GPT-6-Astra که در محیط برنامه‌نویسی Codex شرکت OpenAI اجرا شد، در آزمونی از مسائل پژوهشی فیزیک نظری، ۴۹ مسئله از ۵۰ مسئله را حل کرد. نویسندگان پژوهش می‌گویند اجرای این آزمون در مجموع کمی کمتر از ۱۱۶ دلار هزینه داشت؛ یعنی حدود ۲٫۴۰ دلار برای هر مسئله. در این آزمون، عامل‌های هوش مصنوعی تجاری با یکدیگر مقایسه شدند و هیچ راهنمایی انسانی در اختیارشان قرار نگرفت.
با فعال بودن جست‌وجوی وب، Opus 5.5 شرکت Anthropic در Claude Code امتیاز ۹۲٪ گرفت. امتیاز Gemini 3.8 Flash شرکت Google به ۶۸٪ رسید و مدل‌های با وزن‌های باز DeepSeek-V4.1-Flash و GLM 5.3 به‌ترتیب ۵۴٪ و ۴۲٪ گرفتند. بدون جست‌وجوی وب، Astra و Opus هر دو امتیاز ۹۲٪ گرفتند.
آزمون محاسبات، نه اکتشافات
این ۵۰ مسئله ۱۱ زیرشاخه را در بر می‌گیرد؛ از جریان سیالات و فرایندهای زیستی گرفته تا فیزیک ذرات و کیهان‌شناسی. بیشتر مسائل، محاسبات پژوهشی متعارف‌اند: به‌کارگیری روش‌های شناخته‌شده برای پرسشی تغییر‌یافته، نه حل مسائل بزرگ و حل‌نشده. نویسندگان می‌گویند چنین تکالیفی می‌توانند پروژه‌های اولیه دانشجویان دکتری باشند.
در یکی از نمونه‌ها، لازم بود معادلات مقاله‌ای قدیمی درباره سیاه‌چاله‌ها تغییر داده شود و برنامه‌ای اختصاصی برای محاسبه نتیجه نوشته شود. پژوهشگران می‌گویند مسائل طوری طراحی شده بودند که نتوان پاسخ را صرفاً از روی مقاله رونویسی کرد. هر عامل دو بار آزموده شد: یک بار با جست‌وجوی وب و بار دیگر بدون دسترسی به اینترنت.
محدودیت‌های امتیاز
پژوهشگران دریافتند برخی از خطاهایی که در نگاه اول به هوش مصنوعی نسبت داده می‌شد، در واقع اشتباه‌های جزئی در پاسخ‌های مرجع کارشناسان بود. پس از اصلاح آن پاسخ‌ها، جواب‌های Astra در این موارد درست از آب درآمد. مسئله‌ای که Astra نتوانست حل کند، برای همه مدل‌ها دشوار بود؛ نویسندگان همچنین می‌پذیرند که شاید استنباط پاسخ مورد انتظار آن به‌طور ناعادلانه‌ای دشوار بوده باشد.
امتیاز بالا در این محاسبات نشان نمی‌دهد که هوش مصنوعی می‌تواند پرسش‌های پژوهشی ارزشمند انتخاب کند یا به دستاوردی در فیزیک برسد. نویسندگان می‌گویند عامل‌های فعلی هنوز در تشخیص جالب‌بودن مسائل و تغییر مسیر به‌سوی پرسشی ساده‌تر برای حل، مشکل دارند. مجموعه مسائل و تنظیمات آزمون در Hugging Face در دسترس است.
چرا مهم است
برای دانشجویان و استادان فیزیک، نتایج نشان می‌دهد برخی از کارهای محاسباتی که پیش‌تر به‌عنوان پروژه‌های آغازین پژوهشی استفاده می‌شدند، ممکن است آسان‌تر از گذشته خودکار شوند؛ نویسندگان می‌گویند اگر هدف صرفاً تمرین نباشد، شاید دیگر این کارها برای پروژه اول مناسب نباشند. این آزمون نشان نمی‌دهد هوش مصنوعی می‌تواند پرسش‌های ارزشمند انتخاب کند یا فیزیک تازه‌ای به دست آورد؛ بنابراین هنوز معلوم نیست فراتر از این محاسبات چه اثری بر پژوهش خواهد گذاشت.
