當(dāng)數(shù)學(xué)函數(shù)被擴(kuò)展到億萬(wàn)維空間，它們似乎獲得了“智能”，一種從規(guī)模中涌現(xiàn)出的新特性。物理學(xué)家開(kāi)始重新追問(wèn)：當(dāng)智能成為自然的一種現(xiàn)象，我們是否也需要建立“AI的物理學(xué)”？本期我們?cè)L談中山大學(xué)黃海平教授，圍繞“AI的物理學(xué)”話(huà)題展開(kāi)，探討是否可以找到物理的第一性原理理解大模型的行為、揭示智能的生成機(jī)制，以及這一探索如何反照人類(lèi)自身的認(rèn)知與意識(shí)。

受訪者 | 黃海平

整理 | 集智俱樂(lè)部

目錄

用統(tǒng)計(jì)物理研究AI的起點(diǎn)在哪里？

大模型興起前后研究路徑有何不同？

第三條路可能是什么？

您在這個(gè)領(lǐng)域做出了哪些成果？

未來(lái)會(huì)朝向哪些方向繼續(xù)展開(kāi)？

如何看待新概念，例如“AI的數(shù)學(xué)”“AI的物理學(xué)”？

AI的物理學(xué)真的能建立起來(lái)嗎？

如果AI的物理學(xué)建立起來(lái)，會(huì)帶來(lái)哪些改變？

“如果物理學(xué)不存在，可能只剩關(guān)聯(lián)或動(dòng)力”，如何理解？

統(tǒng)計(jì)物理與AI結(jié)合需要走出第三條路

Q1：用統(tǒng)計(jì)物理研究AI的起點(diǎn)在哪里？

去年（2024年）諾貝爾物理學(xué)獎(jiǎng)?lì)C獎(jiǎng)的時(shí)候，有些人重新挖掘了這段歷史。我想做一個(gè)比較形象的比喻：我們可以把這段歷史看作是一部好萊塢大片。因?yàn)槲覀冎溃萌R塢大片在講故事時(shí)，總會(huì)有一條清晰的邏輯線。當(dāng)然，實(shí)際上在20世紀(jì)80年代，這段科學(xué)史存在著兩條并行的邏輯線。

第一條線可以追溯到1972年，實(shí)驗(yàn)物理發(fā)現(xiàn)了一種奇怪的相，后來(lái)我們知道 Giorgio Parisi 解決了這個(gè)難題。那是從凝聚態(tài)物理中分離出來(lái)的研究方向，核心是“自旋玻璃”（spin glass）理論。它用來(lái)解釋某些磁性材料或摻雜材料中出現(xiàn)的“玻璃相”——也就是類(lèi)似我們?nèi)粘Ｋ?jiàn)的玻璃態(tài)。對(duì)自然界這一復(fù)雜狀態(tài)的理解，正是從那里逐步演化出來(lái)的。Parisi 完成這項(xiàng)研究后，引發(fā)了人們對(duì)高維體系的關(guān)注，比如著名的 Sherrington–Kirkpatrick 模型的解析解就是這些發(fā)展中的里程碑。這條研究線由此奠定。與此同時(shí)，從1982年開(kāi)始，另一條故事線也被開(kāi)啟。John Hopfield 開(kāi)始思考“大腦是如何工作的”。表面上看，自旋玻璃與大腦毫無(wú)關(guān)系，但是那時(shí)候剛好有人對(duì)這個(gè)問(wèn)題感興趣（當(dāng)然包括Hinton）。Hopfield 周?chē)灿泻芏嗟奈锢韺W(xué)大家，包括Philip Anderson、Giorgio Parisi、David Thouless等人，這些科學(xué)家后來(lái)都拿過(guò)諾貝爾獎(jiǎng)。周?chē)羞@樣一群人讓 Hopfield 意識(shí)到，高維系統(tǒng)的思想或許能與大腦相對(duì)應(yīng)，于是他開(kāi)啟了第二條研究路徑。當(dāng)然，高維神經(jīng)計(jì)算在1970年代也有日本數(shù)學(xué)家Amari的重要貢獻(xiàn)。

