AI 在数学领域的进展已经不再是新闻，但它的下一个目标可能比数学更大。
发生了什么
据 WIRED 报道，MIT 的研究者认为，AI 可能很快成为解决理论问题的默认方式，范围覆盖经济学、高能物理以及其他基础科学领域。这一判断并非来自某篇具体论文的结论，而是研究者对当前趋势的整体观察：AI 正在从数学这一高度形式化的领域，向那些同样依赖理论推演、但结构和语言更复杂的学科迁移。
数学之所以成为 AI 的突破口，是因为它天然适合机器处理——符号系统明确、验证标准清晰、反馈信号干净。当 AI 在数学推理上取得进展后，研究者开始追问：同样的方法能否迁移到那些没有如此严格形式化的领域？
为什么重要
这件事的意义不在于 AI 又拿下了一个学科，而在于科研范式的潜在转移。
长期以来，理论物理、经济学等领域的理论工作高度依赖研究者的直觉、经验和长期积累。一个理论问题的突破往往需要数年甚至数十年。如果 AI 能够承担部分理论探索工作——提出假设、检验逻辑一致性、在庞大的可能性空间中搜索——那么科研的节奏和分工都会改变。
更关键的是“默认方式”这个表述。它意味着 AI 不再是一个可选工具，而是研究者面对理论问题时的第一反应。这种地位的变化，比任何单点能力提升都更具颠覆性。历史上，统计软件、计算模拟都曾经历过从辅助到默认的转变，而每一次都重塑了学科的研究方法。
影响与看点
对科研工作者而言，最直接的变化是工作重心的迁移。如果 AI 能处理形式化推演和初步验证，研究者的价值将更多体现在提出好问题、判断结果的意义、以及跨领域的连接能力上。
对 AI 行业来说，这打开了一个比消费级应用更深的战场。科学发现是少数几个对错误容忍度极低、但对效率提升需求极高的领域。谁能在这里建立可信度，谁就能拿到科研基础设施的入场券。
值得关注的几个具体方向：一是验证机制如何建立——科学不像数学有形式化证明，AI 给出的理论结论需要新的可信度评估框架；二是学科间的迁移难度差异——高能物理和经济学对 AI 的适配程度可能完全不同；三是研究者角色的重新定义，这可能是最慢但最深远的变化。
一个独立判断：AI 进入科学理论领域，短期内不会取代研究者，但会迅速改变“什么样的问题值得问”。当推演成本下降，问题的选择权反而变得更加关键。
