OpenAI 在 2026 年 6 月 11 日發布一個 Codex 科研案例，介紹 University of Arizona 與 Steward Observatory 的天體物理學家 Chi-kwan Chan 如何使用 Codex，協助推導、實作和測試用於黑洞模擬的新算法。
這篇文章的重點不是用 AI 直接「發現」黑洞，而是把 AI 放進嚴謹的科學工作流。Chan 的團隊研究 Event Horizon Telescope 觀測到的黑洞，正在由靜態影像走向超大質量黑洞的動態影片。要做到這件事，研究人員需要處理大量觀測資料、超級電腦運算，以及能描述極端物理環境的數值模型。
真正困難的地方，是黑洞附近的等離子體。電子和離子會沿磁場線高速螺旋運動，標準模擬需要追蹤大量微小轉動，令電腦把大量時間消耗在非常細的時間步上。即使使用頂級超級電腦，這種計算負擔仍會限制模擬的真實度。
Chan 使用 Codex 的方式，是讓它提出候選數值方法，再由研究人員檢查、理解和與已知解進行測試。OpenAI 也明確提到 Codex 產生的方案並非全部正確，但科學研究本來就依賴可測試假設。可檢查、可重現、可被物理直覺驗證，才是這類 AI 輔助科研最關鍵的邊界。
這個案例值得留意，因為它把 agentic coding 從軟件工程延伸到科學計算。Codex 的價值不是替代研究者作判斷，而是加快探索可能算法、整理實作、跑測試和排除不可行方向。人仍然負責問題定義、物理解釋和最後驗證。
對 AI workflow 來說，這是一個更成熟的訊號：AI agent 在高價值場景裏，往往不是單次輸出答案，而是成為研究、工程或營運流程中的試探器。它可以把十日手工探索壓縮成更短迭代，但前提是每一步都有測試和審閱。
未來 AI 在科研中的角色，很可能會集中在這類「高複雜度、可驗證」工作。當輸出可以被數學、實驗、單元測試或物理規律檢查，AI 的速度就更容易轉化成實際進展，而不是只停留在看似合理的文字回答。
