顶尖大模型在国际天文奥赛中碾压人类选手，但空间推理仍是致命短板。
最近，一篇震撼学术圈的论文横空出世——来自美国俄亥俄州立大学、巴西圣保罗大学等机构的研究团队，把五个最顶尖的大语言模型拉进了“国际天文与天体物理奥林匹克竞赛”（IOAA）的考场。结果你猜怎么着？GPT-5 和 Gemini 2.5 Pro 不仅双双拿下金牌，还在多届比赛中直接干翻了全球200多名人类天才高中生，稳居第一名和第二名！这可不是那种选择题问答题的水比赛，而是实打实要手推公式、画图分析、多步推理的硬核科学考试。
换句话说，AI现在不仅能背天文知识，还能像真正的天体物理学家一样思考问题了！
先来认识一下这支“AI考神”背后的科研天团。
第一作者卢卡斯·卡里特·德尔加多·皮涅罗（Lucas Carrit Delgado Pinheiro）可不是纸上谈兵的理论派——他本人就是2018年IOAA的参赛选手，后来连续三年担任巴西国家队领队，还进了2024年赛事学术委员会，堪称天文奥赛的“活字典”。
另一位一作陈子儒（Ziru Chen）来自俄亥俄州立大学计算机系，专攻大模型与科学推理。团队里还有天文学系的丁元森教授（Yuan-Sen Ting），他不仅是AstroMLab天文评测基准的创始人，更是推动AI在天文学落地的核心人物。
再加上通信大牛Ness Shroff、机器学习专家Huan Sun等人，这个跨学科阵容简直豪华到爆——既有懂AI的，也有懂天文的，还有亲自打过奥赛的，三重Buff叠加，评测结果自然权威到没话说。
那么，IOAA到底有多难？它可不是学校里那种“太阳系有几大行星”的常识题。比赛分为理论、数据分析和观测三部分（AI只考前两项）。理论题动辄50分一道，要求你用球面三角、天体力学、宇宙学模型，结合真实物理常数，一步步推导出答案。比如2024年有一道75分的大题，让你计算某次日食中心点的地理坐标——这需要你理解太阳、月亮、地球三者的三维空间关系，建立向量方程，还要考虑地球曲率。而数据分析题更狠，直接给你一堆真实的光变曲线、星表数据、引力波信号，让你从中提取关键信息、画图、拟合、下结论。这完全是研究生级别的科研任务，却被拿来考高中生，难怪全球每年只有不到10%的选手能拿金牌。
研究团队把2022到2025年四年的IOAA真题喂给了五个顶级大模型：GPT-5、OpenAI o3、Gemini 2.5 Pro、Claude 4.1 Opus 和 Claude 4 Sonnet。为了公平，他们连人类选手用的常数表都原样提供，还要求AI用LaTeX写出完整推导过程，画图必须用tikz代码生成——这操作，简直比人类手写还规范。更绝的是，所有AI答卷都由两位IOAA资深专家盲评，严格按照官方评分标准打分，连“思路对但算错”的部分都只扣一次分，绝不双重惩罚。
结果令人瞠目结舌。在理论考试中，GPT-5平均得分84.2%，Gemini 2.5 Pro更是高达85.6%！
什么概念？
IOAA的金牌线是人类选手中位数的160%，而这俩AI在四届比赛中全部远超金牌线，其中GPT-5在2022、2023、2025三年直接考了全场第一，比最强的人类选手还高。就连排名垫底的Claude Sonnet 4也拿了60.6分，稳稳超过人类中位数。
要知道，这些人类选手可是各国层层选拔出来的天才，而AI只是坐在服务器里“闭卷”答题，连互联网都不能搜！
但真正拉开差距的是数据分析考试。这里GPT-5再次展现王者风范，平均88.5分，甚至在2023年拿了满分！它能精准读图、正确拟合曲线、合理解释误差。而其他模型就惨不忍睹了——Claude系列直接掉到48%到55%，连及格线都悬。
为什么？因为数据分析极度依赖多模态能力：你得看懂坐标轴、识别图例、从像素里抠数据。论文里的错误分析图显示，除了GPT-5和Gemini，其他模型光“读图错误”就丢了快一半分。这说明什么？在天文这种高度依赖图像的学科里，多模态能力就是生死线。
不过，别急着喊“AI取代科学家”。论文最精彩的部分其实是“翻车现场”分析：
研究团队发现，所有大模型都有一个致命软肋：空间几何推理。
比如2024年那道日食题，三个模型直接假设日月地三点共线——这在现实中根本不可能！还有更离谱的，一道基础角度题，四个模型算出来全是60度，正确答案明明是30度。为啥？因为它们无法在脑子里构建三维天球模型，更别说处理球面三角这种非欧几何了。此外，时间系统也是一大雷区：热带年、恒星年、历书年傻傻分不清，连闰年规则都能搞错。
这些错误不是算力问题，而是认知架构的硬伤——现在的语言模型，终究只是“文字Context处理器”，没有真正的空间想象力。
有意思的是，GPT-5和Gemini虽然都强，但强项不同。GPT-5胜在物理直觉和数据处理，遇到复杂公式推导和图表分析几乎无懈可击；Gemini则在几何题上略胜一筹，2024年那届几何题占比超高，它就反超GPT-5拿了第一。这说明不同模型的训练数据和架构，真的会塑造出不同的“科学思维风格”。
那么，这项研究到底意味着什么？作者们很清醒：AI现在可以当“科研副驾驶”，帮你验算公式、查文献、画初稿图，但绝不能当“主驾”。因为一旦涉及空间想象、物理直觉、近似判断这些人类科学家的本能，AI就容易翻车。比如有道题让估算戴森球温度，GPT-5直接说地球会冻成0K——完全忘了戴森球自己会发热！这种缺乏物理常识的错误，在科研中可是致命的。
未来怎么破局？论文给出了两个方向：
一是给AI配上“视觉草稿本”，让它能像人类一样边想边画示意图；
二是用海量天文图像-问题对训练多模态模型，专门攻克读图难关。
毕竟，天文学80%的信息都藏在图像里，看不懂图的AI，永远只是半吊子。
总而言之，这篇论文既展示了AI在科学推理上的惊人飞跃，也划清了当前技术的边界。它告诉我们：AI不是来取代科学家的，而是来放大人类智慧的。当顶尖模型都能在奥赛中摘金，真正的科研革命或许才刚刚开始。