就在剛剛，Google Research團隊用Gemini Deep Think + 樹搜尋框架，獨立攻克了一個理論物理領域的未解積分難題——宇宙弦引力輻射功率譜的精確解析解。AI探索了600條候選路徑，找出6種解法，最優雅的那條，讓人類物理學家都拍案叫絕。震驚，AI科學家真的要來了！Google發佈了最新（3月6日）一篇論文，一石激起千層浪。Gemini Deep Think聯手樹搜尋演算法，獨立破解了理論物理的開放難題！一個人類頂級研究團隊公認「難得不知從那下手」的問題，被這套AI系統硬生生地解出來了。論文地址：https://arxiv.org/pdf/2603.04735這篇論文非常具有突破性！簡單來說，AI解開人類物理學家之前沒能解開的複雜數學/物理難題。聯想到此前，Claude幫高德納解決圖論猜想的消息刷屏。如果說高德納論文中Claude攻克圖論猜想，是AI在離散數學領域的突破。那麼Google這篇論文，則代表AI在連續數學和理論物理領域的全面進攻。一個是組合數學，一個是數學物理。兩件事幾乎同時發生，構成了2026年3月最具標誌性的「AI科學家」事件。AI，正在人類最核心的智力領域全面開花。宇宙弦 一個讓所有科學家著迷的終極問題宇宙弦（cosmic strings），是宇宙學中一種假設的一維拓撲缺陷結構，誕生於宇宙早期相變。這東西振動時，會向外輻射引力波。而近年來，脈衝星計時陣（Pulsar Timing Arrays，簡稱PTA）首次觀測到了疑似宇宙弦的引力波背景訊號，理論物理界因此對宇宙弦的研究熱情空前高漲。要預測宇宙弦發出的引力波訊號，就必須精確計算它的引力輻射功率譜（power spectrum）。具體來說，有一個核心積分 I(N, α)——描述宇宙弦環第N諧波發出的輻射強度。這個積分看起來簡單，但積分區域是個球面，被積函數在邊界處存在奇點（e₁,₂ = ±1時），導致標準數值積分根本不穩定。用經典的勒讓德多項式展開？權函數不匹配，爆炸。過去的研究，只能給出大N時的漸近解，或者奇數N的部分結果。精確、統一的解析解，多年來一直是懸案。直到Gemini Deep Think出手。一句話科普論文解決了什麼問題。AI計算出了一種名為「宇宙弦」發出的引力波的精確數學公式。為了計算這個引力波的功率，物理學家需要解開一個非常複雜的數學積分公式。這個公式裡有「奇點」（Singularities，類似於數學上除以0那種讓計算崩潰的地方），導致傳統的數值計算方法常常失效。在過去的幾年裡，人類物理學家和早期的AI嘗試過，但只找到了一些「部分解」或者「近似解」，一直沒有找到一個統一、精確的解析公式。難道人類科學家的問題被Gemini攻克了與Claude解決高德納問題時的31步研究式探索類似，Gemini解決這個問題的方式也非常像一個訓練有素的研究團隊在工作。Google團隊沒有讓AI裸奔。他們搭了一套精密的「神經符號系統」：Gemini Deep Think + 樹搜尋（Tree Search）+ 自動數值反饋三者缺一不可，協同作戰。Gemini Deep Think負責「大腦」：生成數學假設，進行符號推導，判斷那條路徑「看起來優雅可行」。它不是簡單地暴力試驗，而是被指示進行深度推理鏈，提前預判無窮級數展開時的收斂問題。樹搜尋（Tree Search） 負責「系統性探索」：把整個解題空間建成一棵大樹。每個節點代表一個數學中間表示式——用LaTeX寫出來，同時配上自動生成的Python程式碼，讓電腦去數值驗證。搜尋策略採用了PUCT演算法（置信上限樹搜尋），這和AlphaGo下棋的底層邏輯一脈相承——在「開採已有好路徑」和「探索新可能」之間保持平衡。