圖源：Pixabay

編者按

• 去年年底，清華大學(xué)人工智能學(xué)院助理教授劉子鳴在個人博客上發(fā)文，直言 AI 研究尚未迎來屬于自己的“牛頓時代”。他借用物理學(xué)史上“第谷—開普勒—牛頓”的演進路徑作類比，形容今天的 AI 更像停留在觀測和經(jīng)驗公式階段。我們擁有大量數(shù)據(jù)和模型，卻缺乏真正理解背后規(guī)律的科學(xué)語言。Scaling Law 雖然有效，卻讓研究者沉迷于規(guī)模擴張，而忽略了對機制的探索。

撰文 | 張?zhí)炱?/strong>

劉子鳴出身物理系，早期研究集中在“AI for Physics”，用 AI 解決物理問題。直到 2022 年博三時，ChatGPT 的誕生讓他意識到 AI 本身可能才是更值得研究的對象，他開始思考能否用物理學(xué)的方法論去理解 AI 系統(tǒng)內(nèi)部的演化和能力形成。

現(xiàn)在，他走上了 Physics of AI 的道路，嘗試用物理學(xué)的思路理解 AI，把神經(jīng)網(wǎng)絡(luò)當作一個可以被觀測和實驗的系統(tǒng)，通過觀察、實驗和歸納，去拆解其訓(xùn)練中的動力學(xué)過程。

在他看來，科學(xué)建立在可復(fù)現(xiàn)的實驗和現(xiàn)象的持續(xù)積累之上。但在當下的AI研究中，對于很多現(xiàn)象還缺乏一套共同的科學(xué)語言。研究者的關(guān)注往往集中于少數(shù)熱點問題，許多細微卻重要的觀察，卻因為沒法講出一個好故事而無法發(fā)表。

“我們需要建立一套更統(tǒng)一的科學(xué)語言。只有當研究能夠用這種可復(fù)現(xiàn)、可討論的語言展開，AI 才有可能真正從‘煉丹’走向一門嚴謹?shù)目茖W(xué)”，劉子鳴說。

01 用物理學(xué)的視角研究AI

《知識分子》：你本科和博士都在物理系，早期的作品很多是用 AI 當作工具去解決物理問題。但最近這幾年，你的視角似乎完全反過來了，開始用物理學(xué)的思維去研究 AI 本身。這種反轉(zhuǎn)是如何發(fā)生的？

劉子鳴：研究對象從物理到AI，這確實是一個順應(yīng)時代進程的轉(zhuǎn)變。我的本科和博士都在物理系，博二之前主要做AI for Physics，那時物理是研究的核心，AI 只是工具 。

轉(zhuǎn)折點發(fā)生在 2022 年，也就是我博三的時候，ChatGPT 誕生了。那個時候我開始覺得 AI 本身就是一個非常有意思的研究對象，其中蘊含著巨大的機會。但我并不想單純?nèi)フ{(diào)參或者刷榜，我覺得那不是我特別想做、也不是特別擅長的事情 。

我想，能不能結(jié)合我之前擅長的技能，也就是在物理學(xué)中學(xué)到的方法論和具體的數(shù)理工具，把它們應(yīng)用到 AI 上？當時這還是一個比較獨特的角度。大家更多的是去構(gòu)建新方法，但對方法背后的原理并不清楚。所以我們想從物理的角度去理解現(xiàn)代 AI 系統(tǒng)中觀察到的現(xiàn)象，并希望這些洞見能幫助我們未來更系統(tǒng)地構(gòu)建下一代模型 。

后來我們發(fā)現(xiàn)，研究 AI 問題和研究物理系統(tǒng)本質(zhì)上是一樣的，甚至 AI 更可控、迭代更快。在自然科學(xué)里你會受到實驗設(shè)備的限制，但在 AI 系統(tǒng)里，你擁有上帝視角，可以觀察任何你想觀察的東西，只要把它打印出來或收集起來。這種便利性為我們提供了海量的研究素材，這是自然科學(xué)實驗難以比擬的 。

