AI真解决了黑洞物理难题?Anthropic声明存疑

Anthropic 称其模型解决黑洞相关物理难题,但公告缺乏关键细节,需追问任务、贡献与审查。
Anthropic 声称 Claude Fabel 5.2 帮助解决了两个与黑洞及量子引力相关的理论物理开放问题,但公告未点名具体问题、未展示完整推导,外部研究者无法评估其分量。文章指出,公告中提到的定理其实早已被 Andrew Wiles 证明,新任务只是将其形式化翻译为 Lean,而形式化已知证明不等于发现新定理,证明助手检查的是逻辑步骤而非物理假设。若报告经得起推敲,真正意义在于 AI 能成为科研协作者,而非独立取代物理学家或绕过同行评审。判断此类声明应追问三点:任务是什么、AI 做了什么、谁检查了答案。
一则引爆舆论的声明,与它留下的空白
Anthropic 声称其最新模型 Claude Fabel 5.2 帮助解决了理论物理中的两个开放问题——都与黑洞以及广义相对论和量子理论的连接有关。这个说法听起来像是一次真正的突破。但围绕「AI 解物理」的讨论,恰恰漏掉了最关键的一问:模型到底做了什么?
据该视频分析,Anthropic 的公告没有点名这两个问题是什么,也没有展示完整的推导过程。对于外部研究者来说,这意味着无法评估声明的分量。更微妙的是,声明的发布方正是打造这个模型的公司本身。

这不是说声明一定是假的,而是说它目前还停留在「公司自述」的阶段,而非可供同行检验的物理结果。判断一项科学声明,任务定义和推理链条的透明度,和结论本身同样重要。
黑洞为什么是检验 AI 的硬骨头
黑洞是两大理论正面相撞的地方。爱因斯坦的广义相对论用时空描述引力,量子理论描述微观世界,两者在各自领域都极为成功,但把它们统一起来始终是物理学最棘手的挑战之一。
Anthropic 称模型处理的两个问题正涉及黑洞与这一统一难题。问题在于,越是前沿、越是交叉的领域,越需要精确知道 AI 贡献了什么——是提出了一个想法,完成了计算,验证了某步推导,还是帮人类找到了路径?这些贡献的性质完全不同,但一句「解决了」会把它们全部抹平。
量子引力是试图统一广义相对论与量子力学的理论物理方向,核心矛盾在于:广义相对论把时空视为连续光滑的几何,而量子力学在普朗克尺度(约 10^-35 米)预言时空本身会出现量子涨落。黑洞是这一冲突最尖锐的场所——其中心奇点处曲率发散,霍金辐射又表明黑洞具有量子热力学性质。主流尝试包括弦理论、圈量子引力等,但均未获得实验验证。正因如此,任何声称在黑洞相关问题上取得进展的声明,都必须精确说明它处理的是哪一个具体模型、在何种近似下、得出了什么可检验的结论,否则无法与已有的大量文献区分开来。
那个被混淆的「定理」:形式化不等于发现
视频指出了一个耐人寻味的细节:同一份公告中提到的定理,其实并不是什么未解之谜——Andrew Wiles 早在几十年前就证明了它。新的任务是把已有证明翻译成 Lean,一种由证明助手逐步检查每个逻辑步骤的语言。

这件事本身有价值:经过机器检查的证明,是形式化论证符合 Lean 规则的有力证据。但必须分清两层:证明助手检查的是形式步骤,而不是物理假设是否与自然相符;形式化一个已知证明,也不同于发现一个新定理。把「形式化成功」讲成「解决未解难题」,是标题最容易越界的地方。
Lean 是一种交互式定理证明器,同时也是函数式编程语言,由微软研究院的 Leonardo de Moura 于 2013 年发起。它的核心能力是把数学证明写成计算机可检查的形式代码,由内核逐步验证每一步逻辑推理是否符合规则。Lean 本身不判断公理或假设的物理意义,只保证「若前提成立,则结论在形式系统内成立」。近年数学界推动的 mathlib 项目已积累了大量形式化定理,但把一个已有证明翻译成 Lean 通常需要数月甚至数年的工作,且需要同时精通数学与编程。因此在评估「AI 形式化证明」时,关键指标是它完成了多少比例、是否需要人工大量修正,而非简单宣称「解决了」。
如果报告站得住,真正的新闻是什么
如果 Anthropic 的报告经得起推敲,那么真正的意义在于:模型可以在高度专业化的科研工作中提供实质性帮助,让研究者更快地推进工作、检验想法。

但它并不能证明聊天机器人独立取代了物理学家,也不能证明科学可以绕过同行评审。把这两件事混为一谈,是对这类进展最常见的误读。AI 成为研究协作者,这个结论已经足够令人兴奋,而且比「AI 解决黑洞」要窄得多、也扎实得多。
要判断这个声明,需要三样东西
第一,确切的问题是什么;第二,完整的推理过程;第三,独立的审查。其他物理学家能否复现结果?能否明确指出模型贡献了哪一部分?

这些答案,才能把一则令人印象深刻的公告,变成别人可以在此基础上继续推进的结果。今天的证据是一家公司的报告,而不是一篇经过独立评估的物理论文。
所以下次再听到「AI 解决了科学难题」,不妨先问三个问题:任务是什么?AI 做了什么?谁检查了答案?答案清楚,突破自然站得住;答案含糊,标题就跑在了证据前面。这或许才是真正值得盯住的谜题。
相关推荐

LangChain入门指南:从大模型局限到Agent开发
LangChain 是什么?本文梳理 LangChain 教程第一章核心内容:大模型 API 的知识截止、业务数据脱节、无会话保持三大局限,LangChain 的链式扩展定位与命名由来,1.0 后 LangChain 与 LangGraph 的架构调整,以及中英文官网的选择建议和快速上手路径。

T3 Code实测:MIT开源的多Agent编程控制台
MIT开源项目T3 Code深度实测:不转卖Token,直接接管本机原厂CLI,支持ACP协议与Git Worktree隔离,实现多Agent并行写代码、自动审查与手机远程审批,解决AI编程窗口切换地狱。

用Claude从零打造AI副业:10种变现路径解析
解析只用Claude从零做AI副业的10条变现路径:语音代理、数字产品、数据标注、企业自动化与行业垂直工具,并评估每条路径的真实门槛与可行性边界。