在这篇嘉宾文章中，物理学家和科学作家Matt von Hippel分享了他向人工智能公司发出挑战的经历，这个挑战与他以前的理论物理子领域的问题有关。并不是常有你发出挑战一个月后就看到它被击败。但我们正生活在一个不寻常的时代。让我介绍一下自己：我叫Matt von Hippel。曾经是一名理论物理学家；如今我是一名科学作家。在此期间，我一直是一名博主，每周在4gravitons.com上写关于物理学和从事这门学科的人的文章。越来越多，写物理学博客意味着要写有关人工智能的博客。这是个问题，因为我绝对不是人工智能专家。我确实稍微涉猎过一些，我可能比你的奶奶知道得多。但我大多数时候不得不退后一步，相信专家。而令人沮丧的是，专家们之间存在分歧！我听到过一些聪明且见多识广的人自信地认为，人工智能距离超级智能只需几年，而超级智能将能够做到真正令人恐惧的事情。我也听到过一些聪明且见多识广的人同样自信地认为，基于大型语言模型的人工智能即将达到瓶颈，像Claude这样的模型甚至无法在物理学中做出令人印象深刻的工作，更不用说征服世界了。我一直不愿意做出自己的预测。在形成意见之前，我想看到一个大型语言模型在某个我熟悉的领域取得进展，那是我知道很难做到的，因为我自己也尝试过类似的事情。除此之外，我还想看到一个大型语言模型在我期望是计算上困难的事情上做出贡献。无疑，大型语言模型在数学方面已经取得了令人印象深刻的进展，而且单在这个月就可能改变了许多人的看法。但数学的进展来自于新的想法，而想法是神秘的东西：人们总是不知道它们多么难以发现，直到它们被发现。计算看起来更扎实。我想看到一个大型语言模型解决一个似乎遥不可及的挑战，这并不是因为研究人员不知道从原则上如何做到，而是因为做到这一点似乎需要比研究人员合理获得的更多的计算机和时间。我想看看那些研究人员是否错了：如果一个更聪明的人工研究者可以使用相同的计算机，是否可以解决这个问题。因此，我发出了一个挑战："如果人工智能公司想要让像我这样的人印象深刻（或吓到我们），那么他们就需要解决我以前的领域。展示出人工智能可以利用学术界能够获得的计算资源，解决散射振幅领域的一些重大悬而未决的问题。展示出每个人都认为是问题的计算限制实际上并不重要。给我们N=8超引力七个循环，或者N=4超杨-米尔斯九个循环。" 简而言之：人工智能能解决我以前理论粒子物理学的前沿问题吗？并且能以有限的预算做到吗？ 我以前的领域是一个叫做振幅学的理论粒子物理学分支。当其他粒子物理学家预测新的粒子时，他们会确保能够进行计算来验证这些预测。他们计算称为散射振幅的公式，这让物理学家能够利用亚原子粒子的动量和能量计算它们以特定方式反应的可能性。如果物理学家能够对这些反应做出更准确的预测，他们就可以检查大型强子对撞机等实验的结果是否与这些预测相符。匹配不符可能是新理论的证据，这一理论可以解释一些物理学界长期存在的大谜团，比如暗物质的性质，或宇宙中物质和反物质之间的平衡。这些散射振幅公式计算起来非常困难，因此物理学家几乎总是使用近似值。他们进行部分计算，截止到特定数量的“循环”，这是一个测量粒子之间交互复杂程度的指标。包含的“循环”越多，他们的计算就越接近真实答案，而计算的难度也就越大。实际上，大多数散射振幅公式的计算仅限于两个循环。有些计算出了三个循环。你可能听说过的粒子物理学中最精确的预测使用了五个循环。振幅学家希望做到更好。他们开发新的实验技术，并在特殊的“玩具模型”理论上进行测试。通过在玩具模型中尝试这种技术，计算更简单，而不是在真实世界中更具挑战性的粒子上，振幅学家能够对新方法进行压力测试，并看出他们能走多远。我为这两个玩具模型发布了挑战。Anthropic 的人们选择挑战的模型是一个特定的玩具模型理论，称为 N=4 超杨-米尔斯。 "杨-米尔斯" 是一种理论的技术名称，解释我们周围的世界大部分内容。自然界四种基本力中的三种：电磁力、强核力（把原子核结合在一起的力量）。