《知識分子》：你認為目前 AI 原理上最重要、最值得探索的問題是什么？

劉子鳴：我認為最核心的問題是 AI 的訓(xùn)練動力學(xué)。

生物學(xué)里有一句名言：“Nothing in biology makes sense except in the light of evolution.（如果不從進化的角度去看，生物學(xué)的一切都無法解釋。）”如果你不從進化的角度理解現(xiàn)在的生命形態(tài)，很多事情是不合理的；但一旦引入進化視角，一切就豁然開朗了 。

這跟 AI 是一樣的。我們現(xiàn)在很多時候只看訓(xùn)練完成后的模型，看它有什么能力。但我們更希望理解的是：它是如何在訓(xùn)練過程中獲得這些能力的？我們需要去理解這個“進化”的過程。

雖然我們都知道它是靠反向傳播、靠梯度下降，但這個過程內(nèi)部發(fā)生了什么？我們希望建立一種多層次的理解。宏觀上，它什么時候掌握了某種能力？微觀上，底層的神經(jīng)元和權(quán)重是如何隨著時間演化的？介觀上，它內(nèi)部是否形成了一些特定的模塊或結(jié)構(gòu)來處理子任務(wù)？只有理解了這個動態(tài)的進化過程，我們才能真正系統(tǒng)地去診斷模型、改進模型 。

《知識分子》：對于我們理解AI的進化，現(xiàn)在研究上的阻礙在哪里？

劉子鳴：問題在于對現(xiàn)象的研究和觀察不足。

現(xiàn)在的 AI 就是一頭大象。我們想理解它，理論上應(yīng)該把大象的每一個部位都摸一遍，拼湊起來才能知道全貌。但現(xiàn)在有兩個阻礙。

第一，很多人不愿意去摸這頭大象，或者說只關(guān)注大象的鼻子。比方說，如果只關(guān)心訓(xùn)練的 loss 曲線或者最終的性能指標，其實就丟失了大量其他重要現(xiàn)象。比如模型內(nèi)部是如何演化的，這些大家往往沒有去觀察。

第二，即使有人去摸，大多數(shù)注意力又過于集中在少數(shù)“戲劇性”的現(xiàn)象上。像大家熟知的規(guī)模定律、頓悟（Grokking）等，這些現(xiàn)象研究得很透徹，是因為它們夠戲劇性，有故事可講。但這只是整個系統(tǒng)的一小部分。

但我想說，要充分理解這個系統(tǒng)，可能需要發(fā)現(xiàn) 100 種甚至 1000 種現(xiàn)象。剩下那些可能不那么令人興奮，但這需要我們耐著性子坐冷板凳去發(fā)現(xiàn)。大家不要只盯著鼻子看，去摸摸大象的耳朵、尾巴、腿。哪怕這些部位看起來不那么重要，但只有把它們都摸清楚了，我們才能形成對這頭大象的全局理解 。積累到一定量之后，才會有真正的大的洞見涌現(xiàn)出來 。

現(xiàn)在的問題是，這些微小的洞見很難發(fā)表成論文。因為它很難被包裝成一個聽起來特別 戲劇性 的故事?，F(xiàn)在的發(fā)表文化往往是：只要我摸到了大象的鼻子，我就去仔細研究鼻子的紋理，甚至研究鼻子的每一個細胞，把這個局部故事講得特別漂亮、特別精細。但大象的鼻子終究不是大象，研究得再精細，也偏離了我們要理解大系統(tǒng)的目標。

《知識分子》：如何理解“Physics of AI”？你希望它彌補當前 AI 研究中哪些被忽略的理解層面？

劉子鳴：Physics of AI 是我對自己研究思路的一種概括。所謂用物理學(xué)的方式理解 AI，更像是一種實驗驅(qū)動的科學(xué)。

我會借用物理學(xué)中的簡化和抽象的思考方式。比如我想研究系統(tǒng)的某個行為，我會嘗試把相關(guān)因素簡化到一兩個，建立一個描述該行為的有效模型或有效理論。當描述另一個行為時，建立另一套簡化的方法 。

從這個意義上說，Physics of AI 更像是一套方法論。它是可以日積月累去做的，不需要依賴靈感，等著蘋果砸到頭上，只要按照這個方法論去研究，每天都能獲得一點新的理解。我覺得這個是更可持續(xù)的一個方向。

