标题：上交大 SciMaster 团队新作：一个「AI 物理博士」的诞生

正文：
当大模型从回答问题转向完成任务，AI for Science 正迎来更深层次的变革。过去，AI 的应用多集中在标准题目、知识问答和文献总结上，但这些本质上仍是信息处理，难以真正改变科研推进方式。现实科研的核心难点在于其长链条、不确定性和强依赖验证的特点，任何一步出错都可能导致结论失效。因此，科研效率的瓶颈往往不在想法是否聪明，而在能否将想法转化为可信结果，大量时间被消耗在重复工程与试错迭代中。

在此背景下，上海交通大学 SciMaster 团队联合深势科技和中科院理论物理所提出了一个激进方案：构建一个能够组织、规划并执行科研闭环的自主系统。研究论文《PHYSMASTER: Building an Autonomous AI Physicist for Theoretical and Computational Physics Research》通过五个真实物理科研任务验证了这一系统的潜力，展示了 AI 迈向可持续推进科研的可能路径。

这五个任务分为三类：加速、自动化和自主发现。在加速类任务中，系统完成了从格点 QCD 数据中提取 Collins–Soper kernel 和计算锂原子第一激发能的工作，证明了其在复杂数据分析和高强度计算中的能力。自动化类任务中，系统用量子蒙特卡洛方法计算 Bose–Hubbard 模型的相变临界点，并研究潮汐瓦解事件中的 nozzle shock 耗散机制，展现了其独立建模和假设验证的能力。最后，在自主发现类任务中，系统探索了粲介子半轻衰变中的哈密顿量构造与振幅预测，体现了其面对开放性问题时的自主探索能力。

PHYSMASTER 的流程分为前处理、执行和沉淀复用三个阶段。前处理阶段通过问题拆解和专用知识库构建明确任务方向；执行阶段采用多轨迹探索策略，结合理论推导与代码实现完成任务；沉淀复用阶段则通过长期记忆系统积累经验，使系统逐渐具备类似资深物理学家的能力。

这项工作的意义在于四点：一是证明 AI 可以完成端到端的物理科研流程；二是显著压缩重复工程劳动，提升科研效率；三是实现科研循环的自动化，快速验证假设；四是展示 AI 从助手向研究者的转变潜力。

论文的第一作者苗庭嘉为上海交通大学博士研究生，通讯作者陈思衡副教授在群体智能和大模型驱动智能体技术领域有重要贡献。参考链接：https://siheng-chen.github.io/