最近我用一个经典点涡问题系统测试了一次大模型的科学推理能力。结果很有意思AI 不只是能把题算出来还能一步步完成从速度场、涡量、流体微团变形到有限变形分解的完整分析链条。适合具备微积分和基础物理知识的读者。阅读约 10 分钟。关键词点涡Point Vortex、涡量Vorticity、有限变形Finite Deformation。传统流体力学问题往往不是“代公式”这么简单。很多时候真正困难的地方在于一边要理解物理图景一边要建立数学模型还要在不同理论框架之间来回切换。最近我用一个经典点涡问题系统测试了一次大模型的科学推理能力。结果很有意思AI 不只是能把题算出来还能一步步完成从速度场、涡量、流体微团变形到有限变形分解的完整分析链条。这类能力正是 AI for Science 最值得关注的部分。一个经典问题点涡中的流体微团会怎样运动考虑一个二维不可压缩点涡其速度场为现在提出三个问题这个流场的涡量是多少一个微小矩形流体微团沿着该流场运动四分之一圈以后形状会变成什么流体微团到底“旋转”了多少别看题面很短这个问题同时考查欧拉视角下的速度场与涡量拉格朗日视角下的流体微团追踪流体运动学与连续介质有限变形分解。对于 AI 来说这不是一道“查公式”的题而是一道需要真正理解物理定义和推导路径的问题。1. AI 先建立速度场模型点涡只有切向速度没有径向速度这意味着流体粒子会沿着以涡心为中心的圆周运动并且越靠近中心速度越大。从物理直觉来看这是一种非常典型的“绕中心转”的流动。但大模型如果只是停留在直觉层面就容易把“粒子绕中心运动”和“局部流体微团自旋”混为一谈。真正的科学推理要继续往下做。2. AI 推导涡量为什么这个流场局部无旋二维流动中涡量只有z方向分量代入点涡速度这是一个常数因此这一步很关键AI 需要意识到虽然流体粒子在圆周上绕着中心运动但对于除了原点之外的区域来说局部涡量却是零。也就是说周围流体并没有局部刚体式自旋。更严格地说点涡的全部涡量集中在原点奇点处可以写成 delta 分布但在 的普通区域里它是无旋流。3. AI 继续追踪流体微团形变从哪里来接下来考虑一个非常小的矩形流体微团初始位于半径 r 附近尺寸可以写成径向长度 dr 和切向长度这时真正重要的量不再是线速度而是角速度这说明更靠近中心的一侧角速度更大更远离中心的一侧角速度更小。也就是说同一个流体微团内部不同位置并不会像刚体那样同步转动。内侧“跑得快”外侧“跑得慢”于是微团内部出现相对位移矩形会被剪切成平行四边形。这一步正好展示了 AI 推理的一个强项它不仅能从公式看出“随半径变化”还能把这个变化翻译成可解释的物理图景——角速度差导致剪切剪切导致形变。4. “旋转”到底是什么意思AI 识别出三个不同定义题目最精彩的地方在于第三问流体微团到底旋转了多少如果只看自然语言这句话其实有歧义。大模型要想做对必须先识别出“旋转”在这个问题里可能对应不同对象、不同数学定义。具体来说这里至少有三种合理但不同的“旋转”粒子轨道旋转一个流体粒子沿圆轨道运动四分之一圈就是 90。局部流体自旋由涡量定义对应无穷小邻域内的瞬时刚体旋转率这里是0有限变形旋转对一个已经发生有限变形的流体微团分离“整体旋转”和“纯形变”得到整体旋转角。这一点非常值得强调。对人类读者来说这往往是教科书里最容易混淆的部分而在这个案例里AI 的价值恰恰不在于“背答案”而在于识别定义、区分概念并把它们放回各自的理论框架中。5. AI 最后连接到连续介质力学如何得到 53.8°如果第三问采用的是有限变形视角就需要把最终的平行四边形分解成从几何关系出发可以得到两条关键边的旋转信息到这里AI 实际上完成了一个完整的推理闭环从速度场出发推导出局部涡量分析角速度梯度追踪流体微团变形最后进入有限变形框架得到整体旋转角。这已经不是简单“做题”而是一次相对完整的小型科学建模过程。6. 这个案例为什么能体现 AI 的科学推理能力这个点涡问题之所以有代表性在于它清晰地展示了 AI for Science 的三个层次第一层从公式到物理AI 不只是机械地计算而是知道这个量对应局部自旋知道它与粒子轨道旋转不是一回事。第二层从局部到整体AI 能把局部速度梯度、角速度差、微团剪切变形联系起来形成完整图景而不是停留在某一条孤立公式上。第三层连接不同理论框架同一个问题里既有流体运动学也有连续介质力学中的极分解 FRU。AI 的价值是能把这些框架拼接起来帮研究者从“结果”走回“原理”。总结这个二维点涡问题看似基础其实很适合作为 AI 科学推理能力的一个缩影。它告诉我们AI 可以读懂一个具有物理背景的问题可以从速度场出发推导涡量与角速度可以追踪流体微团的有限形变还可以识别“旋转”在不同理论框架下的不同定义。最后这个问题的三个关键答案分别是轨道旋转90。局部自旋0有限变形旋转53.8。真正强大的科学 AI并不是只会给出其中一个数字而是能够解释为什么这三个数字可以同时成立而且彼此并不矛盾。这也是 AI for Science 最值得期待的方向之一它不仅能算更能理解不仅能给结论还能组织推导、连接概念、重建物理图景。