«فاقد شهود بنیادین»؛ محدودیت GPT-6-Astra در خلق نظریات فیزیک

تصور کنید یک دستیار دیجیتال بتواند پیچیده‌ترین معادلات کیهان‌شناسی را با هزینه‌ای کمتر از یک فنجان قهوه حل کند. این دیگر یک تخیل نیست؛ بلکه واقعیتِ فعلی استنتاج در مدل‌های نسل جدید است. به طور میانگین، حل یک مسئله پژوهشی در فیزیک نظری برای مدل GPT-6-Astra تنها ۲.۴۰ دلار هزینه دارد.

طبق گزارش‌های منتشر شده در ۱۵ اکتبر ۲۰۲۶، مدل GPT-6-Astra در محک TheoPhysEval به نرخ موفقیت ۹۸ درصدی رسید و ۴۹ مسئله از ۵۰ مورد را به‌درستی حل کرد. این دستاورد نشان می‌دهد که مدل به سطحی از دقت محاسباتی رسیده است که با متخصصان انسانی رقابت می‌کند. این نقطه عطف در حالی رخ می‌دهد که عامل‌های هوش مصنوعی (AI Agents) از محیط‌های ساده‌ی چت به ابزارهای پژوهشی مستقل تبدیل شده‌اند. این تحول در راستای بهینه‌سازی خروجی‌های علمی است، مشابه آنچه در کاهش زمان تولید گزارش‌های علمی توسط مدل AstaBrief مشاهده شد.

همان‌طور که در تحلیل قبلی ما درباره‌ی مدل‌های استدلالی اشاره کردیم، توانایی مدل در مدیریت مراحل پیچیده، کلید عبور از توهمات است. در حالی که ابزارهایی مانند Ollama به کاربران اجازه می‌دهند مدل‌های سطح بالا را به صورت محلی روی مک‌بوک‌ها اجرا کنند، مقیاس این محک فیزیک نیازمند محیط کدنویسی تخصصی Codex بود تا بتواند شبیه‌سازی‌های پیچیده و چندمرحله‌ای را مدیریت کند. این فرآیند در واقع همان استنتاج (Inference) است؛ یعنی لحظه‌ای که مدل واقعاً جواب تولید می‌کند — مثل خودِ آشپزی، نه دوره‌ی آموزش آشپز.

ماهیت محک TheoPhysEval

این محک بر مسائل «چرخ‌دندانی» (turn-the-crank) تمرکز دارد؛ یعنی تکالیفی که در آن‌ها روش‌های شناخته‌شده روی سوالات تغییریافته اعمال می‌شوند و معمولاً برای آموزش دانشجویان دکترا به کار می‌روند. این مسائل چالش‌های بنیادین یا سوالات باز بزرگ علمی نیستند، بلکه کارهای روتین پژوهشی محسوب می‌شوند. برای جلوگیری از اینکه مدل‌ها صرفاً پاسخ‌ها را حدس بزنند، مشارکت‌کنندگان مقادیر محاسباتی را در مقالات اخیر خود تغییر دادند تا مدل مجبور به محاسبه واقعی شود.

به نقل از پژوهشگران، این تکالیف بسیار دشوارتر از آزمون‌های استاندارد هوش مصنوعی هستند. این مسائل ۱۱ زیرشاخه از فیزیک نظری، از جمله کیهان‌شناسی، فیزیک ذرات، فرآیندهای بیولوژیکی و جریان‌های سیال را پوشش می‌دهند.

یک مسئله مربوط به سیاهچاله‌ها پیچیدگی این کار را به خوبی نشان می‌دهد. حل این مسئله مستلزم آن بود که عامل هوش مصنوعی ابتدا یک مقاله قدیمی را بیابد، معادلات را از فضای پنج‌بعدی به فضای چهاربعدی ترجمه کند و سپس یک برنامه اختصاصی برای محاسبه نتیجه بنویسد. سوورات راجو، هماهنگ‌کننده این پروژه و یکی از نویسندگان مقاله اصلی، برای حل همین مسئله به حدود یک روز زمان نیاز داشت. نویسندگان تخمین می‌زنند که پیش از ظهور عامل‌های مدرن، تنها تعداد انگشت‌شماری از متخصصان با دانش خاص فیزیک و تجربه محاسباتی می‌توانستند چنین مسائلی را حل کنند و حتی آن‌ها هم به چندین روز زمان نیاز داشتند. پیاده‌سازی چنین عامل‌های پیچیده‌ای با چالش‌های فنی متعددی همراه است، همان‌طور که تجربیات ساخت عامل‌های تحلیل بازار کریپتو نشان داد که مدیریت استدلال در محیط‌های پویا دشوار است.

تحلیل عملکرد مدل‌ها

بر اساس داده‌های منتشر شده، رتبه‌بندی مدل‌ها به شرح زیر است:

• GPT-6-Astra: نرخ موفقیت ۹۸٪ (هزینه کل: حدود ۱۱۶ دلار)
• Opus 5.5 (از طریق Claude Code): نرخ موفقیت ۹۲٪
• Gemini 3.8 Flash: نرخ موفقیت ۶۸٪
• DeepSeek-V4.1-Flash: نرخ موفقیت ۵۴٪
• GLM 5.3: نرخ موفقیت ۴۲٪

نکته جالب این است که دسترسی به اینترنت مزیت چندانی ایجاد نکرد. هر عامل تست را دو بار اجرا کرد: یک بار با جست‌وجوی وب و یک بار در حالت ایزوله. بدون جست‌وجوی وب، هر دو مدل Astra و Opus همچنان نمره ۹۲٪ را کسب کردند. این موضوع نشان می‌دهد که مدل‌های پیشرو بخش‌های وسیعی از ادبیات فیزیک نظری را به‌طور موثر در حافظه خود ذخیره کرده‌اند، زیرا بسیاری از مسائل به فرمول‌هایی از مقالاتی وابسته بودند که در طول تست در اختیار مدل قرار نگرفته بود. در همین راستا، توسعه‌دهندگان اکنون دسترسی گسترده‌تری به این نسل از مدل‌ها دارند و برای مثال ورسل مدل‌های GPT-6 Sol و Luna را به درگاه هوش مصنوعی خود اضافه کرده است تا یکپارچه‌سازی این توانمندی‌ها تسهیل شود.

