当openai新模型攻克数学难题的同一天，MIT教授称ai已具备能力像软件编程一样改造物质 刚刚，MIT工程教授Markus J. Buehler发布了一则推文，明确呼应openai的最新进展：“如果物理系统能被形式化为可组合的数学，我们就可以把已经证明能解决长期开放数学问题的AI，指向物质本身。” Buehler团队于数月前，相关可编程物质的研究发表于《固体力学与物理杂志》，并开源完整代码与G-code。 但推文借openai最新成果，进一步解释了把“AI攻克数学”自然延伸到“AI编译物质”这个概念。 以松果为例：我们能否像编译代码一样编译物质，从观察生物层级结构，到设计新主动材料，再到制造与测试，实现真正的端到端流程？ 团队用范畴论思路：把每个尺度（纤维→层片→组织→单元→器官）建模为带有明确状态、刺激（湿度或热）、动力学定律和接口的“模块”。尺度间映射必须严格保持刺激-响应动力学一致性：先演化再映射，或先映射再演化，结果必须相同。这一条件在组合下依然成立，局部正确的接口组装成完整层级后仍然可靠。 随后，他们通过“实现函子”把生物结构映射到工程系统，翻译成验证过的制造规格，再直接编译成3D打印机可执行的G-code。最终打印出四类致动器：湿度弯曲、热弯曲、湿度扭转、热扭转。最令人惊叹的是“热扭转”——它无需重新推导，只是把已验证的热刺激模块与扭转模块组合而成。生成的G-code直接产生预期运动，实验误差全部落在一个标准差以内。 这是第一次把形式化的组合多尺度模型，从生物层级一路带到物理测试的制品。范畴论不再停留在抽象数学，而是变成了打印床上的真实物体。对AI科学而言，这相当于给生成式模型提供了物理感知的“类型系统”——提案可以在仿真和制造前就被接口检查拒绝；对工程而言，设计空间开始随验证组件库扩展，而不是随个案数量线性增长。 按照推文的核心逻辑，原子级别的编程在未来完全可能。因为逻辑是尺度无关：只要系统能被形式化为可组合的数学对象与态射，只要接口能被严格检查，AI就可以像解决开放数学问题一样，对更小尺度的物质进行推理与编译。真正的障碍是计算成本、量子随机性与原子精度制造，而非原理本身。 推文展示了一种新范式：当AI已经能解决十年未解的数学难题时，把它指向物质本身，或许只是时间问题。松果只是起点，可编程的物理世界，可能才刚刚打开第一扇门。(rick awsb ($people, $people))