自動數值反饋負責「質量控制」：每一步推導完成後，立刻用高精度數值計算去核驗符號結果是否正確。如果對不上，這條路徑直接砍掉。這一步最為關鍵：每當模型提出一個中間步驟，系統就會自動執行對應的Python程式碼，與高精度數值基準進行比較。如果發現數值不穩定、發散或執行錯誤，系統會把錯誤資訊和誤差反饋給模型，讓它自主修正。整個過程中，AI一共探索了約600個候選節點。其中超過80%被自動驗證器以「代數錯誤」或「數值發散」為由剪枝淘汰——包括災難性抵消誤差、不穩定的單項式求和、病態的基變換等。只有少數路徑，挺過了層層篩選，最終勝出。這不是暴力搜尋猜答案，而是真正的「AI驅動的數學研究」。600條路，AI找到了6種解經過系統探索，Gemini Deep Think一共找到了6種不同的解法，分為三大類：第一類：單項式展開（Monomial Basis Approaches）核心思路是把函數展開為冪級數，然後用不同的技巧計算積分。方法1用生成函數方法，構造指數型生成函數，利用高斯積分求解。方法2用高斯積分提升，把球面積分提升到三維空間中，轉化為標準的高斯積分。方法3是混合坐標變換，先展開為冪級數，再投影到Legendre基底上。這三種方法數學上正確，但存在數值不穩定性——當N變大時，會出現大數相減導致精度損失的問題。方法1：生成函數法（Generating Function）方法2：高斯積分提升法（Gaussian Integral Lifting）方法3：混合坐標變換法（Hybrid Coordinate Transformation）這三種方法都基於冪級數展開，思路紮實。但有個致命弱點：當N→∞時，數值不穩定，出現災難性抵消誤差。第二類：譜分解（Spectral Basis Approaches）這兩種方法利用了Funk-Hecke球面摺積定理，直接在Legendre譜空間中工作。方法4：譜Galerkin矩陣法，把問題轉化為一個三對角線性方程組來求解。方法5：譜沃爾泰拉遞推法（Spectral Volterra Recurrence Method），推匯出係數的前向遞推關係。這兩種方法數值穩定，計算複雜度僅為O(N)，比單項式方法快了整整一個數量級。第三類：精確解析解（The Analytic Solution）方法6：格根鮑爾方法（Gegenbauer Method）這是最優雅的方法——Gegenbauer方法。AI發現了一個絕妙的思路：選擇Gegenbauer多項式作為展開基底，而這類多項式的正交權函數恰好是(1-t²)，正好與被積函數分母中的奇異因子完全抵消！這樣一來，原本令人頭疼的奇異積分，變成了一個完全正則的積分。通過分部積分和標準恆等式，AI推匯出了精確的閉合公式，甚至最終得到了一個優美的漸近表示式。也是此次AI給出的王者之選。最優雅的解法，讓物理學家心動了格根鮑爾多項式，Gegenbauer polynomials，記作 Cₗ^(3/2)(t)）。這是一種定義在[-1,1]上的正交多項式族，而它的權函數 w(t) = 1 - t²，恰好能自然地消去被積函數的奇點。這不是湊巧，這是Gemini識別出的深層數學結構。具體思路是這樣的：將被積函數 fN(t) 展開成格根鮑爾多項式的線性組合，利用正交性確定各展開係數。關鍵時刻到來——權函數與分母相消，原本讓人頭疼的奇點，就這樣被優雅地「吸收」進去了，留下的是一個完全正則的積分。隨後，借助恆等式 Cₖ^(3/2)(t) = Pₖ₊₁'(t)（格根鮑爾多項式與勒讓德多項式導數的關係），以及分部積分，積分進一步化簡為勒讓德多項式的傅里葉變換形式。