GPT-5.2 在理論物理學中推導出新結果 | OpenAI

2026年2月13日

GPT‑5.2 在理論物理學中推導出新結果

在一份新的預印本中，GPT‑5.2 提出了一個膠子振幅公式，隨後由 OpenAI 內部模型證明並經作者驗證。

我們發表了一份新的預印本，顯示許多物理學家預期不會發生的一種粒子交互作用，實際上在特定條件下是可以產生的。這項研究聚焦於膠子（gluon），即傳遞強核力的粒子。該預印本⁠（在新視窗中開啟）已發佈於 arXiv 並正提交出版。在此期間，我們歡迎來自社群的反饋。

這篇題為《單負膠子樹圖振幅為非零》（Single-minus gluon tree amplitudes are nonzero）的預印本，由 Alfredo Guevara（高等研究院）、Alex Lupsasca（范德堡大學與 OpenAI）、David Skinner（劍橋大學）、Andrew Strominger（哈佛大學）以及代表 OpenAI 的 Kevin Weil（OpenAI）共同撰寫。

該預印本研究了粒子物理學中的核心概念——散射振幅（scattering amplitude）。散射振幅是物理學家用來計算粒子以特定方式交互作用之機率的量。對於傳遞強核力的膠子，許多振幅在「樹圖層級」（tree level，意指僅保留不含量子迴圈的最簡單圖表的計算）呈現出意想不到的簡單形式。這些簡化反覆揭示了量子場論中的深層結構，而量子場論是統一狹義相對論與量子力學的物理描述框架。

然而，有一種情況通常被認為是不存在的（振幅為零）。當一個膠子具有負螺旋性（helicity，無質量粒子可能具有的兩種自旋方向之一），而其餘 $n-1$ 個膠子具有正螺旋性時，標準教科書的論點認為相應的樹圖振幅必須為零。因此，這種構型在很大程度上被擱置一旁。

該預印本表明這個結論過於武斷。標準論點假設了通用的粒子動量，意指方向和能量並非處於任何特殊排列。我們識別出動量空間中一個特定且精確定義的切片，在該切片上上述推理不再適用，這被稱為「半共線機制」（half-collinear regime）。這裡的半共線意味著膠子動量遵循一種非典型但數學定義明確且一致的特殊排列條件。在這個切片上，振幅並未消失，我們在特殊的運動學機制下計算了它。這一結果為許多新問題開啟了大門，這將成為後續研究的主題。重要的擴展包括計算引力子（graviton，介導引力的粒子）的類似振幅。

這項工作的一個核心面向涉及方法論。預印本中的最終公式（式 39）最初是由 GPT‑5.2 Pro 推測出來的。人類作者手動算出了 $n$ 高達 6 的整數振幅，得到了如式 (29)-(32) 所示非常複雜的表達式，這些表達式對應於「費曼圖展開」，其複雜度隨 $n$ 呈超指數增長。GPT‑5.2 Pro 能夠大幅降低這些表達式的複雜度，提供了式 (35)-(38) 中簡單得多的形式。從這些基礎案例中，它隨後能夠發現規律並提出一個對所有 $n$ 都有效的公式。

隨後，一個內部腳手架版本的 GPT‑5.2 花費了大約 12 小時對問題進行推理，得出了相同的公式並產生了其有效性的形式證明。該方程式隨後經過解析驗證，確認符合 Berends-Giele 遞迴關係（一種從較小構件構建多粒子樹圖振幅的標準步驟方法）。它還通過了軟定理（soft theorem）的檢驗，該定理約束了當粒子變得「軟」（能量趨於零）時振幅的行為。

在 GPT‑5.2 的幫助下，這些振幅已經從膠子擴展到引力子，其他泛化研究也正在進行中。這些 AI 輔助的結果以及許多其他成果將在別處報導。

「自從大約十五年前第一次遇到這些高度簡併的散射過程以來，我一直對它們的物理學感到好奇，因此看到這篇論文中如此驚人簡單的表達式令人興奮。

在物理學的這個領域，經常會發生這樣的情況：使用教科書方法計算的某些物理觀測量的表達式看起來極其複雜，但結果卻非常簡單。這很重要，因為簡單的公式往往會引領我們去揭示和理解深層的新結構，開啟新的思想世界，在那裡，起始點所見的簡單性會變得顯而易見。

對我來說，『尋找簡單公式』一直是一件繁瑣的事情，也是我長期以來覺得可能可以由電腦自動完成的事情。看起來在多個領域我們正開始看到這種情況發生；這篇論文中的例子似乎特別適合發揮現代 AI 工具的力量。我期待看到這種趨勢在不久的將來持續發展，成為一種通用的『簡單公式模式識別』工具。」

——Nima Arkani-Hamed，高等研究院物理學教授，專攻理論高能物理

「我已經在思考這篇預印本對我研究小組研究計畫各方面的影響。這顯然是推進理論物理前沿的期刊級研究，其新穎性將啟發未來的發展和隨後的出版。這篇預印本讓人感覺像是窺見了 AI 輔助科學的未來，物理學家與 AI 攜手合作，產生並驗證新的見解。毫無疑問，物理學家與大語言模型（LLM）之間的對話可以產生根本性的新知識。透過將 GPT‑5.2 與人類領域專家相結合，這篇論文為驗證 LLM 驅動的見解提供了一個範本，並滿足了我們對嚴謹科學探究的期待。」

——Nathaniel Craig，加州大學聖塔芭芭拉分校（UCSB）物理學教授，專攻高能物理、粒子現象學和宇宙學

作者

延伸閱讀

全球事務 | 2026年2月13日

研究 | 2026年2月5日

出版物 | 2026年2月5日