這兩條線是并行發(fā)展的。Parisi 那條路線主要提供了方法和理論思想；而 Hopfield 那條線，則不斷帶來(lái)新的問(wèn)題和挑戰(zhàn)。自1982年之后，人們開(kāi)始嘗試用動(dòng)力系統(tǒng)的方法去解釋真實(shí)大腦的活動(dòng)，或者利用神經(jīng)動(dòng)力學(xué)模擬大腦的集群行為。直到今天，人工智能（AI）與神經(jīng)科學(xué)（Neuroscience）的融合仍在繼續(xù)。許多從事理論物理的學(xué)者依然在使用 Parisi 那一套技術(shù)、概念與方法，持續(xù)探索這條研究路線與大腦模型之間的對(duì)應(yīng)關(guān)系。

從現(xiàn)在回望過(guò)去幾十年的歷史，你會(huì)發(fā)現(xiàn)：今天那些在這一領(lǐng)域做得最出色的科學(xué)家，基本就是在這兩條故事線里面跳來(lái)跳去的。他們并非只沿著一條路徑前行，而是對(duì)兩條線都極為熟悉。

Q2：大模型興起前后研究路徑有何不同？

大語(yǔ)言模型這個(gè)概念實(shí)際上在2017年就已經(jīng)存在，但當(dāng)時(shí)并沒(méi)有將相應(yīng)的產(chǎn)品開(kāi)發(fā)出來(lái)。一直到2023年，才終于出現(xiàn)了這種現(xiàn)象級(jí)的產(chǎn)品（例如ChatGPT）。這一產(chǎn)品的出現(xiàn)，就對(duì)前面提到的那兩條故事線提出了更大的挑戰(zhàn)。我的判斷是，從2023年開(kāi)始，那兩條原有的故事線仍在發(fā)展，但與此同時(shí)，又出現(xiàn)了一條新的故事線。這就好比好萊塢大片發(fā)展到某個(gè)高潮之后，再添加一條新的故事線。然而，這條故事線并非人為添加，而是理解自然界的必然步驟。

大模型本質(zhì)上是高維空間的計(jì)算，作為自然界的一部分，雖然是人類(lèi)創(chuàng)造的產(chǎn)物，但與我們的生活息息相關(guān)，因此衍生出了第三條故事線。為什么說(shuō)它是第三條故事線？因?yàn)樗鼘?shí)際上挑戰(zhàn)了我們傳統(tǒng)的數(shù)學(xué)體系。我們從小學(xué)起學(xué)習(xí)各種函數(shù)，從最簡(jiǎn)單的線性函數(shù)、再到非線性函數(shù)，進(jìn)入大學(xué)又學(xué)習(xí)物理學(xué)中的各種函數(shù)模型。然而，從某種意義上說(shuō)，這些函數(shù)都是“沒(méi)有生命的”，它們只是我們手中的數(shù)學(xué)工具。但在2023年之后，就發(fā)生了一件很奇怪的事情，當(dāng)這些函數(shù)以特殊方式表現(xiàn)并擴(kuò)大規(guī)模后，竟然展現(xiàn)出了智能。這可能是人類(lèi)科學(xué)發(fā)端以來(lái)史無(wú)前例的沖擊，我們的函數(shù)中竟然蘊(yùn)藏著智能。

當(dāng)你把它縮小規(guī)模時(shí)，它不具備這種性質(zhì)；但當(dāng)你把規(guī)模擴(kuò)大時(shí)，函數(shù)本身并沒(méi)有變，然而卻出現(xiàn)了智能。這就是工業(yè)界所說(shuō)的“規(guī)模效應(yīng)”，人們開(kāi)始相信，只要把模型的規(guī)模足夠擴(kuò)大，就一定會(huì)產(chǎn)生新的能力。然而，這種能力究竟從何而來(lái)？

對(duì)于統(tǒng)計(jì)物理學(xué)而言，規(guī)模本就是其核心概念。舉個(gè)例子：當(dāng)你只有兩個(gè)氣體分子時(shí)，不可能定義溫度或壓強(qiáng)，也沒(méi)有所謂的理想氣體定律；但當(dāng)你把氣體數(shù)量不斷增大后，就會(huì)出現(xiàn)熱力學(xué)第二定律、溫度效應(yīng)等宏觀規(guī)律。因此，大模型的“規(guī)模效應(yīng)”可以類(lèi)比為從微觀到宏觀的統(tǒng)計(jì)物理映射。然而，當(dāng)這一概念應(yīng)用到神經(jīng)網(wǎng)絡(luò)中時(shí)，問(wèn)題變得極為棘手。從某種意義上說(shuō)，當(dāng)前推進(jìn)緩慢的原因可能在于新的數(shù)學(xué)工具尚未被創(chuàng)建出來(lái)。