《知識分子》：以你說的這種“物理學(xué)視角”來統(tǒng)攝這些層面，和現(xiàn)有研究路徑相比，它最核心的優(yōu)勢在哪里？

劉子鳴：我的方法論本身并沒有什么特別新奇的地方，核心只是把理論和實踐真正連接起來，而這個連接的橋梁就是玩具模型（Toy Model）。

現(xiàn)在的一個常見問題是割裂：做大模型的人在實踐中觀察到很多現(xiàn)象，但因為系統(tǒng)太復(fù)雜，沒法解釋；而做理論的人在造非常簡單的數(shù)學(xué)模型，然后強行解釋說這個模型和大模型有關(guān)。這就像我剛才反思時說的，是在“強行說大象的鼻子就是大象”。

我的做法是構(gòu)建一個 Hierarchy（層級結(jié)構(gòu)）。首先，我會從最簡單的玩具模型開始，看這個現(xiàn)象能不能在小系統(tǒng)中出現(xiàn)。如果能夠觀察到，就逐步增加復(fù)雜度，比如把模型做得更深一些、更寬一些，或者引入更多結(jié)構(gòu)，接著再去看這個現(xiàn)象是被放大了、被削弱了，還是轉(zhuǎn)化成了別的形式。

我認為我們需要的是耐下心來，積累非常多小的洞見。知道它們之間有什么聯(lián)系后，把這些點全部連起來，最終才會迎來一個頓悟的時刻，“原來這頭大象是長這樣的?！?/p>

《知識分子》：簡單模型上的研究成果，在什么程度可以遷移到大模型上？

劉子鳴：還原論是我個人的信念。我相信只要理解了每一個基本模塊的行為，以及它們之間是如何相互作用的，就能理解整個龐大的系統(tǒng)是怎么工作的 。

我并不寄希望小模型上觀察的現(xiàn)象，能夠立刻去和大模型上的現(xiàn)象去做對應(yīng)。但是我們?nèi)ソ鈽?gòu)這個小模型的現(xiàn)象的時候，會發(fā)現(xiàn)一些原因。這些原因在大模型上仍然存在，只是體現(xiàn)的程度和規(guī)模不同。

所以我把研究過程分成三個步驟。第一步，我們先觀察小模型上的現(xiàn)象；第二步，對這些現(xiàn)象進行解釋，追溯到產(chǎn)生它們的原因；第三步，再把這些原因應(yīng)用去生成對大模型的理解或解釋。當然實際的研究過程不需要這么教條，很多時候就是純粹的好奇心驅(qū)動。

這樣做有兩個好處： 第一，如果小模型上的現(xiàn)象能直接對應(yīng)到大模型，那我們就可以在小模型上做大量可控的實驗，成本極低 。 第二，更常見的情況是，小模型和大模型的現(xiàn)象看起來不一樣，就像大象的耳朵和老鼠的耳朵，長得完全不同，但聽聲音這個機制是一樣的 。我們通過研究老鼠的耳朵搞清楚了聽覺機制，就可以推演大象是怎么聽聲音的。

一旦我們在小系統(tǒng)上鎖定了某個現(xiàn)象，我們就有能力去做更多的參數(shù)掃描，做更多可控的實驗，從而獲得透徹的理解。有了這個理解，我們就不需要無頭蒼蠅一樣在大系統(tǒng)上亂試。

02 AI研究還沒有迎來牛頓時代

《知識分子》：你曾用物理學(xué)史上的“第谷—開普勒—牛頓”來類比 AI 理論的發(fā)展階段。能否具體解釋一下，這三個階段各自代表了什么？我們今天大致處在哪個階段？

劉子鳴：這是一條非常經(jīng)典的科學(xué)發(fā)展路線。

第谷階段的核心是觀測。第谷·布拉赫做了大量、極其精確的天文觀測，積累了當時最可靠的數(shù)據(jù)，但這些數(shù)據(jù)本身只是呈現(xiàn)出一些現(xiàn)象，并沒有形成真正的理論。

到了開普勒階段，則是唯象理論的建立。他利用第谷的數(shù)據(jù)，總結(jié)出了行星繞太陽運行的橢圓軌道定律。這一步非常重要，它用簡潔的幾何規(guī)律壓縮了海量觀測數(shù)據(jù)，能夠很好地描述自然現(xiàn)象。但從科學(xué)本質(zhì)上說，它仍然停留在描述層面，并沒有回答為什么會是這樣，因為其中還沒有“力”的概念。

