我们用最近备受瞩目的DeepSeek挑战了物理所出的竞赛题。怀着满心的期待与好奇开启了这场独特的测试。在整个挑战过程中，DeepSeek展现出了一定的实力，它依据自身强大的算法与海量数据处理能力开始解题。然而，结果却充满了惊喜与思考。它在一些题目上给出了相当精准且富有逻辑的答案，体现出对物理知识有相当程度的理解和运用能力，但也在部分复杂、需要深度推理与创新性思维的题目上遇到了挑战，这也让我们对人工智能在物理竞赛领域的能力边界有了更深的认识。

近日，我国“深度求索”公司发布的具备深度思考和推理能力的开源大模型 DeepSeek-R1 受到了全世界的关注。

在 DeepSeek-R1 之前，美国 OpenAI 公司的 GPT-o1，Athropic 公司的 Claude，Google 公司的 Gemini，都号称具备了深度思考和推理能力。这些模型在专业人士和吃瓜网友的五花八门的测试中，表现的确是惊才绝艳。

特别引起我们兴趣的，是 Google 的专用模型 AlphaGeometry 在公认高难度的国际奥林匹克数学竞赛中取得了 28/42 的成绩，获得银牌。学生时代我们也接触过奥数，深知能在此类国际奥赛中获银牌的选手，无一不是从小就体现出相当数学天赋，且一路努力训练的高手。能够达到这个水平的 AI，称其为具备了强大的思考能力并不过分。自打那之后，我们就一直好奇，这些强大的 AI，它们的物理水平又如何？

1 月 17 日，中科院物理所在江苏省溧阳市举办了“天目杯”理论物理竞赛。没过两天， DeepSeek-R1 的发布引爆 AI 圈，它自然成了我们测试的首选模型。此外我们测试的模型还包括：OpenAI 发布的 GPT-o1，Anthropic 发布的 Claude-sonnet。

下面是我们测试的方式：

1.整个测试由 8 段对话完成。

2.第一段对话的问题是“开场白”：交代需要完成的任务，问题的格式，提交答案的格式等。通过 AI 的回复人工确认其理解。

3.依次发送全部 7 道题目的题干，在收到回复后发送下一道题，中间无人工反馈意见。

4.每道题目的题干由文字描述和图片描述两部分组成（第三、五、七题无图）。

5.图片描述是纯文本方式，描述的文本全部生成自 GPT-4o，经人工校对。

6.每个大模型所拿到的文字材料是完全相同的（见附件）。

上述过程后，对于每个大模型我们获得了 7 段 tex 文本，对应于 7 道问题的解答。以下是我们采取的阅卷方式：

1.人工调整 tex 文本至可以用 Overleaf 工具编译，收集编译出的 PDF 文件作为答卷。

2.将 4 个模型的 7 道问题的解答分别发送给 7 位阅卷人组成的阅卷组。

3.阅卷组与“天目杯”竞赛的阅卷组完全相同，且每位阅卷人负责的题目也相同。举例：阅卷人 A 负责所有人类和 AI 答卷中的第一题；阅卷人 B 负责所有人类和 AI 答卷中的第二题，等等。

4.阅卷组汇总所有题目得分。

结果如何呢？请看下表。

结果点评：

1.DeepSeek-R1 表现最好。基础题（前三题分数拿满），第六题还得到了人类选手中未见到的满分，第七题得分较低似乎是因为未能理解题干中“证明”的含义，仅仅重述了待证明的结论，无法得分。查看其思考过程，是存在可以给过程分的步骤的，但最后的答案中这些步骤都没有体现。

2.GPT-o1 总分与 DeepSeek 相差无几。在基础题（二题、三题）中有计算错误导致的失分。相比于 DeepSeek，o1 的答卷更接近于人类的风格，因此以证明题为主最后一题得分稍高。

3.Claude-sonnet 可谓“马失前蹄”，在前两题中连出昏招打了 0 分，但后续表现跟 o1 相当接近，连扣分点都是类似的。

4.如果将 AI 的成绩与人类成绩相比较，则 DeepSeek-R1 可以进入前三名（获特优奖），但与人类的最高分 125 分仍有较大差距；GPT-o1 进入前五名（获特优奖），Claude-sonnet 前十名（获优秀奖）。

最后想聊几句阅卷的主观感想。首先是 AI 的思路是真的好，基本上没有无法下手的题，甚至很多时候一下子就能找到正确的思路。但跟人类不同的是，它们在有正确的思路后，会在一些很简单的错误里面打转。比如通过看 R1 的第七题思考过程，就发现它一早就知道要用简正坐标来做，能想到这一步的考生几乎 100%求解出了正确的简正坐标（一个简单的矩阵对角化而已），但是 R1 似乎是在反复的猜测和试错，到最后也没有得到简正坐标的表达式。

还有就是所有的 AI 似乎都不理解一个“严密”的证明究竟意味着怎样的要求，似乎认为能在形式上凑出答案，就算是证明了。AI 如同人类，也会出现许多“偶然”错误。比如在正式的统一测试前，我们私下尝试过多次，很多时候 Claude-sonnet 可以正确解出第一题的答案，但正式测试的那次它就偏偏做错了。出于严谨，我们也许应该对同一道题测试多次然后取平均，但实在是有点麻烦……