AI启发物理突破：GPT-5提出核心理论框架，论文登上《物理快报B》

【导读】AI贡献1%的灵感，人类付出99%的汗水！密歇根州立大学物理学家许道辉，在人工智能的启发下，重新审视量子力学基本问题，其研究成果发表在顶级期刊《物理快报B》上。

最近，密歇根州立大学物理学家许道辉（Stephen Hsu）经历了一件令他自己都惊讶不已的事情。

这并非AI帮他计算积分或求解方程，而是AI直接指出：这项研究应该采用完全不同的数学框架来论证：

运用Tomonaga–Schwinger形式的量子场论。

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。

同时，他还公开了一份关于「AI方法论」的报告。

这两份文件共同向科学界投下了一枚震撼弹：

这或许是第一篇由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）

许道辉公开承认：论文的核心思想源自GPT-5。

对物理学界和人工智能领域而言，这预示着一个转折点：AI不再仅仅是润色论文的工具，而是转变为“AI出谋划策，人类负责实现”的合作者。

下面尝试用通俗的语言，解释这一事件的核心意义，以及它可能带来的全新科研工作流程。

AI的「神来之笔」重新审视量子力学基础

密歇根州立大学物理学家许道辉，11月将预印本发布在arXiv上，随后被Physics Letters B接收发表。

• 预印本链接：https://arxiv.org/pdf/2511.15935
• 标题：Relativistic Covariance and Nonlinear Quantum Mechanics: Tomonaga-Schwinger Analysis

研究的问题极为根本：量子力学的演化过程，到底是不是严格线性的？

在标准量子力学框架下，系统的演化由线性薛定谔方程描述；若将两个解叠加，其和再演化的结果与分别演化再叠加一致，这正是「线性」的本质。

许多奇特的量子现象，如叠加、干涉以及埃弗雷特多世界诠释即「平行宇宙」，都依赖于这个看似抽象的数学性质。

几十年来，一些研究者尝试在方程中引入「修正项」：

例如加入非线性或状态依赖的调整，试图解释测量问题、波函数坍缩，乃至宏观世界为何呈现「经典」面貌。

然而，一旦改动线性结构，就可能引发严重问题：超光速通信、与相对论矛盾，甚至导致量子计算能力失控。例如，在包含微小非线性的模型中，量子计算机理论上可在多项式时间内解决NP完全问题。

许教授希望从量子场论角度，系统性地检验这些修改的合理性。

他向GPT-5提出一个看似「咨询式」的问题：若要检验非线性量子演化与相对论的兼容性，应采用何种理论框架？

而GPT-5并未简单修补已有内容，而是主动建议： 使用Tomonaga-Schwinger（TS）形式的量子场论进行分析。

什么是TS形式？

可以这样理解：

• 普通薛定谔方程：描述某一时刻「全宇宙波函数」如何随时间演化。
• TS形式：将「时间」替换为「空间中的任意一张类空间超曲面」（foliation，叶状结构）。 即不要求所有观测者使用相同的全局时间切片，而是允许相对论框架下更自然的、任意取向的「切片方式」。

要确保物理规律具有相对论协变性，必须满足一个条件：无论选用何种切片方式推进波函数，最终物理结果都应一致。这称为foliation independence（叶片无关性）。

新论文的主线，正是沿着GPT-5提出的TS思路进行推导： 在存在状态依赖的哈密顿量密度时，这种「叶片无关性」对算符施加了怎样的「可积性条件」，以及这些条件实现的难度。

论文的核心发现是什么？

这篇5页的短文完成了以下工作：

1. 在Tomonaga-Schwinger框架内，引入状态依赖的局域哈密顿密度。
2. 推导出，为保证演化与叶片选择无关，局域算符必须满足一组新的可积性条件（integrability conditions）。由于哈密顿量依赖于态本身，这些条件中会出现Fréchet导数——这是泛函分析中用于「对函数求导」的工具。
3. 结果表明：只要在局域哈密顿量中加入看似自然的非线性、状态依赖项，它们几乎总是会破坏这些可积性条件。换言之：要么放弃相对论协变性，要么迫使非线性修正变得极其「精细」和不自然。

这一结论与上世纪80、90年代Weinberg、Gisin等人的研究相互印证：他们同样发现，广义的非线性量子动力学极易导致超光速通信或在纠缠态间传递信息。

此次工作的贡献在于： 将这些直觉系统化地纳入TS场论框架，计算出明确的算符条件，包括状态依赖带来的高阶导数结构。

这使得「问题出在哪里」变得可检验、可推广——而不仅仅是基于直觉的「可疑」。

对于普通读者，可以记住一个简化结论：

想在量子力学中添加一点点非线性修正，同时又不破坏相对论（信息不能超光速、不同参考系结果一致），其难度远超想象。

这也是许多理论物理学家倾向于相信：

量子演化很可能就是「严格线性」的。

这不仅关乎量子计算的极限能力，也影响到诸如「多世界诠释」等关于现实本质的讨论是否有立足之地。

GPT-5贡献了「1%的灵感」？

这项工作揭示了一种理论物理学研究新范式的诞生：

在这种范式中，大语言模型（LLM）不再是被动的辅助工具，而是研究过程中的主动参与者。如果运用得当，它们能够提出新颖想法、推导方程，并发现不一致之处，其速度和持久力远超人类合作者。

据作者本人描述，大致过程如下：

• 他向GPT-5阐述了非线性量子力学与相对论兼容性的问题。
• GPT-5自主提议：采用Tomonaga-Schwinger方程和叶片无关性进行分析，这成为论文方法论的「北极星」。
• 后续的具体推导、算符结构和边界条件讨论，则在 「人类+LLM」反复迭代中完成。

他将这种工作流程总结为 「生成-验证」（Generate-Verify）协议：

一个模型实例负责「向前推进」（生成推导、提供新思路），

另一个独立实例负责「回头检查」（验证每一步的自洽性，发现概念漏洞），

最后人类再进行最终审核。

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」：既能给出深刻洞见，也会犯下极其低级和微妙的错误。

他亲身经历了一个典型陷阱。

GPT-5曾自信满满地建议：利用公理化场论中的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」。

这听起来就像「我刚读完四篇经典论文得出的妙计」，甚至足以说服一位非公理化场论专家的研究者。

结果，他耗费大量时间核对后发现：这是一个看似优雅但实际错误的严重幻觉。

在物理学等高度形式化的学科中，这种「高水平胡扯」尤其危险：

模型的知识广度足以拼凑出貌似合理的叙事，但哪怕逻辑中埋藏一个小小的错误，人类要将其拆解也极为费力。

这也正是许教授反复强调的原因：结构化、多模型协作的工作流，不仅是锦上添花，更是至关重要的安全阀。 

但他也展望了AI生产知识的美好前景。

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

随着模型在精度、上下文记忆和符号操作方面的持续改进，它们将日益接近自主研究智能体（AI Agent）：能够提出猜想、验证推导，甚至撰写经得起同行评审的论文。

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动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