真正進入本質(zhì)層面的，是牛頓階段。牛頓通過萬有引力定律和牛頓第二定律，從根本機制出發(fā)推導(dǎo)出了橢圓軌道。更重要的是，一旦掌握了這個機制，不僅可以解釋行星運動，連蘋果落地這樣的非橢圓軌跡的拋物線運動，同樣可以被統(tǒng)一推導(dǎo)出來。這標志著科學(xué)從經(jīng)驗規(guī)律上升為可演繹、可推廣的理論體系。

從第谷到開普勒，再到牛頓，本質(zhì)上是一個從表象走向本質(zhì)、從冗余數(shù)據(jù)走向高度壓縮知識的過程。

如果把這條路徑放到 AI 上來看，我個人認為，我們現(xiàn)在還遠遠稱不上“科學(xué)”，甚至連開普勒階段都沒有真正到達，更接近于第谷階段的早期。甚至我們還不太清楚應(yīng)該觀察什么。我們對模型的觀測是高度離散、非常匱乏的，更重要的是，我們并不清楚這些零散觀察之間究竟如何彼此關(guān)聯(lián)。

在物理學(xué)里，通常是先觀察到一個現(xiàn)象，然后大家會本能地去追問：它為什么會發(fā)生？背后的機制是什么？比如發(fā)現(xiàn)一個新的規(guī)律，可能很快就會有上千篇論文去嘗試解釋它。當然論文多不一定是好事，但至少說明大家在努力理解它。

但在 AI 里，情況有點不一樣。以 Scaling Law 為例，大家觀察到這個現(xiàn)象之后，第一反應(yīng)往往不是去解釋它，而是去利用它，去融資、去把模型做得更大。這個選擇當然可以理解，因為它確實有效，但慢慢地，它就變成了一種近乎信仰的東西，而不是一個等待被解釋的科學(xué)問題。

《知識分子》：這種“信仰”會帶來什么問題？

劉子鳴：最糟糕的地方在于，Scaling 確實是有用的。系統(tǒng)做大了，性能真的會上升。也正因為它有效，反而削弱了我們?nèi)プ穯枡C制的動機。

就像求雨，如果你求了很多次雨，發(fā)現(xiàn)和降雨毫無關(guān)系，你自然會意識到這是迷信，會有動力去發(fā)展氣象學(xué)，去真正理解降雨的機制。但如果你每次求雨，天真的都會下雨，你可能就不會再去思考因果關(guān)系了。我覺得現(xiàn)在的 Scaling 有點類似這種狀態(tài)。它帶來了進步，但也讓整個領(lǐng)域過度依賴規(guī)模擴張，而忽略了更系統(tǒng)、更高效的理解路徑。從長遠看，這未必是最聰明的方式。

《知識分子》：目前業(yè)界普遍相信 Scaling Law，認為只要不斷擴大數(shù)據(jù)、模型和算力規(guī)模，就能一步步逼近 AGI。您怎么看這條以規(guī)模擴張為核心的路徑？它最終真的能通向 AGI 嗎？

劉子鳴：其實我在博客上有過評論，我的觀點是，如果沒有能量或者數(shù)據(jù)的瓶頸，現(xiàn)在的方法也能通向 AGI。

按照現(xiàn)在方法的邏輯，如果做不到泛化到分布之外的情況，那是因為數(shù)據(jù)不夠多或者模型還不夠大。但是，只要有了足夠多的數(shù)據(jù)，把世界上所有的東西都變成了分布之內(nèi)，那么 AGI 自然就到來了。所以我并不懷疑現(xiàn)在的方式是可以到達 AGI 的，這一點我同意。

但是，這不是一種最聰明的方式。甚至可以說，這是一種極其低效的方式。

這就好比讓一群猴子去打字，只要時間足夠長，它們最后都能打出一部《莎士比亞全集》。我沒有說 scaling就是這么的愚蠢，它最后確實能像我說的，靠收集無窮的數(shù)據(jù)、消耗無窮的能量達到 AGI。但這恰恰是問題所在。我們未來不久就會碰到數(shù)據(jù)和能量的瓶頸，這時候我們需要尋找一些更聰明的方法。

