从数学证明到物理实验：AI开始为科研结果负责

GPT-6 Astra上线第一天就在FME数学基准中解出5道Erdős难题，Claude则用数十个智能体协作完成费马大定理的形式化证明。两条消息放在一起看，意义并不只是“哪个模型更强”：AI正在从展示流畅答案，走向提交可验证成果。与此同时，Anthropic开始在API层验证思考过程的一致性，Physical Superintelligence把模型接进物理实验，AI数据公司则把医生、律师等专业人士的工作过程变成训练材料。模型竞争的下一站，已经从参数规模转向推理、证据和真实世界闭环。

数学不再只是演示题

OpenAI公布的GPT-6 Astra在FME数学基准中成为唯一取得非零成绩的模型，在68道Erdős难题中解出5道，得分率为3%，单题解题期望成本约1万美元。这个数字看上去并不高，却说明评价AI科研能力不能只看平均正确率。对于前沿数学而言，一次真正有效的突破，可能就来自一组此前长期没有进展的具体问题。

更值得关注的是形式化验证。Claude被报道在11天内完成费马大定理首个完整形式化证明，写下约1300万行Lean代码并证明30300个定理。无论最终怎样评价这项成果的研究边界，Lean这类工具提供了一条重要路径：模型的猜想、推导和代码必须接受计算机检查，AI输出不再只依赖“看起来合理”的文字说服人类。

模型能力变成工程约束

Anthropic发布Fable 5.1后，在API中加入“上下文一致性验证”，严格检查返回的思考块是否与原始上下文一致。若思考内容被篡改，服务将报错拒绝；开发者也可以选择非严格模式，由系统自动删除思考块。这项变化的直接影响是，模型的内部过程不再只是调用方可以随意搬运的一段文本。

它也反映出大模型产业正在进入更复杂的工程阶段。过去，开发者主要关心提示词怎么写、模型分数多高；现在还必须考虑上下文是否完整、缓存是否可信、输出能否审计，以及不同模型之间的数据边界。对企业来说，稳定的API行为和可追溯的执行记录，往往比一次测试中的极限分数更能决定采购结果。

这类机制也会改变模型服务的成本结构。上下文缓存如果可靠，重复提交的资料就不必反复计算；思考过程如果可以验证，团队就能把高风险任务交给更强模型，把格式整理和低风险执行交给便宜模型。模型调用因此不再是简单的“问一次、付一次钱”，而会变成围绕任务状态、缓存命中和验证结果进行的系统调度。

AI开始走进物理实验室

Physical Superintelligence完成5800万美元种子轮融资，由比尔·盖茨的Breakthrough Energy Ventures领投，产品Emmy被描述为能够模拟“虚拟物理学家”，自动完成物理仿真推演与实验验证，应用方向包括数据中心优化和星际轨道测算。这个案例的价值在于，它没有把AI停留在论文摘要或聊天窗口，而是尝试让系统提出假设、运行模拟，再用实验结果修正下一步。

AI for Science真正困难的地方，不是生成一个漂亮的实验方案，而是面对现实世界的不确定性。仿真可能与实测不一致，设备有精度和成本限制，失败结果也必须被记录并影响后续决策。只有把数据、模型、实验设备和人工审核连接起来，AI才可能从“科研助手”变成可承担部分研究流程的系统。

专业数据成为新燃料

AI数据公司AfterQuery的估值达到32亿美元，创始人只有22岁和23岁，年化收入已达1亿美元。公司让医生、律师等专业人士参与数据生产，使模型学习的不只是“答案是否正确”，还包括从业者如何拆解任务、判断证据、处理例外情况。这个方向解释了为什么高质量数据仍然是模型竞争的核心资产。

普通网页文本可以帮助模型扩大知识覆盖，却很难完整呈现一个职业决策过程。医生如何排除危险情况，律师怎样寻找关键事实，工程师为什么拒绝某个看似可行的方案，这些隐性的判断标准往往藏在过程里。未来的数据服务商比拼的不会只是数量，而是能否把专业经验整理成可复现、可评估、可持续更新的训练样本。

企业部署要看能否验收

蚂蚁数科分享的Harness工程实践，提出围绕约束、验证和验收建立研发闭环，并在40万行Rust新项目和60万行C++存量项目中进行验证，存量项目代码缺陷率从20%以上降至个位数。它传递的信号很明确：AI编码的下一步不是单纯让代码生成更快，而是让每一次修改都能被测试、审查和交付。

这对部署环境提出了更高要求。企业需要稳定的算力、清晰的权限、可回滚的版本和持续的日志记录，网络延迟与资源调度也会直接影响Agent的长任务体验。对于需要承载模型推理、代码构建和数据处理的业务，选择像速维云这样的云服务器服务时，也应把地域、带宽、磁盘性能和备份策略一起纳入评估，而不是只比较单价。

从会回答到能负责

这批资讯共同勾勒出一条清晰路线：数学基准要求模型产出可检查的证明，API机制要求思考过程保持一致，物理实验要求模型接受现实反馈，专业数据要求系统学习真正的判断过程，企业Harness则要求结果能够验收。模型本身仍然重要，但它只是闭环中的一个环节。

普通用户未来感受到的变化，可能不是聊天窗口突然多了一个功能，而是AI能够承担更长的任务：先理解目标，再调用工具，遇到失败时修改计划，最后交付带有证据和记录的结果。这样的AI更有用，也更危险，因为它拥有更大的行动范围。谁能把能力、权限和验证机制同时做好，谁才有机会在下一阶段的AI竞争中真正建立壁垒。

因此，判断一项新能力是否值得投入，不能只看发布会上的演示视频。更实际的问题是，它能否在有限预算下重复完成任务，能否把失败原因说清楚，能否在关键节点停下来等待人工确认。只有这些条件同时满足，AI才会真正进入科研、生产和日常工作的核心流程。