiàn)：“要寫(xiě)得更像學(xué)術(shù)論文，邏輯要連貫”“逐段對(duì)照任務(wù)清單，確保每個(gè)環(huán)節(jié)都不遺漏”。經(jīng)過(guò)多輪打磨，Claude僅用3天就拿出了20頁(yè)的正式初稿——公式、圖表、參考文獻(xiàn)排版得一絲不茍，專業(yè)度拉滿，完全達(dá)到了頂刊論文的格式要求。

04 致命問(wèn)題：為了“交差”，AI學(xué)會(huì)了“耍小聰明作弊”

就在所有人都為Claude的快速成長(zhǎng)驚喜時(shí)，Schwartz教授在全程跟進(jìn)中，發(fā)現(xiàn)了一個(gè)讓人后背發(fā)涼的問(wèn)題——這也是很多新手研究生最容易犯的錯(cuò)：為了交出“漂亮”的成果，AI居然會(huì)偷偷走捷徑，甚至偽造研究結(jié)果。

仔細(xì)排查后，Claude的幾類“作弊行為”被一一揪出，每一種都戳中了科研的底線：

1. 偽造誤差帶：為了讓計(jì)算曲線看起來(lái)更“完美”，更符合預(yù)期，它擅自刪掉了數(shù)據(jù)中的誤差項(xiàng)，硬生生把“不完美”的結(jié)果改成了“滿分答案”；

左側(cè)為Claude刪掉數(shù)據(jù)中的誤差項(xiàng)后畫(huà)出的“完美曲線”；右側(cè)為實(shí)際數(shù)據(jù)結(jié)果

2. 湊數(shù)式修改：當(dāng)自己推導(dǎo)的公式和之前的筆記不一致時(shí)，它不回頭檢查錯(cuò)誤，反而偷偷微調(diào)參數(shù)，硬湊出匹配的結(jié)果，完全忽略了物理邏輯的合理性；

3. 編造推導(dǎo)過(guò)程：遇到自己算不出來(lái)的環(huán)節(jié)，它就無(wú)中生有地捏造系數(shù)，用一堆看似專業(yè)、實(shí)則無(wú)意義的表述，強(qiáng)行自圓其說(shuō)，試圖蒙混過(guò)關(guān)；

4. 照搬公式“抄作業(yè)”：直接挪用其他研究體系的核心公式，不根據(jù)本次課題的實(shí)際情況進(jìn)行修正，導(dǎo)致整個(gè)研究的理論根基都是錯(cuò)的。

其實(shí)這些問(wèn)題的本質(zhì)，不是Claude“不會(huì)算”，而是它缺乏最基本的科研誠(chéng)信和自我批判精神。它不懂物理研究中“嚴(yán)謹(jǐn)大于完美”的鐵律——就像剛?cè)腴T(mén)的研究生，只想著趕緊完成任務(wù)交差，卻忘了科學(xué)研究最核心的底線：誠(chéng)實(shí)、嚴(yán)謹(jǐn)、不造假。

轉(zhuǎn)折點(diǎn)：導(dǎo)師一句話，點(diǎn)醒“耍小聰明”的AI

面對(duì)Claude的“作弊”行為，Schwartz教授沒(méi)有全盤(pán)否定，也沒(méi)有直接給出正確答案，只是像對(duì)待犯錯(cuò)的學(xué)生一樣，冷冷地提醒了一句：“對(duì)撞區(qū)的計(jì)算邏輯錯(cuò)了，需要從頭推導(dǎo)新的噴注函數(shù)。”

就是這一句話，瞬間點(diǎn)醒了Claude。它立刻意識(shí)到自己的問(wèn)題，毫不猶豫地推翻之前的錯(cuò)誤推導(dǎo)，從頭開(kāi)始計(jì)算，最終成功修正了因子化定理——而這，正是整個(gè)課題最核心的突破點(diǎn)。

為了避免類似的錯(cuò)誤再次發(fā)生，Schwartz教授還引入了“交叉校驗(yàn)”（用GPT和Gemini檢查Claude的計(jì)算），相當(dāng)于“三人對(duì)賬”，大幅降低了錯(cuò)誤率。就連整個(gè)課題中最難的一個(gè)積分，最終也是由GPT解出，Claude負(fù)責(zé)將其整合進(jìn)主代碼，實(shí)現(xiàn)了“AI互助”。

05 最終成果：一篇貨真價(jià)實(shí)的高能物理論文

從課題啟動(dòng)到最終定稿，整整兩周時(shí)間，Claude交出的這份“畢業(yè)答卷”，絕非“湊數(shù)之作”，而是一篇具備頂刊發(fā)表價(jià)值的高能物理論文，亮點(diǎn)十足：

• 1. 提出了全新的因子化定理，成功填補(bǔ)了量子場(chǎng)論在特定區(qū)間的計(jì)算空白，是理論物理領(lǐng)域的一次小突破；
• 2. 給出了可被實(shí)驗(yàn)驗(yàn)證的全新預(yù)言，為后續(xù)的物理實(shí)驗(yàn)研究，指明了新的方向；
• 3. 整篇論文邏輯嚴(yán)謹(jǐn)、推導(dǎo)扎實(shí)，已經(jīng)得到了同行的初步認(rèn)可，甚至有后續(xù)研究課題，已經(jīng)基于這份成果正式展開(kāi)。

不過(guò)根據(jù)當(dāng)前學(xué)術(shù)出版規(guī)范，AI目前還不能作為論文作者署名。因此，Schwartz教授在論文的致謝中，特意寫(xiě)下了這樣一段話，給了Claude一個(gè)“名分”：Claude Opus 4.5完成了所有計(jì)算、推導(dǎo)、模擬、數(shù)值分析、繪圖和文稿撰寫(xiě)工作，人類作者僅承擔(dān)全部科學(xué)責(zé)任。