我們需要的是一種像化學(xué)那樣的指導(dǎo)性科學(xué)。在化學(xué)誕生之前，煉丹師也能偶爾發(fā)現(xiàn)火藥或者合金，但那是隨機的、不可控的。而當化學(xué)建立起來之后，有了元素周期表，也理解了原子和分子是如何結(jié)合的，我們就能有目標地去設(shè)計材料，知道該往哪個方向嘗試，而不是在大海里撈針。

《知識分子》：這是否意味著當下的AI研究已經(jīng)到了瓶頸？

劉子鳴：我覺得現(xiàn)在 AI 研究領(lǐng)域一個很大的問題是大家各說各的，缺乏統(tǒng)一的科學(xué)語言。

正因為沒有共識。大家只能陷入一種公關(guān)戰(zhàn)爭 。最后的結(jié)果是什么呢？就是影響力取決于誰的嗓門大，取決于誰之前做出過什么東西，而不是取決于這個東西到底有多科學(xué) 。

你會看到張三出來說：“我的模型更好！”李四也出來喊：“不，我的模型更好！”大家都在比誰的分數(shù)高，比誰的嗓門大。但這種爭論往往是無效的，因為大家連“好”的標準和背后的機制都沒有共識。

某種程度上，研究成了玄學(xué)甚至許愿?，F(xiàn)在很多人做 AI 也是這樣，調(diào)整了一個特定的參數(shù)，模型變強了，就把這個調(diào)參技巧包裝成神技。但實際上，這中間的因果關(guān)系是不清楚的。大家都在對著黑盒許愿，一旦靈驗了就大肆宣傳，但這不是科學(xué)，這是迷信。

我們需要建立一套更統(tǒng)一的科學(xué)語言。與其爭論“誰的模型更好”，不如客觀地描述，在什么樣的數(shù)據(jù)分布下、什么樣的結(jié)構(gòu)和訓(xùn)練過程，會穩(wěn)定地產(chǎn)生什么樣的現(xiàn)象。只有當研究能夠用這種可復(fù)現(xiàn)、可討論的語言展開，AI 才有可能真正從“煉丹”走向一門嚴謹?shù)目茖W(xué)。

一旦我們有了這種科學(xué)的語言，情況就會完全不同。大家才能真正開始溝通。哪怕我不同意你的模型比我的好，但我們至少能達成一個共識?，F(xiàn)在我們沒有這種基礎(chǔ)，沒有這種關(guān)于知識的共識，所以導(dǎo)致溝通起來非常困難。

我們急需兩方面的改變： 從技術(shù)上，我們要先發(fā)展出 AI 的元素周期表，幫助我們更好地去設(shè)計東西。 從文化上，我們需要建立一套統(tǒng)一的科學(xué)語言。否則，這個領(lǐng)域會永遠停留在“煉丹”的階段。雖然這樣或許也能熬到 AGI，但我覺得這絕對不是最聰明的辦法 。

《知識分子》：您在博客中提出了“結(jié)構(gòu)主義”（Structuralism），并把它作為區(qū)別于符號主義和連接主義的第三條路徑。這三者的本質(zhì)是什么？為什么您認為“結(jié)構(gòu)主義”是通向 AGI 的更有希望的方向？

劉子鳴：這其實關(guān)乎我們?nèi)绾慰创悄艿谋举|(zhì)。我可以用一個最簡單的監(jiān)督學(xué)習(xí)任務(wù)來做類比，比如給定輸入 x，預(yù)測輸出 y。

如果是符號主義（Symbolism），最典型的對應(yīng)就是線性回歸。這一類方法高度可解釋，你可以清楚地寫出每一個變量如何影響結(jié)果，就像物理學(xué)中的還原論，試圖把系統(tǒng)拆解為明確的數(shù)學(xué)符號和公式。它的優(yōu)勢是透明、可分析，但問題也很明顯，一旦系統(tǒng)變得復(fù)雜，它往往就不夠用了。

