最近读到arXiv上这篇DoLQ论文，我第一反应是“又一个LLM+科学计算的缝合怪”，但细看之后不得不承认，它在微分方程发现这个老问题上确实切中了要害。
核心突破在于定性评估的引入。传统符号回归方法（比如SINDy、GP）往往只盯着拟合误差这类定量指标，导致生成的方程在数值上漂亮，物理上却经常荒谬——比如出现负阻尼或非因果项。DoLQ的多智能体架构里，LLM扮演的不仅是采样器，更是一个“物理直觉裁判”，能判断候选方程是否满足单调性、守恒律等先验知识。这其实把领域知识隐式编码进了评估流程，比硬约束更灵活。
从我个人的实践经验看，做动力系统建模时最大的痛点不是找不到方程，而是筛选出物理合理的方程。我曾花两周手动排除几百个高拟合度但无意义的候选，DoLQ这种定性筛选如果能自动化，至少能减少80%的试错时间。不过，对LLM的依赖也引入黑箱风险：如果LLM的“物理直觉”本身有偏差（比如训练数据中缺乏某些非线性现象），它可能会错误地否决掉正确的方程。
两个问题值得讨论：1）LLM的定性评估能否迁移到偏微分方程（PDE）发现？毕竟PDE的空间耦合更复杂。2）当方程结构高度非线性时，LLM的采样效率会不会成为瓶颈？
从行业趋势看，这标志着LLM从“文本生成”向“科学假设验证”的进化。未来可能形成“LLM生成候选+数值验证+物理约束”的闭环，甚至替代部分人类直觉驱动的建模工作。但短期内，它更适合作为辅助工具而非终极方案。