上交大 SciMaster 团队新作：一个「AI 物理博士」的诞生

当大模型的能力从能回答问题走向能完成任务，AI for Science 也正在经历一次更深层的转向。 过去行业更关注模型在标准题目、知识问答和文献总结上的表现，但这些能力本质上仍属于信息处理，它们可以提升效率，却很难真正改变科研本身的推进方式。 现实科研的核心难点并不在于单点能力是否强，而在于研究过程天然是长链条、不确定、强依赖验证的闭环系统。一个看似简单的物理问题，往往需要经历建模选择、推导路径、数值实验设计、代码实现、调参排错、对照基准结果、误差来源分析等一整套流程，任何一步出错都可能导致结论失效。 也正因为如此，科研效率的瓶颈长期不在想法是否聪明，而在能否把想法变成可信结果，大量时间消耗在重复工程与试错迭代中。 在这样的行业背景下，上海交通大学 SciMaster 团队联合深势科技、中科院理论物理所在研究论文《PHYSMASTER: Building an Autonomous AI Physicist for Theoretical and Computational Physics Research》中给出了一个更激进的答案，与其把 AI 当作分散的辅助工具，不如直接构建一个能够组织、规划并执行科研闭环的自主系统。 研究团队用五个真实的物理科研任务验证其能力，从加速成熟工作流，到自动完成复杂数值研究，再到尝试自主探索开放问题，展示了 AI 迈向可持续推进科研的可能路径。 这项研究真正值得关注的地方，不只是模型算得更快或写得更像人，而是它让我们看到一种潜在的新科研范式，AI 不再只是科研流程中的局部工具，而可能成为能够承担完整研究链条的研究主体之一。 论文地址：https://arxiv.org/pdf/2512.19799 五项任务跑通科研闭环 这项工作并不是在一个统一的数据集上跑模型分数，而是通过五个真实的物理科研任务来验证系统能力，并将这些任务按能力层级分为三档