這正是我將其稱(chēng)為“AI的物理學(xué)”的原因。我希望當(dāng)新的數(shù)學(xué)工具被開(kāi)創(chuàng)并發(fā)展成熟后，能夠形成一個(gè)與物理學(xué)四大力學(xué)平行的學(xué)科和研究方向。未來(lái)我們可能需要一本教科書(shū)，如同四大力學(xué)一樣，來(lái)描述數(shù)學(xué)規(guī)模增大后為何會(huì)出現(xiàn)這種新的物理效應(yīng)，而那時(shí)候，我們與大模型的對(duì)話(huà)是日常生活的一部分，我們必須理解這些高維計(jì)算的原理。

Q3：第三條路可能是什么？

從2023年開(kāi)始，大模型出現(xiàn)后，我們帶領(lǐng)研究生持續(xù)討論這一問(wèn)題。我們先把大模型的各項(xiàng)能力列成一個(gè)表，然后逐項(xiàng)檢視哪些能夠被解釋。對(duì)于如此復(fù)雜的系統(tǒng)，我們當(dāng)然不可能用一個(gè)模型把所有功能全部解釋清楚；到目前為止，我們也還看不到這種希望。但我們可以抓住某一個(gè)功能切入。

如果讓我總結(jié)，主要有三個(gè)方向：一是示例泛化，不需要重新訓(xùn)練就能識(shí)別規(guī)律；二是思維鏈；三是幻覺(jué)現(xiàn)象。我認(rèn)為，如果未來(lái)十年內(nèi)要實(shí)現(xiàn)突破，應(yīng)該在這三個(gè)方向齊頭并進(jìn)。如果這些問(wèn)題能夠被突破，我認(rèn)為這將是人類(lèi)科學(xué)史上一個(gè)極其重要的時(shí)刻，必將載入史冊(cè)。

就近期動(dòng)向而言，美國(guó)西蒙斯基金會(huì)投入約七年、大概一億多元的資金，資助理論科學(xué)家專(zhuān)門(mén)思考這幾類(lèi)問(wèn)題，希望他們能在七年內(nèi)找到答案。所以在這一領(lǐng)域的未來(lái)重要問(wèn)題上，國(guó)際競(jìng)爭(zhēng)極為激烈。

研究成果與未來(lái)方向

Q4：您在這個(gè)領(lǐng)域做出了哪些成果？

十年前，我們開(kāi)始研究感知機(jī)（perceptron）的解空間。也就是現(xiàn)在所說(shuō)的深度學(xué)習(xí)（deep learning），其本質(zhì)就是在學(xué)習(xí)一組矩陣的元素?；蛘哒f(shuō)我們叫“字節(jié)跳動(dòng)”，因?yàn)槊總€(gè)矩陣的元素可能是一個(gè)比特（bit），那可能就是“bit dancing”。所以，在字節(jié)跳動(dòng)的過(guò)程中，你覺(jué)得它會(huì)在空間的哪個(gè)地方跳動(dòng)呢？這其實(shí)是一個(gè)非?；A(chǔ)的科學(xué)問(wèn)題。因?yàn)橹灰阒浪诳臻g的哪個(gè)位置，就可以用來(lái)理解機(jī)器到底是怎么想的、怎么思考的。

于是，我們一開(kāi)始就研究了在高維空間的結(jié)構(gòu)問(wèn)題。后來(lái)我們使用數(shù)學(xué)方法進(jìn)行了推導(dǎo)，借助了來(lái)自 Parisi 那條研究路線中的Franz–Parisi 勢(shì)能。這一勢(shì)能形式大約在1995年提出，而我在2013年發(fā)現(xiàn)它在神經(jīng)網(wǎng)絡(luò)中存在對(duì)應(yīng)關(guān)系，這是第一次實(shí)現(xiàn)這樣的映射。我們算出來(lái)之后，會(huì)發(fā)現(xiàn)這個(gè)高維空間很奇怪，就長(zhǎng)得像高爾夫球洞——它不是連成一片的，而是一個(gè)個(gè)分開(kāi)的。當(dāng)然，高維空間很難想象，但是你可以把它映射到低維空間，一個(gè)類(lèi)比就是相當(dāng)于三維空間中的高爾夫球洞。