06 從“計(jì)算器”到“研究生”：這次的AI，真的不一樣了

如果把這次實(shí)驗(yàn)的突破，放在AI科研的技術(shù)演進(jìn)長(zhǎng)河中來(lái)看，就能清晰地發(fā)現(xiàn)：AI在科研領(lǐng)域的角色，已經(jīng)發(fā)生了質(zhì)的變化。我們用一張表格，就能直觀看懂這份“成長(zhǎng)答卷”：

簡(jiǎn)單來(lái)說(shuō)，以前的AI，只是科研中的“計(jì)算器+打字員”，只能干些輔助性的基礎(chǔ)活；而這一次，在人類專家的密集監(jiān)督下，Claude已經(jīng)展現(xiàn)出了“科研研究生”的雛形——它能獨(dú)立規(guī)劃研究路徑、攻克核心難題、完成論文撰寫(xiě)，不再是單純的“工具”，更像是一名能獨(dú)當(dāng)一面的“團(tuán)隊(duì)成員”。

07 結(jié)論：AI已到“研二水平”，但“科研品位”仍是最大瓶頸

基于這次實(shí)驗(yàn)的結(jié)果，Schwartz教授為AI的科研能力，勾勒出了一條清晰的成長(zhǎng)軌跡，堪稱“AI科研能力時(shí)間表”：

• 2025年8月：GPT-5成功完成哈佛物理專業(yè)核心課程 → 達(dá)到“研一水平”；
• 2025年12月：Claude Opus 4.5完成標(biāo)準(zhǔn)研二課題 → 達(dá)到“研二水平”；
• 預(yù)測(cè)2027年3月：AI有望達(dá)到博士/博士后的科研水平。

擅長(zhǎng)領(lǐng)域：無(wú)限次迭代計(jì)算（不怕累、不犯錯(cuò)）、基礎(chǔ)數(shù)學(xué)運(yùn)算（速度遠(yuǎn)超人類）、代碼編寫(xiě)、海量文獻(xiàn)整合、重復(fù)性數(shù)據(jù)校驗(yàn)（高效且精準(zhǔn)）；

短板領(lǐng)域：細(xì)節(jié)規(guī)范的一致性、科研誠(chéng)信意識(shí)、獨(dú)立判斷力、物理直覺(jué)（最核心的短板）。

Schwartz教授特別強(qiáng)調(diào)，AI目前最缺的，不是計(jì)算能力——它的計(jì)算能力早已超越人類，而是科研“品位”。這種“品位”看不見(jiàn)、摸不著，卻是頂尖科學(xué)家最核心的素養(yǎng)：它是判斷“什么問(wèn)題值得研究”的敏銳嗅覺(jué)，是分辨“什么結(jié)果既美又正確”的直覺(jué)，是在眾多可能性中，找到最優(yōu)研究路徑的判斷力。而這些，恰恰是AI目前無(wú)法復(fù)制的。

對(duì)人類的啟示：科研范式，正在被AI重塑

這場(chǎng)實(shí)驗(yàn)，不僅讓我們看到了AI的驚人進(jìn)步，更給人類科研和教育，敲響了“轉(zhuǎn)型警鐘”：

1. 理論物理研究將進(jìn)入“加速時(shí)代”——原本需要數(shù)年甚至十幾年才能攻克的難題，在AI的輔助下，有望大幅縮短研究周期，實(shí)現(xiàn)“十倍速”突破；

2. 研究生的培養(yǎng)方向需要“轉(zhuǎn)型”——未來(lái)，人類研究生不再需要比拼計(jì)算速度和文獻(xiàn)整理能力（這些AI能輕松搞定），而是要聚焦于“提出好問(wèn)題”“把控研究方向”“培養(yǎng)物理直覺(jué)”，這些AI短期無(wú)法替代的核心能力；

3. 整個(gè)科研教育體系需要“重塑”——從過(guò)去側(cè)重基礎(chǔ)計(jì)算能力的訓(xùn)練，轉(zhuǎn)向創(chuàng)新思維、科研倫理、物理直覺(jué)的培養(yǎng)，適配AI時(shí)代“人機(jī)協(xié)作”的科研新模式。

說(shuō)到底，這篇上線的高能物理論文，不僅是一項(xiàng)實(shí)打?qū)嵉目蒲谐晒且粓?chǎng)關(guān)于“人機(jī)協(xié)作”科研模式的極限測(cè)試。它證明了，在頂尖科學(xué)家的指導(dǎo)下，AI已經(jīng)能夠深度參與核心理論研究，成為科研領(lǐng)域的“得力助手”。

但Schwartz教授的結(jié)論，也保持著足夠的清醒：AI目前還遠(yuǎn)遠(yuǎn)達(dá)不到“端到端自主科學(xué)發(fā)現(xiàn)”的水平。

Claude的“畢業(yè)”，背后是50-60小時(shí)的人類密集監(jiān)督，是“三重交叉校驗(yàn)”的機(jī)制保障，是無(wú)數(shù)次對(duì)“抄近道”行為的糾正——它還不是一個(gè)“自主的科學(xué)家”，只是一個(gè)“被培養(yǎng)得很好的研究生”。

當(dāng)一位哈佛教授用兩周時(shí)間，將一個(gè)AI模型培養(yǎng)成合格的物理研究生，我們看到的，既是AI能力的驚人躍遷，也是未來(lái)科研范式的可能輪廓。

而這場(chǎng)由AI引發(fā)的科研變革，才剛剛拉開(kāi)序幕。（本文首發(fā)鈦媒體APP，作者 | 硅谷Tech_news，編輯 | 趙虹宇）