در مقابل، مدل‌های ضعیف‌تر در بررسی‌های پایه در سطح متخصص شکست خوردند. در مسئله سیاهچاله، مدل‌های Gemini و GLM صرفاً فرمول‌ها را از مقاله منبع کپی کردند بدون اینکه آن‌ها را از فضای پنج‌بعدی به فضای چهاربعدی مورد نیاز تغییر دهند.

تنها مسئله‌ای که Astra نتوانست حل کند، سوالی بود که تمام مدل‌ها در آن شکست خوردند. این مسئله نیازمند معادله‌ای بود که منحنی خاصی را تولید کند و بر فرم‌های ریاضی خاصی تکیه داشت که تنها در معنای گسترده‌تر، معادله دیفرانسیل محسوب می‌شوند. نویسندگان اعتراف می‌کنند که این ممکن است «غیرمنصفانه» به نظر برسد، اما استدلال می‌کنند که این وضعیت واقع‌بینانه است، زیرا پژوهشگران در دنیای واقعی اغلب باید فیزیک را از داده‌های غیردقیق استنباط کنند.

دقت و پارادوکس کشف علمی

بررسی‌ها نشان داد چندین مورد از «شکست‌های» اولیه Astra در واقع ناشی از خطاهای انسانی در کلید پاسخ‌ها بود. پیگیری‌های بعدی با متخصصان فاش کرد که در پاسخ‌های مرجع، خطاهای کوچک و سخت‌یافتنی وجود داشت. پس از اصلاح این موارد، پاسخ‌های Astra در هر بار اجرا درست بود.

این الگو توضیح می‌دهد چرا عامل‌ها در TheoPhysEval بهتر از محک‌های دیگر مانند CritPt عمل می‌کنند، با وجود اینکه TheoPhysEval به‌طور میانگین سخت‌تر است. نویسندگان اشاره می‌کنند که برخی از محک‌های دیگر فیزیک نظری به‌طور نادرستی نمره‌گذاری شده‌اند و توانایی مدل‌ها را کمتر از حد واقعی تخمین می‌زنند.

با این حال، این تغییر در توانایی‌ها یک پارادوکس در اکتشافات علمی ایجاد کرده است: هوش مصنوعی اکنون می‌تواند مسئله «ناویر-استوکس» (یکی از مسائل جایزه هزاره درباره معادلات جریان سیالات) را حل کند، اما هنوز نمی‌تواند تصمیم بگیرد کدام مسائل «ارزش» حل شدن دارند. نویسندگان معتقدند AI فاقد «سلیقه» است و اغلب در جزئیات خسته‌کننده‌ای غرق می‌شود که یک پژوهشگر انسانی به‌طور غریزی آن‌ها را نادیده می‌گیرد.

آینده پژوهش‌های نظری

در فیزیک نظری، برخلاف ریاضیات، پیشرفت‌های مشابهی رخ نداده است زیرا یک محاسبه قابل تایید تنها پایان فرآیند است. یک انسان باید ابتدا نظریه‌ای بسازد و سوال «درست» را بپرسد. وقتی مسئله‌ای بیش از حد سخت می‌شود، انسان به یک مسئله ساده‌تر و مرتبط تغییر مسیر می‌دهد؛ اما عامل‌های فعلی قادر به انجام این کار نیستند.

برای فیزیکدانان حرفه‌ای، این بدان معناست که عصر «ساکت باش و محاسبه کن» (shut up and calculate) به پایان رسیده است. وقتی بار سنگین محاسبات بر دوش AI است، ارزش پژوهشگر از توانایی محاسبه به توانایی تصور نظریات جدید منتقل می‌شود. فیزیکدانان ممکن است نیاز داشته باشند که به جای محاسبه، «توقف کنند و فکر کنند».

همچنین نگرانی‌های فزاینده‌ای درباره عدالت در پژوهش وجود دارد. فیزیک نظری تاریخی داشته است که به پول کمتری نسبت به پژوهش‌های تجربی نیاز داشت و فرصت‌ها را برابر نگه می‌داشت. اگرچه این تست‌ها در حال حاضر ارزان هستند، اما پژوهشگران انتظار دارند هزینه حل مسائل سخت‌تر به‌شدت افزایش یابد. این موضوع می‌تواند شکافی ایجاد کند که در آن تنها گروه‌های پژوهشی ثروتمند توان پرداخت هزینه محاسبات (Compute) لازم برای فیزیک نظری سطح بالا را داشته باشند؛ موضوعی که مشابه بحث‌های پیرامون «اعلامیه لایدن» در ریاضیات است.

گام بعدی شما

• مجموعه داده‌های TheoPhysEval را در Hugging Face دنبال کنید تا بتوانید به‌طور مستقل نتایج را تایید کرده و عامل‌های خود را بسنجید.
• اگر پژوهشگر هستید، تمرکز خود را از یادگیری ابزارهای محاسباتی به تقویت تفکر نظری و طراحی مسئله منتقل کنید.
• هزینه‌های استنتاج مدل‌های استدلالی را برای پروژه‌های مقیاس‌بزرگ تخمین بزنید تا با شوک هزینه‌ای مواجه نشوید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.