這個(gè)事情出來(lái)之后，就不得了了。有很多人去想：當(dāng)我們用反向傳播（backpropagation）或隨機(jī)梯度下降（SGD）算法去尋找最優(yōu)解時(shí)，算法能否真正找到這些“球洞”？因?yàn)檎绱蚋郀柗蛞粯樱珳?zhǔn)擊中球洞并不容易。后來(lái)，人們發(fā)展出一種新的數(shù)學(xué)工具，結(jié)合了大偏差理論（large deviation theory）。這個(gè)很有技術(shù)性，但形象地說(shuō)，他們發(fā)現(xiàn)在那些“球洞”周?chē)?，還存在一些“更大的洞”——即更容易到達(dá)的區(qū)域。我們稱(chēng)之為大偏差，或更廣義的非平衡物理，因?yàn)樗鼈兂隽藗鹘y(tǒng)平衡態(tài)物理的刻畫(huà)范圍。

然后，人們就去研究這個(gè)很大的洞什么時(shí)候消失，發(fā)現(xiàn)這個(gè)很大的洞實(shí)際上會(huì)隨著訓(xùn)練數(shù)據(jù)量，或者各種外部條件而消失掉。所以，消失之后，這個(gè)問(wèn)題就變得很難。于是，它就立刻就跟數(shù)學(xué)或計(jì)算機(jī)中的NP問(wèn)題（或者NP不等于P）聯(lián)系在一起，找到了一個(gè)統(tǒng)計(jì)物理計(jì)算的東西跟真實(shí)算法計(jì)算難度之間的基本關(guān)系。所以，從2013年開(kāi)始，發(fā)展到今天還在進(jìn)化。最近，MIT的數(shù)學(xué)家提出了重合度間隙性質(zhì)的概念，與我們更早前用物理導(dǎo)出的幾何分離圖景一致，這種幾何圖景于2021年也被美國(guó)的數(shù)學(xué)家嚴(yán)格證明了。這相當(dāng)于它走向了可能解決NP到底等于P還是不等于P，目前數(shù)學(xué)上還不能?chē)?yán)格證明。這個(gè)就是從我們剛開(kāi)始研究這種高維景觀的物理學(xué)事情，最后走向了那一塊，就是去刻畫(huà)學(xué)習(xí)什么時(shí)候容易、什么時(shí)候難。這是一個(gè)根本性問(wèn)題。這是我們課題組在國(guó)際上第一個(gè)被大家認(rèn)可的工作，從2014年持續(xù)影響到現(xiàn)在，還有人不停地在引用我們提出高爾夫球洞的那個(gè)工作。

后面，我就大概轉(zhuǎn)向了無(wú)監(jiān)督學(xué)習(xí)，就是Hinton的受限玻爾茲曼機(jī)，到底它在學(xué)習(xí)的時(shí)候是什么樣的內(nèi)部機(jī)制。簡(jiǎn)單來(lái)講，數(shù)據(jù)驅(qū)動(dòng)了對(duì)稱(chēng)性破缺，這個(gè)最近也被意大利物理學(xué)家證明在更復(fù)雜的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中具有普適性。最近我們研究了大模型的示例泛化，把它跟伊辛模型對(duì)應(yīng)起來(lái)，解釋了通用人工智能為什么是可能的，而為什么它目前來(lái)說(shuō)是不可能理解物理世界的。我們最近也發(fā)展出了很多動(dòng)力學(xué)的方法，想用動(dòng)力學(xué)的方法去重新替代Transformer和生成擴(kuò)散模型。當(dāng)然，這個(gè)方向我們還在進(jìn)展當(dāng)中，還沒(méi)有最終形成統(tǒng)一的認(rèn)識(shí)，但跟大腦緊密聯(lián)系。

