刚刚，Gemini攻克「宇宙弦」终极难题！AI科学家最优雅解法震撼物理学

【导读】就在刚刚，Google Research团队用Gemini Deep Think + 树搜索框架，独立攻克了一个理论物理领域的未解积分难题——宇宙弦引力辐射功率谱的精确解析解。AI探索了600条候选路径，找出6种解法，最优雅的那条，让人类物理学家都拍案叫绝。

震惊，AI科学家真的要来了！

谷歌发布了最新（3月6日）一篇论文，一石激起千层浪。

Gemini Deep Think联手树搜索算法，独立破解了理论物理的开放难题！

一个人类顶级研究团队公认「难得不知从哪下手」的问题，被这套AI系统硬生生地解出来了。

论文地址：https://arxiv.org/pdf/2603.04735

这篇论文非常具有突破性！

简单来说，AI解开人类物理学家之前没能解开的复杂数学/物理难题。

联想到此前，Claude帮高德纳解决图论猜想的消息刷屏。

如果说高德纳论文中Claude攻克图论猜想，是AI在离散数学领域的突破。

那么谷歌这篇论文，则代表AI在连续数学和理论物理领域的全面进攻。

一个是组合数学，一个是数学物理。两件事几乎同时发生，构成了2026年3月最具标志性的「AI科学家」事件。

AI，正在人类最核心的智力领域全面开花。

宇宙弦

一个让所有科学家着迷的终极问题

宇宙弦（cosmic strings），是宇宙学中一种假设的一维拓扑缺陷结构，诞生于宇宙早期相变。

这东西振动时，会向外辐射引力波。

而近年来，脉冲星计时阵（Pulsar Timing Arrays，简称PTA）首次观测到了疑似宇宙弦的引力波背景信号，理论物理界因此对宇宙弦的研究热情空前高涨。

要预测宇宙弦发出的引力波信号，就必须精确计算它的引力辐射功率谱（power spectrum）。

具体来说，有一个核心积分I(N, α)——描述宇宙弦环第N谐波发出的辐射强度。

这个积分看起来简单，但积分区域是个球面，被积函数在边界处存在奇点（e₁,₂ = ±1时），导致标准数值积分根本不稳定。

用经典的勒让德多项式展开？权函数不匹配，爆炸。

过去的研究，只能给出大N时的渐近解，或者奇数N的部分结果。

精确、统一的解析解，多年来一直是悬案。

直到Gemini Deep Think出手。

一句话科普论文解决了什么问题。

AI计算出了一种名为「宇宙弦」发出的引力波的精确数学公式。为了计算这个引力波的功率，物理学家需要解开一个非常复杂的数学积分公式。这个公式里有「奇点」（Singularities，类似于数学上除以0那种让计算崩溃的地方），导致传统的数值计算方法常常失效。

在过去的几年里，人类物理学家和早期的AI尝试过，但只找到了一些「部分解」或者「近似解」，一直没有找到一个统一、精确的解析公式。

难道人类科学家的问题

被Gemini攻克了

与Claude解决高德纳问题时的31步研究式探索类似，Gemini解决这个问题的方式也非常像一个训练有素的研究团队在工作。

谷歌团队没有让AI裸奔。他们搭了一套精密的「神经符号系统」：

Gemini Deep Think + 树搜索（Tree Search）+ 自动数值反馈

三者缺一不可，协同作战。

Gemini Deep Think负责「大脑」：生成数学假设，进行符号推导，判断哪条路径「看起来优雅可行」。

它不是简单地暴力试验，而是被指示进行深度推理链，提前预判无穷级数展开时的收敛问题。

树搜索（Tree Search）负责「系统性探索」：把整个解题空间建成一棵大树。

每个节点代表一个数学中间表达式——用LaTeX写出来，同时配上自动生成的Python代码，让计算机去数值验证。

搜索策略采用了PUCT算法（置信上限树搜索），这和AlphaGo下棋的底层逻辑一脉相承——在「开采已有好路径」和「探索新可能」之间保持平衡。

自动数值反馈负责「质量控制」：每一步推导完成后，立刻用高精度数值计算去核验符号结果是否正确。如果对不上，这条路径直接砍掉。

这一步最为关键：每当模型提出一个中间步骤，系统就会自动执行对应的Python代码，与高精度数值基准进行比较。如果发现数值不稳定、发散或执行错误，系统会把错误信息和误差反馈给模型，让它自主修正。

