OpenAI odpaliło blog naukowy i nie zaczęło od bezpiecznego tematu. W pierwszym wpisie Nathaniel Craig z UC Santa Barbara opisuje, jak GPT-6 Astra pomogło zbudować kandydacką definicję Modelu Standardowego na siatce czasoprzestrzennej. To brzmi hermetycznie, ale stawka jest prosta: chodzi o jeden z długo męczących fizyków problemów formalnych.
TL;DR
- Nathaniel Craig opublikował 6 października 2026 preprint arXiv:2610.09093 z pomocą GPT-6 Astra
- Astra zamieniła strategię Craiga w konkretną konstrukcję i poprowadziła szczegółowy dowód
- Problem dotyczy chiralnych teorii gauge i fermion doubling przy próbie lattice definicji pełnego Modelu Standardowego
- Praca to kandydacka definicja na skończonej siatce, nie gotowe narzędzie do symulacji
- OpenAI uruchomiło nowy science blog - to pierwszy post
Dlaczego Model Standardowy nadal nie ma pełnej definicji
Model Standardowy od ponad pięćdziesięciu lat bardzo dobrze opisuje cząstki elementarne i trzy z czterech oddziaływań fundamentalnych. To właśnie ten zestaw równań stoi za sporą częścią współczesnej fizyki wysokich energii – od prostszych zjawisk atomowych po wyniki z Wielkiego Zderzacza Hadronów. To fundament fizyki, ale fundament wciąż nie jest domknięty od strony formalnej.
Problem polega na tym, że fizycy nadal szukają pełnej nieperturbacyjnej definicji. W praktyce wiele obliczeń robi się perturbacyjnie: najpierw upraszcza układ, potem dodaje kolejne poprawki. To wystarcza w wielu zastosowaniach, ale nie wszędzie. Gdy w grę wchodzą silnie oddziałujące układy albo subtelne własności chiralnych fermionów, takie obejście przestaje być satysfakcjonujące.
Lattice field theory i skąd bierze się kłopot z fermionami
Jednym ze sposobów obejścia tego ograniczenia jest lattice field theory, czyli zapisanie czasoprzestrzeni jako siatki punktów. Taka konstrukcja pozwala nadać teorii ścisłą postać i, przynajmniej w części przypadków, policzyć ją numerycznie. Właśnie dlatego metody siatkowe od dawna są ważne w fizyce cząstek, szczególnie tam, gdzie teoria perturbacji zawodzi.
Schody zaczynają się przy oddziaływaniu słabym. Pełny Model Standardowy jest teorią chiralną, więc lewo- i praworęczne fermiony nie są traktowane symetrycznie. Przy prostym umieszczeniu takich fermionów na siatce pojawia się zjawisko zwane fermion doubling: matematyka „dopowiada” dodatkowych partnerów, których teoria w tej postaci nie chce. I właśnie ten punkt blokował prostą formulację siatkową przez dekady.
Co Nathaniel Craig przypisuje GPT-6 Astra
Według wpisu Nathaniela Craiga oraz preprintu arXiv:2610.09093 z 6 października 2026, punkt wyjścia należał do niego: miał ogólną strategię opartą na sukcesywnym zagęszczaniu siatki i korektach fazowych. Problemem było doprowadzenie tej idei do postaci, która utrzyma się we wszystkich wymaganych przypadkach. Tu do gry weszło GPT-6 Astra.
Craig pisze, że GPT-6 Astra zaproponowało sposób przenoszenia pól gauge na coraz drobniejsze siatki, pokazało zbieżność odpowiednich porównań i rozwinęło szczegółowy dowód. Sam preprint opisuje gauge-invariant measure dla overlap fermions w klasie nieabelowych chiral gauge theories obejmującej Model Standardowy. Wspomniana jest też formalizacja w Lean 4 udostępniona na Zenodo, a komentarzy do pracy mieli udzielić eksperci lattice: Maarten Golterman, Andreas Kronfeld i Yigal Shamir.
Co z tego wynika dla OpenAI i samej fizyki
Najważniejsze: to nie jest jeszcze „rozwiązany problem fizyki cząstek”. Craig opisuje wynik jako kandydacką konstrukcję, która wymaga dalszej weryfikacji, w tym sprawdzenia własności takich jak reflection positivity. Innymi słowy, mówimy o mocnym ruchu w stronę formalnej definicji, a nie o gotowym narzędziu do codziennych symulacji.
Dla OpenAI to za to wygodny pokaz siły nowego bloga naukowego. Firma nie wrzuciła na start marketingowej opowieści o produktywności, tylko przykład z bardzo wąskiej i trudnej działki. To sygnał ambicji. I pewnie także test, czy da się przekonać środowisko naukowe, że modele AI mogą być czymś więcej niż szybkim streszczaczem paperów. W polskim kontekście ten dystans do wielkich deklaracji jest zresztą sensowny: podobne tezy o „AI dla nauki” będą i u nas oceniane dopiero po tym, czy pojawi się niezależna weryfikacja, a nie po samym wpisie firmowym.
Źródła:
OpenAI Blog, The Defiant, MLQ.ai, Data Phoenix, Scalevise, AI/TLDR, arXiv:2610.09093