Q5：未來(lái)會(huì)朝向哪些方向繼續(xù)展開(kāi)？

我們想發(fā)展出一條自己獨(dú)有的道路。最終的目的，是看能否用物理學(xué)的第一性原理來(lái)統(tǒng)一我們現(xiàn)在看到的紛繁復(fù)雜的各種神經(jīng)網(wǎng)絡(luò)架構(gòu)、各種算法、不同表現(xiàn)與性能等。我們相信，從物理學(xué)角度，一定存在一個(gè)簡(jiǎn)單的第一性原理，只需畫(huà)出圖像或給出直觀解釋?zhuān)湍馨褑?wèn)題說(shuō)明白。

所以，我們瞄準(zhǔn)這一未來(lái)方向。這一方向也與我們之前所說(shuō)的“AI 的物理學(xué)”相一致：其背后的數(shù)學(xué)尚未被創(chuàng)建，我們同樣以此為目標(biāo)。就說(shuō)假如20年之后，你要跟那時(shí)候的大學(xué)生去講解 AI 或大模型的機(jī)制時(shí)，是否能提出一個(gè)易于理解的 principle（原理），尤其是物理學(xué)視角下容易把握的 principle。沿著這條 principle，把我們所說(shuō)的“第三條故事線”講清楚。所以，這個(gè)就是我們未來(lái)想要達(dá)成的一個(gè)基本目標(biāo)。

AI的物理學(xué)的三層標(biāo)準(zhǔn)

Q6：如何看待新概念，例如“AI的數(shù)學(xué)”“AI的物理學(xué)”？

現(xiàn)在我們談“AI 的可解釋性”。無(wú)論是“AI 的數(shù)學(xué)”還是“AI 的物理學(xué)”，本質(zhì)上都是可解釋性的內(nèi)容。它實(shí)際上有三層標(biāo)準(zhǔn)。

第一層標(biāo)準(zhǔn)，我提出一個(gè)C（computation，計(jì)算）就是第一個(gè)級(jí)別。你告訴我“AI的數(shù)學(xué)”、“AI的物理學(xué)”都可以，但首先必須說(shuō)明你要解決什么問(wèn)題，這個(gè)問(wèn)題背后的 computation 是如何實(shí)現(xiàn)的。比如，大模型能做泛化、做推斷，那么它背后的computation是什么？但是，需要注意的是，如果你從可解釋性去討論的話(huà)，computation 不能簡(jiǎn)單等同于“給我看一整套訓(xùn)練代碼”（例如 deepseek 的訓(xùn)練代碼），那樣沒(méi)有意義。如果這個(gè)是computation的話(huà)，那很多東西都被解釋了，所以它沒(méi)用。真正的 computation，應(yīng)當(dāng)類(lèi)似 Hopfield 的做法：要理解記憶問(wèn)題，可以用“小球在能量景觀上滾動(dòng)”的圖像，將滾動(dòng)過(guò)程表述為蒙特卡羅采樣，并可用數(shù)學(xué)加以解釋?zhuān)@才是 computation。但是現(xiàn)在的話(huà)，我們所有的大模型里面，很多東西不論你是用怎樣的概念去解釋?zhuān)侥壳盀橹?，無(wú)法定義這個(gè)computation的事情，因此在第一個(gè)層級(jí)上就過(guò)不了關(guān)。

當(dāng) computation 被定義后，第二個(gè)層次是M（mechanicsm，機(jī)制）。就是你必須把那個(gè)機(jī)制搞清楚。然后，機(jī)制搞清楚的話(huà)，實(shí)際上是一種降維的過(guò)程。我們知道，大模型的 computation 具有極高維度，比如有幾萬(wàn)億參數(shù)；這些參數(shù)的運(yùn)動(dòng)如何被簡(jiǎn)化為有限維、可求解和可研究的數(shù)學(xué)表達(dá)式（積分方程或微分方程均可）？維度不能與原始維度相同，否則無(wú)法理解。能否將其降到一個(gè)“比較漂亮的低維方程”，然后去理解背后的這個(gè)機(jī)制。在 Hopfield 模型中可以看到：它把數(shù)千個(gè)神經(jīng)元的運(yùn)動(dòng)降到一維函數(shù)方程的求解，用一維去理解高維，而且做到了。大模型若要真正達(dá)到可解釋?zhuān)脖仨氝_(dá)到這一層級(jí)。

