在2026年3月，来自谷歌研究、哈佛大学和卡内基梅隆大学的研究人员发布了一项应该让世界停下脚步的成果。他们构建了一个神经符号人工智能系统，将Gemini Deep Think语言模型与自动数值反馈相结合，自动解决了一个理论物理中的开放问题，为宇宙弦发射的引力辐射推导出新的解析解。不是近似的。不是模拟的。是解决了。 同月，另一个名为THOR（基于张量网络的哈密顿优化动态）的人工智能框架在几秒钟内解决了一个已有100年历史的物理问题，这一计算以前需要数周的超级计算机时间。新墨西哥大学和洛斯阿拉莫斯国家实验室的系统能够以数百倍的速度计算材料中原子的热力学性质，同时保持准确性。在2025年，埃默里大学的物理学家使用专门设计的神经网络发现了尘埃等离子体中全新的自然法则，以超过99%的准确率揭示了粒子相互作用中的隐藏模式，推翻了长期以来的假设。 与此同时，在物理世界中，机器人终于赶上了它们的数字表亲。索尼人工智能在2026年4月宣布，其项目Ace成为第一个与精英和专业级人类乒乓球运动员竞争的自主系统，标志着机器人在物理世界中首次实现了竞争性体育中的专家级表现。乔治亚理工学院的研究人员创建了一个名为速度自适应模仿学习（SAIL）的系统，使机器人能够以人类演示的三到四倍速度执行复杂任务，如堆叠杯子、折叠布料和打包食物，而不失去准确性。限制机器人只能以人类教师的速度工作的速度障碍已经被打破。 预测市场现在将人工智能在2026年国际数学奥林匹克中获得完美42分的概率估计为约91%，而一年前这一概率不足20%。这是一个最清晰的迹象，表明在2024年被视为人类智能保护壕的符号推理任务的前沿正在缩小。当埃隆·马斯克在2026年8月31日预测人工智能将在2027年底之前在所有数字任务中达到超人类能力时，他并不是在夸大其词，而是在解读趋势线。 但在这里，打入一杆的隐喻以有趣的方式破裂。高尔夫机器人已经存在多年。由高尔夫实验室开发的LDRIC在2016年废物管理凤凰城公开赛上打入了一杆，尽管它尝试了五次。一个名为Golfi的新型推杆机器人每10次成功6或7次。这些机器在受控条件下展示了完美的机械精度，但它们仍然无法匹敌人类高尔夫球手在多变地形和天气条件下的适应能力。2026年斯坦福人工智能指数报告证实了这种不均匀的能力特征：机器人在真实家庭任务中仅成功12%，人工智能模型在读取模拟时钟时的正确率仅为50.6%，而人类的正确率为90.1%，可预测的实验室环境与不可预测的现实世界环境之间的差距仍然很大。 物理发现讲述了不同的故事。机器学习将材料发现的时间从几十年压缩到几个月。人工智能驱动的筛选能够在广泛的化学空间中导航，物理信息神经网络现在解决了直接计算成本过高的偏微分方程。斯坦福的2026年人工智能指数指出，人工智能正在扩展到生物学、化学、物理学和天文学等科学领域，模型在测量科学、数学和语言理解的测试中现在达到或超过博士水平的表现。一个名为物理超智能（PSI）的新人工智能实验室在2026年9月1日筹集了5800万美元，明确使命是发现和商业化计算、能源、推进和传感领域的物理突破，而不仅仅是发表论文。 将物理问题解决与打入一杆的高尔夫球区分开的是可验证性。在物理学中，你可以检查数学。方程要么有效，要么无效。预测要么与实验数据相符，要么失败。当人工智能解决一个世纪以来的统计力学问题或推导出宇宙弦辐射的新解时，人类物理学家可以通过独立的方式验证结果。2026年国际人工智能安全报告指出，人工智能模型在数学推理方面取得了快速进展，专家预测到2027年人工智能在本科水平的FrontierMath问题上达到55%准确率的概率为50%，到2030年达到75%准确率的概率为75%。这一轨迹清晰且在加速。