整个过程中，AI一共探索了约600个候选节点。

其中超过80%被自动验证器以「代数错误」或「数值发散」为由剪枝淘汰——包括灾难性抵消误差、不稳定的单项式求和、病态的基变换等。

只有少数路径，挺过了层层筛选，最终胜出。

这不是暴力搜索猜答案，而是真正的「AI驱动的数学研究」。

600条路，AI找到了6种解

经过系统探索，Gemini Deep Think一共找到了6种不同的解法，分为三大类：

第一类：单项式展开（Monomial Basis Approaches）

核心思路是把函数展开为幂级数，然后用不同的技巧计算积分。

方法1用生成函数方法，构造指数型生成函数，利用高斯积分求解。

方法2用高斯积分提升，把球面积分提升到三维空间中，转化为标准的高斯积分。

方法3是混合坐标变换，先展开为幂级数，再投影到Legendre基底上。

这三种方法数学上正确，但存在数值不稳定性——当N变大时，会出现大数相减导致精度损失的问题。

方法1：生成函数法（Generating Function）

方法2：高斯积分提升法（Gaussian Integral Lifting）

方法3：混合坐标变换法（Hybrid Coordinate Transformation）

这三种方法都基于幂级数展开，思路扎实。

但有个致命弱点：当N→∞时，数值不稳定，出现灾难性抵消误差。

第二类：谱分解（Spectral Basis Approaches）

这两种方法利用了Funk-Hecke球面卷积定理，直接在Legendre谱空间中工作。

方法4：谱Galerkin矩阵法，把问题转化为一个三对角线性方程组来求解。

方法5：谱沃尔泰拉递推法（Spectral Volterra Recurrence Method），推导出系数的前向递推关系。

这两种方法数值稳定，计算复杂度仅为O(N)，比单项式方法快了整整一个数量级。

第三类：精确解析解（The Analytic Solution）

方法6：格根鲍尔方法（Gegenbauer Method）

这是最优雅的方法——Gegenbauer方法。

AI发现了一个绝妙的思路：选择Gegenbauer多项式作为展开基底，而这类多项式的正交权函数恰好是(1-t²)，正好与被积函数分母中的奇异因子完全抵消！

这样一来，原本令人头疼的奇异积分，变成了一个完全正则的积分。

通过分部积分和标准恒等式，AI推导出了精确的闭合公式，甚至最终得到了一个优美的渐近表达式。

也是此次AI给出的王者之选。

最优雅的解法，让物理学家心动了

格根鲍尔多项式，Gegenbauer polynomials，记作 Cₗ^(3/2)(t)）。

这是一种定义在[-1,1]上的正交多项式族，而它的权函数 w(t) = 1 - t²，恰好能自然地消去被积函数的奇点。

这不是凑巧，这是Gemini识别出的深层数学结构。

具体思路是这样的：

将被积函数 fN(t) 展开成格根鲍尔多项式的线性组合，利用正交性确定各展开系数。

关键时刻到来——权函数与分母相消，原本让人头疼的奇点，就这样被优雅地「吸收」进去了，留下的是一个完全正则的积分。

随后，借助恒等式 Cₖ^(3/2)(t) = Pₖ₊₁'(t)（格根鲍尔多项式与勒让德多项式导数的关系），以及分部积分，积分进一步化简为勒让德多项式的傅里叶变换形式。