第三個(gè)層次是產(chǎn)生可驗(yàn)證的假說(shuō) (hypothesis, 簡(jiǎn)記H）。一方面是從實(shí)驗(yàn)去證實(shí)，另一方面可以去改造或設(shè)計(jì)算法。當(dāng)模型完成“可解釋”之后，接下來(lái)能做什么？對(duì)我們?cè)O(shè)計(jì)新的算法有沒(méi)有幫助？對(duì)我們?nèi)パ芯看竽X的的相關(guān)假說(shuō)有沒(méi)有幫助？如果這兩個(gè)都沒(méi)有，那可能不是一個(gè)好的理論。

因此，需要以 computation → mechanic → hypothesis或算法上的貢獻(xiàn)，那么你才能夠強(qiáng)調(diào)這是“AI的數(shù)學(xué)”，或者“AI的物理學(xué)”。所以，我們可以想象在未來(lái)，如果我們大家能寫(xiě)一本書(shū)，來(lái)講述這個(gè)21世紀(jì)初期人類(lèi)創(chuàng)造出來(lái)的智能體的時(shí)候，即便不逐條寫(xiě)明這三個(gè) principle，但是要讓學(xué)生去讀的話(huà)，能夠感受到我們是沿著這三個(gè) principle 將問(wèn)題講明白的。這就是我們的最終標(biāo)準(zhǔn)。

研究AI的物理學(xué)指向理解人類(lèi)自身

Q7：AI的物理學(xué)真的能建立起來(lái)嗎？

我認(rèn)為，這本質(zhì)上是一種信仰的問(wèn)題。為什么這樣說(shuō)？因?yàn)樵谠S多時(shí)候，我們的科學(xué)研究并不知道最終答案。但最重要的是，保持強(qiáng)烈的好奇心以及一種信仰：不論走到哪里，只要一步一步推進(jìn)、不斷敲打問(wèn)題，每次都能敲出一點(diǎn)東西來(lái)，我就會(huì)感到開(kāi)心。如果你有這樣的想法的話(huà)，那么我覺(jué)得你，很多時(shí)候會(huì)享受很多exciting的時(shí)刻。

然后，另外一個(gè)更大的信仰，這也是我個(gè)人的信仰：我相信，世界上我們所看到的一切，都是數(shù)學(xué)。假設(shè)存在“上帝之手”的話(huà)，那么它是通過(guò)數(shù)學(xué)創(chuàng)造世界的。最簡(jiǎn)單的例子是：萬(wàn)物由原子構(gòu)成，而在微觀尺度，我們可以用量子力學(xué)來(lái)表述，用波函數(shù)來(lái)描述微觀運(yùn)動(dòng)，而波函數(shù)的本質(zhì)就是一個(gè)函數(shù)。在這一層面上存在波函數(shù)，那么在更大的層面上，無(wú)論是計(jì)算機(jī)算法還是智能，那它背后是不是最終就是一個(gè)number？或者用安德森的話(huà)來(lái)說(shuō)，任何復(fù)雜性都從簡(jiǎn)單性中涌現(xiàn)，是由不斷的規(guī)模效應(yīng)所產(chǎn)生。

如果你相信這種“從簡(jiǎn)單到復(fù)雜，或者從復(fù)雜到簡(jiǎn)單”是可能的話(huà)，那么你將保持你的好奇心去探索，然后你能夠享受你探索的這個(gè)路程的每一處風(fēng)景。最后我總結(jié)一下：當(dāng)任何一個(gè)人詢(xún)問(wèn)“AI 的物理學(xué)是否可能”時(shí)，可以反問(wèn)自己——黎曼猜想如此困難，為什么仍有那么多數(shù)學(xué)家愿意投入去解決它？

