文章指出数学有 Lean、代码有编译器和测试作为不可欺骗的裁判，而物理缺乏机器验证器，导致物理 AI 卡在起跑线前。作者分析 LLM 最擅长伪造物理学家依赖的廉价可信信号（量纲一致、推导自洽、独立路径吻合等），且最危险的错误是将近似用在适用域之外。文章借鉴数学和代码领域建立裁判后能力爆发的经验，提出为物理构建可机检的验证层，输出覆盖度证书，包含量纲检查、对称性验证、数值模拟交叉验证和强制隔离的多路径推导，目标客户是做物理的 AI Agent。
本文系统梳理了物理对机器学习79个开放问题的贡献，按定题、构造块、学习、实验四块逐一分析。作者提出物理介入ML的三条路径：分析方法、模型来源、科研制度，并指出现有综述缺乏按具体问题组织的映射。文中详细评估了每条问题物理能否解决，标注为能、部分或不能，并给出对应的物理方向。最终统计显示，物理在构造块（模型来源）贡献最大，在定题块（语义与目标）几乎无能为力。文章强调物理的价值在于提供分析工具、模型灵感和科研规范，而非万能解药。
本文是量子力学研究史的下篇，聚焦于多体物理、涌现现象与量子信息。文章从狄拉克1929年的宣言切入，指出量子力学虽为化学和物质科学提供了底层定律，但多体系统的指数墙使得精确求解不可能。随后回顾了平均场方法、能带理论、隧穿效应、白矮星简并压等关键进展，并指出莫特绝缘体等强关联系统暴露了单粒子图像的局限。最后，文章介绍了朗道相变理论、准粒子概念以及量子信息科学如何利用多体系统的量子特性，展现了量子力学从微观原理到宏观物质世界的深刻影响。
Physical Superintelligence PBC (PSI) 发布了名为 Get Physics Done (GPD) 的全球首个开源 Agentic AI 物理学家。GPD 能够界定问题范围、制定研究计划、执行推导与数值校验，并根据自然约束验证结果。它具备物理学家副驾驶、AI 同行评审和自动驾驶研究模式三大功能，涵盖从量子场论到天体物理等多个领域，旨在打破物理研究的瓶颈。