最终，结果可以用余弦积分函数Cin(z)精确表达——一个封闭的解析表达式，无需数值近似，适用于任意环几何结构下的任意N。

谷歌团队在论文中写道——格根鲍尔方法是这6种解法中最优雅的，因为它在数学上最自然地处理了积分的奇点结构。

更惊艳的是：在寻找大N渐近行为时，Gemini还自主发现了与量子场论中费曼参数化的内在联系——这是一个跨越物理子领域的深层数学统一性，连人类研究者都没有预先料到。

人机协作，而非AI单打独斗

要特别说明的是，谷歌团队对这一过程的描述非常诚实——

初始的6种解法，是树搜索框架自动找到的，格根鲍尔方法最初给出的是一个无穷尾和形式的精确解，数学上无误，但不够简洁。

为了把它化为真正的有限封闭形式，一位人类研究者手动介入，把中间结果喂给一个更大、更强的Gemini Deep Think版本，要求它严格验证已有证明并寻找进一步化简。

在这次人机交互中，高级模型独立发现了方法5（谱沃尔泰拉递推法）初始表述中的一个错误，并在修正后识别出方法5和方法6的等价性——这使得方法6中的无穷尾和可以被精确「折叠」成有限形式，最终得到用余弦积分表达的漂亮解析解。

这是一次协同接力，而非完全自主的AI发现。

但这反而更重要——它展示了一种真实可行的人机协作范式。

谷歌团队在结论中保持了科学谦逊：

「我们并不声称这个物理问题本身具有深刻意义，但AI系统能够轻松解决它，对于加速科学发现过程具有重要潜力。」

但这句话的另一面同样值得细品——

所谓的「轻松」，是站在600次探索、80%淘汰率之上的。

这不是聪明的运气，这是系统化的智识搜索。

几十年来，物理学家和数学家们普遍认为，符号推导、理论发现，是AI最难触碰的圣域——因为这需要真正的数学直觉，需要从茫茫解法空间中识别出「优雅」。

但格根鲍尔方法告诉我们：AI正在发展出某种类似直觉的能力。

它不是随机试错，它在评估解法的优雅程度，在识别数学结构的深层美感。

这一次，是宇宙弦的引力波谱。

下一次，也许是弦论中更深的方程，也许是量子引力中的核心积分。

人类提出问题，AI系统化探索结构，人类完成最后的意义诠释——

这种新型科研模式，已经不再是科幻，而是正在被谷歌用一篇论文，白纸黑字地写下来。

「神经符号系统」，AI科学发现的基础设施

值得关注的是，这篇论文所使用的树搜索框架，并非一次性的专项工具，而是有系统性方法论的可复用框架。

谷歌团队在附录中详细公开了：

• 完整的系统提示词（System Prompt）

• 评估验证的代码实现

• 「负向提示」（Negative Prompting）策略——这是强制AI探索不同解法方向的关键技巧

所谓负向提示，就是在AI找到一个有效解法后，明确告诉它「不要再用这个方法」，强制它另辟蹊径，继续探索——这样才有了从方法1到方法6的多样解法。

这种方法论本身，就是一个可以迁移的科研工具。

今天用于宇宙弦，明天可以用于材料科学、量子化学、纯数学中的未解猜想。

AI正在叩开理论物理的大门

回顾这件事，有一个细节让人印象深刻。

在机器学习领域，大家早就习惯了AI能做的事：识别图片、生成文本、下棋、写代码……

但推导符号数学、独立识别数学结构的奇点并找到消除它的优雅方法——这件事，此前被认为几乎不可能。

因为数学发现不是搜索，是「顿悟」。

然而Gemini Deep Think的案例告诉我们——「顿悟」也许可以被分解成：

足够大的搜索空间 + 足够精密的评估标准 + 足够强的推理能力。

三者叠加在一起，就可以涌现出看起来像「直觉」的东西。

AI，已经准备好成为数学家、物理学家以及所有科学家的最强搭档。

这，也许真的只是一个开始。

参考资料：

https://arxiv.org/pdf/2603.04735