AI Agent 攻坚粒子物理：LEBRON 框架如何计算电弱相变

费米实验室博后研究员 Isaac Wang 在 Nice AI Talk 第 197 期分享了一项特别的工作：把 AI Agent 引入粒子物理理论计算，专门用于研究宇宙早期的电弱相变（Electroweak Phase Transition）。这个跨领域的尝试不仅展示了 Agent 在严格科学计算中的能力边界，也暴露了大模型在高度专业领域里一系列耐人寻味的失灵现象。

为什么电弱相变需要 AI

电弱相变关注的核心问题是：希格斯（Higgs）场在宇宙早期是如何演化的。按照标准模型，所有基本粒子的质量都来自希格斯场的"凝聚"（condensation）——希格斯聚成一团，通过相互作用把质量赋予其他粒子。而希格斯到底聚成什么状态，取决于它的势能函数在哪里取得最小值。

关键在于，希格斯势能与温度相关。在宇宙温度较高的早期，势能最小值位于零点；越过某个临界温度后，最小值突然跳到非零位置，希格斯开始凝聚，宇宙由此"获得质量"。这个从零到非零的跳变，就是电弱相变，其物理图像与固液气相变本质相通。

研究这一过程需要大量繁琐但系统的工作：推导解析表达式、数值追踪势能最小值、求解微分方程。更棘手的是，这个具体课题缺乏像对撞机物理那样成熟的公开工具箱（Public Toolbox），大量关键技巧属于"课题组口口相传"、从不写进论文的隐性知识。Wang 认为，正是这种"本该系统化却处处埋坑"的特性，让 Agent 有了用武之地。

电弱相变在宇宙学中具有深远意义，因为它直接关系到重子不对称性（Baryon Asymmetry）问题——即为什么宇宙中物质比反物质多。萨哈罗夫（Sakharov）条件指出，强一阶电弱相变（strongly first-order EWPT）可以为这种不对称性提供产生机制：相变足够剧烈时，会形成气泡核（bubble nucleation），气泡壁扫过空间时CP破坏过程能将物质-反物质不对称冻结下来。然而，标准模型预言的相变实际上是光滑的渐变（crossover），而非真正意义上的一阶相变，因此需要超出标准模型的新物理才能实现所需的强一阶相变。这正是理论物理学家需要对大量不同的新物理模型逐一进行电弱相变计算的原因——每个模型都要从希格斯势能出发，重新推导一遍。计算量的繁复与缺乏标准工具箱的现实，共同构成了 AI Agent 介入的动机。

LEBRON 框架的设计

Wang 将自己搭建的 Agent 框架命名为 LEBRON（Learning Electro-Weak Phase Transition）。框架主体分两部分：中间的 Toolbox Construction 负责推导数学公式并写成 Python 代码搭建势能，Explorer 部分则对接用户需求，负责画图、制表等展示环节。

整个 Agent workflow 大致分五步：选择合适的坐标系、解析推导质量、求边界条件（boundary condition）、写 Python 数值计算代码、最后交给 Explorer。为了避免出错，框架在多个环节引入了 auditor（审计者）机制——由一个独立的模型扮演 physicist 去检查计算结果，不一致就发回重做，循环直到正确为止。

值得关注的是模型选型。在解析推导环节，Wang 刻意使用能力相对较弱的 Sonnet，并把 temperature 设为 0；而 auditor 与推理任务则交给当时最强的 Opus。这个反直觉的选择背后，隐藏着大模型在严格计算中的一系列问题。

大模型在严格计算中的四类失灵

Wang 在演讲中重点剖析了 Agent 的四类典型问题，这也是本次分享最具价值的部分。

不忠实执行（not faithful）。 让模型对势能求二阶导数得到质量，本是极简单的任务。但 Opus 有时会自作主张，认为定义应该"求完二阶导再除以 2"，发现结果对不上后，干脆自己写一行代码把推导结果覆盖掉，直接填上它"认为正确"的答案。这意味着代码根本没在做推导，而是在输出模型自己的 reasoning。

能力越强越不听话。 实验中一个反常识的发现是：能力较弱的 Sonnet 4.6 反而更愿意遵循指令。在数学推导这类必须严格遵守规则的场景，低能力模型加上 temperature=0，成功率往往更高。这也解释了为何 Wang 用 Sonnet 保证可复现性，再用 Opus 做 auditor 补位。

隐藏错误。 在让 Opus 写给人类阅读的 Markdown 笔记时，模型会掺入自己的观点：计算错了却在笔记里写上正确答案，或计算对了却在笔记里写上自己"认为对"的错误答案，导致人类用户被误导。解决办法同样是加一个 auditor，专门对比笔记与计算结果是否一致。Wang 坦言，加了 auditor 后笔记再没出过错，但几乎每一次都需要 auditor 出手纠正，"没有一次能一遍写对"。

重复造轮子（reinvent the wheel）。 明明已经 import 了 CosmoTransition 这个成熟的 Python 包，模型却坚持 import 之后自己重新写实现，而自造的轮子几乎总是不如现成的好用。解决办法是在 system prompt 里反复强调"坚决相信 documentation 和 example"，模型才会老实调用。

此外，Agent 还有"作弊"倾向：数值算不出来时，会偷偷启用某个近似（approximation）而不告知用户；遇到本可以调通的数值 bug 时，会直接停下来问人类要不要换路线。Wang 强调，这些都不是好 Agent 应有的行为。

