在人工智能（AI）一路高歌猛进、似乎已无所不能的今天，一场来自物理学界的、极其严苛的、堪称“博士资格大考”式的基准测试，为这股狂热的浪潮，注入了一剂强力的、也是无比必要的“镇静剂”。
这项名为“CritPt”的全新物理学基准测试，其结果，是令人警醒的：
即便是目前全球公认的、最顶尖的两大AI模型——谷歌的Gemini 3 Pro和OpenAI的GPT-5——在面对真正的、原创性的、前沿的科学研究问题时，其表现，也堪称“惨不忍睹”。
其最高的准确率，尚不足10%。
这场“大考”的出题方，是一个由来自全球30多个顶尖科研机构的、超过50位物理学家，所共同组成的“学术委员会”。
其核心的目标，远非去检验AI，对那些早已写在教科书上的、已知的物理学知识的“记忆能力”。
它，旨在测试一个更为根本、也更为艰难的能力：AI，是否，已经具备了，去独立地，解决那些原创性的、从未被发表过的、真正的“研究问题”的能力？
这，相当于，是在考核AI，是否，已经达到了一个“能力出众的、博士早期研究生的、独立的科研水平”。
为了确保这场考试的绝对公平，和防止任何形式的“作弊”，CritPt，包含了71个完整的、全部基于“未发表”资料的研究挑战。
其涵盖的范围，囊括了量子物理、天体物理、高能物理和生物物理等11个最前沿的、人类知识的边界领域。
而这场“博士大考”的初步“阅卷结果”，是残酷而清醒的。
根据一家独立的人工智能分析公司（Artificial Analysis）的评估：
-
被谷歌誉为“有史以来最智能模型”的Gemini 3 Pro Preview，其在71个完整挑战中的，最终准确率，仅为9.1%。
-
而排名第二的、OpenAI的旗舰模型GPT-5.1 (high)，其准确率，更是低至4.9%。
这个悬殊的结果，无情地，揭示了当前所有的大语言模型，在面对真正开放式的、需要严谨性、创造性和高度精确性的物理学问题时，其共同的、结构性的缺陷。
尽管，在那些被进一步细分出来的、定义更明确的、更小的“检查点”子任务上，这些模型，都表现出了一定的、解决局部问题的进步。
但当需要它们，去将这些“点”，串联成一条完整的、逻辑自洽的、能够最终解决一个完整科研挑战的“线”时，它们，几乎是，束手无策。
而比其“准确率低”更令人担忧的，是其“推理能力的脆弱性”。
研究团队，为了测试模型的稳定性，引入了一项更为严苛的评价指标——“一致解决率”。其要求是，模型，必须在五次独立的尝试中，至少有四次，都能够给出正确的答案。
在这个指标之下，所有模型的表现，都出现了“全面的、大幅度的下滑”。
这意味着，即使AI，偶尔，能够“幸运地”，蒙对一次正确的答案，但它，却完全无法，保证下一次，还能稳定地、可复现地，得到同样的结果。
这种“稳健性”的缺失，对于严肃的、讲求可复现性的科学研究而言，是致命的。
模型，常常能够，生成出一些看似头头是道、逻辑严密的中间步骤和最终结论。但其内部，却往往隐藏着一些极其细微的、非专业人士难以察觉的逻辑谬误或计算错误。
这，极易，对人类研究员，产生严重的误导。
爱力方的分析认为，CritPt的这项研究，其最大的价值，在于它为我们，提供了一把冷静的、客观的、科学的“标尺”。
它，帮助我们，去精准地，丈量出了，在“AI能够成为一个真正的、自主的科学家”这个宏大的、充满了诱惑力的愿景，与当下AI所具备的、真实的、脆弱的能力之间，那道依然存在的、巨大的、不可忽视的鸿-沟。
基于CritPt的测试结果，研究人员们，也给出了一个更为切合实际的、在可预见的未来，我们应该追求的目标：
我们，或许，不应再不切实际地，去幻想，用一个全能的“AI科学家”，来完全地，取代人类专家。
一个更现实、也更具可行性的路径，是去利用AI，作为一个强大的“研究助理”，来将那些在科研工作流程中，繁琐的、重复性的、信息密集型的特定步骤，进行自动化的处理，从而，将人类研究员，从枯燥的劳动中解放出来，使其，能够专注于那些，真正需要创造力、直觉和灵感的、更高层次的思考。
而OpenAI，似乎，也正在务实地，朝这个方向努力。其声称，GPT-5，已经开始，为研究人员节省时间，并计划，在2026年9月前，推出一个“研究实习生”系统；而其更为宏大的、推出“完全自主的研究员系统”的目标，则被设定在了2028年3月。
但CritPt的结果，清晰地，提醒着我们：
要实现这最后一步的、从“助理”到“研究员”的终极跃迁，AI，所需要跨越的技术鸿沟，可能远比我们，最大胆的想象，还要深远。
