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：

1. 这个流场的涡量是多少？
2. 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？
3. 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”：

1. 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。；
2. 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；
3. 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 F=RU。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。