大语言模型驱动的湍流模型开发：从“记忆”到“发现”
在流体力学与人工智能的交叉前沿，一场关于机器认知的范式转移正在发生。
长期以来，湍流建模被视为经典物理学中最后的未解之谜。随着 AI 的介入，科学家们一直在寻找破解这一难题的钥匙，却在“黑盒”与“白盒”的困境中徘徊已久：
1.0 时代的“黑盒”：早期以场反演机器学习（FIML）为代表的方法，本质上是利用深度神经网络的亿万个权重参数对高保真数据进行强行拟合。虽然精度惊人，但物理学家无法透过层层叠叠的矩阵读出流动的机制，更难以保证其在未知工况下的鲁棒性。
2.0 时代的“白盒”：为了解决可解释性危机，符号回归技术应运而生。它试图用算法暴力搜索出显式的数学表达式，让模型变得“可见”。然而，这些由机器拼凑出的公式往往形式冗长、晦涩难懂——它们虽然打开了盖子，如何赋予这些公式以明确的物理内涵，仍然是该方法的一大瓶颈。
北京大学、东方理工高等研究院、深圳十沣科技有限公司与宾夕法尼亚州立大学的联合研究团队，在湍流建模领域迈出了通向“3.0 透明盒”（Transparent-box）的关键一步。研究人员并未将大语言模型（DeepSeek-R1）视为简单的数据库，而是将其作为平等的科研“协作者”。
在一个闭环的迭代工作流中，AI 不仅“重现”了经典理论，更在面对逆压梯度、系统旋转和表面粗糙度等复杂的非平衡流动挑战时，通过长链推理（Chain-of-Thought），自主推导出了具有物理可解释性的新模型。相关成果发表于剑桥大学出版社旗下的 Flow 期刊。
人机协作：从工具到伙伴
图 1 ：人机协作的湍流建模闭环。 工程师与 LLM（DeepSeek-R1）的交互流程图。在此架构中，AI 扮演“理论物理学家”的角色，提出假设与数学公式；人类工程师则负责进行先验分析与后验评估（CFD 模拟），并将物理世界的反馈回传给 AI，形成“假设-验证-修正”的科学发现闭环。
思维的拓扑：AI 如何“顿悟”物理机制
为了验证 AI 是否真的理解物理机制，研究团队首先挑战了经典的逆压梯度（APG）流动问题。下图展示了 AI 在这一过程中的思维轨迹：
图 2 ： 机器思维的进化轨迹：逆压梯度模型开发中的人机对话拓扑。
这并非简单的问答，而是一场深度的逻辑博弈。面对突然施加的逆压梯度，DeepSeek-R1 最初提出了数种方案（如 A11 修正壁面函数、A13 松弛时间模型等），但均因物理不自洽或精度不足被人类工程师“否决”。 在多轮推理与反馈后，AI 最终“顿悟”，摒弃了静态的平衡假设，敏锐地捕捉到历史效应的重要性，转而推导出了包含物质导数的动力学模型（A22，见图中绿色路径）。这张图谱生动展示了 AI 如何在物理约束的边界内，通过试错与反思，逼近客观真理。
确立“透明盒”范式：当 AI 开始推导方程
本研究最激动人心的突破，在于它重新定义了 AI 产出的本质，构建了 Transparent Box Model（透明盒模型） 范式。
与之形成鲜明对比的是，本研究中 DeepSeek-R1 产出的并非难以捉摸的神经网络参数，而是清晰、优雅且完全符合物理量纲的数学方程。
可见的物理意义： AI 推导出的每一项都有明确的物理含义。例如在逆压梯度流中，它逻辑推演出物质导数项来修正模型；在旋转流中，它明确给出了科里奥利力导致的壁面律修正公式。
可解释的推理过程： 我们不仅得到了结果，还看到了 AI 是如何一步步根据动量守恒和量纲分析推导出这些结果的。
这标志着 AI 从数据的“炼丹炉”进化为了理论的“推导者”。它讲的是物理的语言，而非矩阵的权重。
结语
该研究构建了一个全新的科研范式：将物理世界的“现象”作为输入，要求 AI 依据第一性原理推导“本质”。这种能力证明，硅基智能并非只能通过“记忆”来模仿人类，它们已经开始基于对物理现象的观察，独立地思考并推演未知的科学规律。这或许正是我们所期待的“AI for Science”的真正含义：机器不再仅仅是计算的工具，而是成为了思考的载体。
论文信息：
本文第一作者为北京大学力学与工程科学学院2024级博士生，杨忠鑫，宾夕法尼亚州立大学杨翔副教授（Xiang I. A. Yang）担任通讯作者，东方理工/深圳十沣科技宾远为、北京大学史一蓬教授共同完成。该工作不仅为高雷诺数大涡模拟（LES）提供了高精度的壁面模型，更为人工智能参与基础科学发现赋予了新的认识论意义。