Q8：如果AI的物理學(xué)建立起來(lái)會(huì)帶來(lái)哪些改變？

如果有一天這一問(wèn)題被解決，那么從“飛機(jī)設(shè)計(jì)”這一路徑來(lái)看（人類(lèi)已經(jīng)走過(guò)來(lái)的一條路），結(jié)果將類(lèi)似于我們今天的出行：可以方便地飛往遠(yuǎn)方，并且安全、有保障。所以呢，從這一點(diǎn)來(lái)看的話(huà)，一旦被解決，必將在某種意義上把人工智能推升到一個(gè)更安全、更可靠、也更令人信服的層次。至于那時(shí)候那個(gè)智能大概長(zhǎng)什么樣，我們現(xiàn)在無(wú)法想象，但可以肯定的是，它會(huì)比今天更好（better）。但是不是best我們不知道，better這個(gè)是一定的。

但是，我認(rèn)為最重要的是：尋找“AI 的物理學(xué)”的首要目標(biāo)，并不是解決 AI 本身，或創(chuàng)造更好的 AI。對(duì)科學(xué)家而言，更重要的是理解“人”本身。為什么這樣說(shuō)？在 AI 研究中，你總是會(huì)想象一個(gè)事情，就是說(shuō)這個(gè)智能到底是從哪里來(lái)的？智能與意識(shí)的關(guān)系是什么？為何人類(lèi)能夠創(chuàng)造出智能體？為什么人類(lèi)現(xiàn)在被很多精神疾病所困擾？或者說(shuō)我們?nèi)祟?lèi)衰老為何伴隨大腦的退化？

如果把大腦視為一個(gè)超級(jí)高維系統(tǒng)，那么當(dāng)我們建立起“AI 的物理學(xué)”，這個(gè)高維數(shù)學(xué)的基本理論，能不能用來(lái)理解我們大腦的很多疾病，等我們衰老的時(shí)候，我們能不能去控制，甚至我們年輕的時(shí)候，我們能不能去控制我們的精神狀態(tài)，那么這個(gè)是惠及人類(lèi)本身的。

即使沒(méi)有 DeepSeek、沒(méi)有 ChatGPT，只要我們能夠在某種意義上理解人的感知與精神狀態(tài)，那便意味著一種“自然科學(xué)對(duì)人文科學(xué)的入侵”。過(guò)去，我們常以文學(xué)來(lái)“凈化心靈”，比如閱讀《百年孤獨(dú)》等經(jīng)典作品。但是，我們有一天能不能用數(shù)學(xué)，去搞清楚我們的精神狀態(tài)？

在這一意義上，我們不僅理解自身。我也相信，任何優(yōu)美、能夠刻畫(huà)自然規(guī)律的數(shù)學(xué)，必然會(huì)帶來(lái)源源不斷的財(cái)富與應(yīng)用，我覺(jué)得那個(gè)是副產(chǎn)品，而不是終極的目標(biāo)，我們終極的目標(biāo)是理解自己。也只有如此，才能保持強(qiáng)大的好奇心去研究。所以我覺(jué)得有一個(gè)比喻很夸張，你研究神經(jīng)網(wǎng)絡(luò)就是研究你自己。

Q9：“如果物理學(xué)不存在，可能只剩關(guān)聯(lián)或動(dòng)力”，如何理解？

當(dāng)然，這是一種猜想。就目前而言，只要是基于大模型的系統(tǒng)，其中大模型本質(zhì)上是在刻畫(huà)統(tǒng)計(jì)關(guān)聯(lián)。它通過(guò)計(jì)算 attention matrix（注意力矩陣）進(jìn)行打分，以一個(gè)很大的 block matrix為載體，輸入token后不停地計(jì)算它的關(guān)聯(lián)，然后就能識(shí)別出某種規(guī)律或函數(shù)。

從人類(lèi)的理解方式來(lái)看，這些“函數(shù)”需要被清楚地寫(xiě)下來(lái)、被認(rèn)識(shí)與研究，這才叫“搞清楚”。但是大模型不用，通過(guò)這種打分，實(shí)際上它本質(zhì)上不需要知道這個(gè)函數(shù)。這一點(diǎn)頗為詭異，會(huì)促使人反思：我們?nèi)祟?lèi)迄今創(chuàng)造的一切知識(shí)，或自然現(xiàn)象的呈現(xiàn)，是否都可以通過(guò)一個(gè)“關(guān)聯(lián)打分矩陣”把它再現(xiàn)出來(lái)？或者說(shuō)，只要找到這個(gè)矩陣，所有規(guī)律都沒(méi)必要把它清晰地寫(xiě)下來(lái)？這很可能是當(dāng)今以Transformer為代表的人工智能努力的方向。