最終，結果可以用餘弦積分函數Cin(z)精確表達——一個封閉的解析表示式，無需數值近似，適用於任意環幾何結構下的任意N。Google團隊在論文中寫道——格根鮑爾方法是這6種解法中最優雅的，因為它在數學上最自然地處理了積分的奇點結構。更驚豔的是：在尋找大N漸近行為時，Gemini還自主發現了與量子場論中費曼參數化的內在聯絡——這是一個跨越物理子領域的深層數學統一性，連人類研究者都沒有預先料到。人機協作，而非AI單打獨鬥要特別說明的是，Google團隊對這一過程的描述非常誠實——初始的6種解法，是樹搜尋框架自動找到的，格根鮑爾方法最初給出的是一個無窮尾和形式的精確解，數學上無誤，但不夠簡潔。為了把它化為真正的有限封閉形式，一位人類研究者手動介入，把中間結果喂給一個更大、更強的Gemini Deep Think版本，要求它嚴格驗證已有證明並尋找進一步化簡。在這次人機互動中，高級模型獨立發現了方法5（譜沃爾泰拉遞推法）初始表述中的一個錯誤，並在修正後識別出方法5和方法6的等價性——這使得方法6中的無窮尾和可以被精確「折疊」成有限形式，最終得到用餘弦積分表達的漂亮解析解。這是一次協同接力，而非完全自主的AI發現。但這反而更重要——它展示了一種真實可行的人機協作範式。Google團隊在結論中保持了科學謙遜：「我們並不聲稱這個物理問題本身具有深刻意義，但AI系統能夠輕鬆解決它，對於加速科學發現過程具有重要潛力。」但這句話的另一面同樣值得細品——所謂的「輕鬆」，是站在600次探索、80%淘汰率之上的。這不是聰明的運氣，這是系統化的智識搜尋。幾十年來，物理學家和數學家們普遍認為，符號推導、理論發現，是AI最難觸碰的聖域——因為這需要真正的數學直覺，需要從茫茫解法空間中識別出「優雅」。但格根鮑爾方法告訴我們：AI正在發展出某種類似直覺的能力。它不是隨機試錯，它在評估解法的優雅程度，在識別數學結構的深層美感。這一次，是宇宙弦的引力波譜。下一次，也許是弦論中更深的方程，也許是量子引力中的核心積分。人類提出問題，AI系統化探索結構，人類完成最後的意義詮釋——這種新型科研模式，已經不再是科幻，而是正在被Google用一篇論文，白紙黑字地寫下來。「神經符號系統」，AI科學發現的基礎設施值得關注的是，這篇論文所使用的樹搜尋框架，並非一次性的專項工具，而是有系統性方法論的可復用框架。Google團隊在附錄中詳細公開了：完整的系統提示詞（System Prompt）評估驗證的程式碼實現「負向提示」（Negative Prompting）策略——這是強制AI探索不同解法方向的關鍵技巧所謂負向提示，就是在AI找到一個有效解法後，明確告訴它「不要再用這個方法」，強制它另闢蹊徑，繼續探索——這樣才有了從方法1到方法6的多樣解法。這種方法論本身，就是一個可以遷移的科研工具。今天用於宇宙弦，明天可以用於材料科學、量子化學、純數學中的未解猜想。AI正在叩開理論物理的大門回顧這件事，有一個細節讓人印象深刻。在機器學習領域，大家早就習慣了AI能做的事：識別圖片、生成文字、下棋、寫程式碼……但推導符號數學、獨立識別數學結構的奇點並找到消除它的優雅方法——這件事，此前被認為幾乎不可能。因為數學發現不是搜尋，是「頓悟」。然而Gemini Deep Think的案例告訴我們——「頓悟」也許可以被分解成：足夠大的搜尋空間 + 足夠精密的評估標準 + 足夠強的推理能力。三者疊加在一起，就可以湧現出看起來像「直覺」的東西。AI，已經準備好成為數學家、物理學家以及所有科學家的最強搭檔。這，也許真的只是一個開始。 (新智元)