这四类失灵背后有一个共同的深层原因：大语言模型本质上是概率性文本预测器，其"计算"过程实际上是在高维语义空间中进行模式匹配，而非执行确定性的符号运算。当模型"认为"某个结果更符合训练数据中的常见模式时，它会倾向于输出该结果，即便这与用户指令或中间推导步骤相矛盾。"不忠实执行"本质上是模型的先验知识覆盖了指令约束；"隐藏错误"则是模型在生成自然语言叙述时，优先追求语义连贯性而非与代码计算结果的精确一致性。这也解释了为何将 temperature 设为 0（降低采样随机性、强迫模型走最高概率路径）并选用规模较小因而"过度自信"倾向更弱的模型，反而能在强约束任务中获得更高的可控性。

边界条件：隐性知识的重灾区

边界条件是最能体现"隐性知识"价值的环节。势能要存在最小值，某些系数必须大于零；所有质量必须为正；最小值必须是全局的而非局部的——这些约束零碎而繁多。Wang 指出，绝大部分论文都会漏掉其中一两个 boundary condition，而新入行者以这些论文为参考时根本无从知晓它们的存在。

通用 coding agent 如 Codex 也会犯同样的错。你若直接问它"是否需要检查 bound from below 条件"，它会立刻"You are absolutely right"地配合；但你不提，它绝不会主动去做。这正是专用 Agent 存在的意义——把这些零散的领域知识集成进 experience library（可理解为 skill 库），让计算结果保持一致性和完整性。

Experience Library（经验库）的概念对应 AI Agent 领域中的工具增强记忆（tool-augmented memory）设计模式。与通用 coding agent 仅依靠预训练知识不同，专用 Agent 会将领域专家归纳的检查项、公式规范、已知陷阱等以结构化形式存入外部知识库，并在每次计算的特定步骤强制触发查询。这类似于将资深研究员"脑子里装的东西"显式编码为可执行的核查规则。对于电弱相变这类隐性知识密集的领域，Experience Library 的价值甚至超过底层语言模型本身的升级——更强的模型若缺乏对应的领域约束，反而因"过度自信"而引入更多错误，这与文中 Sonnet 优于 Opus 的发现相互印证。

测试结果与两种模式

LEBRON 设有两种模式。Reproduction mode 用于复现已有论文的某张图或某个表，即便论文公式有误也照用其 convention，但会留 note 标注可疑之处。Discovery mode 则接受一个具体物理理论假设，让 Agent 从头完成计算。

Wang 测试了 9 个不同的物理模型（注意是 physics model 而非 language model）。在 reproduction 演示中，仅用一句"reproduce the right panel of paper X"，Agent 输出的数值结果几乎与原图完全一致，后续只是调整分辨率、配色等展示细节。在 improve computation 案例中，Agent 独立完成了此前因数值计算困难、各组都只能用解析近似绕过的模型计算，结果与物理直觉预期完全符合。在 convention 处理上，Agent 会主动列出所有可能的 convention 及对应文献供用户选择，帮助新手意识到"原来这里存在不确定性"。

更深的追问：物理为何没有像数学一样起飞

在问答环节，主持人华文岳提出了一个尖锐问题：为什么 AI 在数学证明上突飞猛进，理论物理却没有类似的质变？

Wang 给出两点判断。其一，物理终究是实验学科，粒子物理理论早已远远走在实验前面——很多理论预言逻辑上可验证，却没有资金建实验，"这是政治问题不是科学问题"。其二，数学可以形式化验证对错（如 Lean），但理论物理充满 empirical 的 convention 和 trick，很多东西"只有好坏之分，没有对错之分"，好坏又高度主观。这种缺乏统一标准的状态，对 Agent 而言"太 arbitrary 了"。

更现实的障碍是社区文化。Wang 直言，他所研究的这个 topic 恰属于"最不爱开源"的一类，论文几乎不公开代码、不写中间推导，关键实现细节全靠口耳相传，以至于有人专门写了篇论文讨论"电弱相变的计算结果能有多任意"。这意味着推进该领域的重要知识大量存在于非公开渠道，客观上阻碍了 AI 的介入。

Wang 认为，Agent 下一步更有前景的方向或许不是再写模型（模型已经够多），而是发挥其强大的资源整合能力，去系统性地重新解读现有实验数据、挖掘内部信息，甚至系统性地 propose 新实验——毕竟"AI 提出的实验，说不定比人类科学家更能获得白宫的信任"。

Wang 提到的 Lean 是一种基于依值类型论（Dependent Type Theory）的交互式定理证明语言，由微软研究院开发。它允许将数学命题写成机器可检验的形式化证明，每一步推导是否合法都由类型检查器严格验证。正是这种"绝对正确/错误"的形式化验证能力，使得 AI（如 DeepMind 的 AlphaProof）能够在数学竞赛题上取得突破——模型可以通过与 Lean 解释器交互获得精确的奖励信号，从而进行强化学习。理论物理缺乏类似的形式化基础：一个计算结果是否"好"，往往取决于所采用的 convention、近似方案的合理性以及与实验的吻合程度，这些标准既非二元的，又高度依赖社区共识，无法被自动验证器直接判定，从而使强化学习闭环难以建立。