然而，如果你的目標(biāo)在于 prediction（預(yù)測(cè)）——例如蛋白質(zhì)折疊，或我們?cè)谏茖W(xué)、天文數(shù)據(jù)分析等領(lǐng)域的研究——其實(shí)更關(guān)心的是預(yù)測(cè)能力。如果你關(guān)注這一點(diǎn)，我認(rèn)為大模型完全可以把整個(gè)人類(lèi)的知識(shí)體系，通過(guò)矩陣及其變換來(lái)刻畫(huà)其“關(guān)聯(lián)”。

至于“動(dòng)力”，可能是未來(lái)的一個(gè)方向：因?yàn)閯?dòng)力過(guò)程更接近類(lèi)腦?？梢韵胂?，我們的思維可能是一種動(dòng)力過(guò)程。它與大模型不同：我們并不需要消耗巨量算力與數(shù)據(jù)，我們感知世界是被動(dòng)力學(xué)預(yù)測(cè)的，但我們有記憶系統(tǒng)（memory system），需要睡覺(jué)來(lái)管理記憶，所以很多時(shí)候，我們有很多生理的現(xiàn)象，會(huì)跟計(jì)算捆綁在一起。因此，這是一種持續(xù)的 dynamics（動(dòng)力學(xué)）過(guò)程，然后這一個(gè)過(guò)程到底隱藏著什么樣的秘密、與思維和意識(shí)什么關(guān)系，我們還沒(méi)有搞懂。

但不可否認(rèn)的是：迄今為止，人類(lèi)對(duì)自然界的理解，都是通過(guò)“動(dòng)力系統(tǒng)”完成的，這個(gè)動(dòng)力系統(tǒng)就是每個(gè)人的大腦。把知識(shí)寫(xiě)成書(shū)，相當(dāng)于獲得一種額外的記憶，是大腦記憶的延拓。大科學(xué)家之所以寫(xiě)書(shū)，是因?yàn)槿说膲勖邢?；那如果他不通過(guò)寫(xiě)作表達(dá)他的作品的話(huà)，那可能他就沒(méi)有辦法被人類(lèi)社會(huì)延續(xù)下去。況且大腦會(huì)衰減，可能出現(xiàn)阿爾茨海默病等問(wèn)題。將記憶系統(tǒng)延拓到存儲(chǔ)硬盤(pán)、計(jì)算機(jī)與互聯(lián)網(wǎng)，本質(zhì)上是一種“遷移”。

如果把“關(guān)聯(lián)”與“動(dòng)力”這兩部分吃透，那么有一天，若你關(guān)心 prediction，世界上可能就沒(méi)有太多難題。因?yàn)槟闼械膭?chuàng)造，歸根結(jié)底，由背后的“關(guān)聯(lián)”與“動(dòng)力”這兩個(gè)方向所決定。

本文根據(jù)訪談內(nèi)容進(jìn)行了書(shū)面化整理，內(nèi)容刪減僅涉及重復(fù)表述與非核心細(xì)節(jié)。

本文為科普中國(guó)創(chuàng)作培育計(jì)劃作品

受訪者：黃海平 中山大學(xué)物理學(xué)院教授

創(chuàng)作團(tuán)隊(duì)：集智俱樂(lè)部

審核專(zhuān)家：張江 北京師范大學(xué)系統(tǒng)科學(xué)學(xué)院教授

出品：中國(guó)科協(xié)科普部

監(jiān)制：中國(guó)科學(xué)技術(shù)出版社有限公司、北京中科星河文化傳媒有限公司

本文經(jīng)授權(quán)轉(zhuǎn)載自微信公眾號(hào)“集智俱樂(lè)部”。

特 別 提 示

1. 進(jìn)入『返樸』微信公眾號(hào)底部菜單“精品專(zhuān)欄“，可查閱不同主題系列科普文章。

2. 『返樸』提供按月檢索文章功能。關(guān)注公眾號(hào)，回復(fù)四位數(shù)組成的年份+月份，如“1903”，可獲取2019年3月的文章索引，以此類(lèi)推。