連接主義（Connectionism）對應(yīng)的則是多層感知機（MLP），也是當前的主流。這類方法完全是數(shù)據(jù)驅(qū)動的，通過大量數(shù)據(jù)去學(xué)習(xí)輸入和輸出之間的映射關(guān)系。它的表達能力非常強，但它內(nèi)部是一團混沌，我們不知道它是怎么做到的。這就導(dǎo)致我們很難信任它，也很難從原理上改進它。

結(jié)構(gòu)主義（Structuralism）是我試圖定義的中間路線，對應(yīng)像 KAN 這樣的新架構(gòu)。它仍然是數(shù)據(jù)驅(qū)動的，你可以像訓(xùn)練 MLP 一樣訓(xùn)練它，讓他泛化。但它可以被更好的解釋。

《知識分子》：這里所說的“結(jié)構(gòu)”，具體指的是什么？

劉子鳴：我可以用一個非常日常的例子來說明。比如我從家里去學(xué)校辦公室，這個過程在最底層當然涉及復(fù)雜的肌肉控制，很難寫成明確的數(shù)學(xué)公式。但在中間層的規(guī)劃層面，我的行為是高度結(jié)構(gòu)化的：先騎車，再爬樓，再轉(zhuǎn)彎。這些都是可以被清楚區(qū)分的子任務(wù)或模塊。

這種結(jié)構(gòu)帶來了巨大的優(yōu)勢：遷移能力。如果我明天要去一個新的地方，就不需要從頭學(xué)習(xí)怎么走路，因為我知道怎么調(diào)用“騎車”、“轉(zhuǎn)彎”、“爬樓”這些模塊，配合地圖，就能去任何地方。

我把這種模塊稱為“結(jié)構(gòu)”。理想情況下，這些結(jié)構(gòu)不應(yīng)該由人類寫進模型，而應(yīng)當在訓(xùn)練過程中自行涌現(xiàn)。傳統(tǒng)的符號主義是試圖強行注入結(jié)構(gòu)，由人來規(guī)定“你必須先騎車再爬樓”。這在復(fù)雜的現(xiàn)實中是行不通的。

我所提倡的結(jié)構(gòu)主義關(guān)心的是：既然我們接受系統(tǒng)是數(shù)據(jù)驅(qū)動的，那么什么樣的架構(gòu)設(shè)計，能讓結(jié)構(gòu)最優(yōu)化、最高效地“涌現(xiàn)（Emerge）”出來？我現(xiàn)在的擔(dān)憂是，目前的 Transformer 或 MLP 架構(gòu)，并沒有為結(jié)構(gòu)的涌現(xiàn)做優(yōu)化。它們可能也能學(xué)會，但效率很低，而且很難自發(fā)形成清晰的模塊。

03 如今的發(fā)表文化在強迫大家追熱點

《知識分子》：剛才你說到當前的發(fā)表文化阻礙了大家對AI的探索。具體阻礙在哪里？

劉子鳴：現(xiàn)在的發(fā)表文化，在強迫大家去講故事和追熱點。

我們可能觀察到了1000個有趣的現(xiàn)象，但為了發(fā)表論文就必須挑出其中一個，強行把它包裝成一個驚天動地的大發(fā)現(xiàn)，并且一定要講它跟大模型有什么關(guān)系。如果這個聯(lián)系不顯著，就得花大量時間去調(diào)參、去湊數(shù)據(jù)，把故事圓回來。這浪費了大量本該用于科學(xué)探索的時間。

現(xiàn)在的期刊發(fā)表模式，節(jié)奏已經(jīng)明顯跟不上學(xué)術(shù)信息交流的需要了。大家也意識到這個問題，所以AI領(lǐng)域開了更多學(xué)術(shù)會議，但即使是頂級會議，發(fā)表論文也面臨同樣的問題。

像ICLR或NeurIPS，現(xiàn)在動輒就是六千篇論文。我有一次花了整整三天時間，把這些論文的標題一篇一篇看完，最大的感受是信息噪音太大了。在這種規(guī)模下，很難判斷哪些工作真正重要，哪些只是技術(shù)細節(jié)的堆疊。

《知識分子》：正式的期刊發(fā)表或會議論文之外，你認為研究者是否應(yīng)該嘗試新的發(fā)表方式？或者說，有沒有更高效的信息交換方式？

劉子鳴：我現(xiàn)在就是在自己的網(wǎng)站上持續(xù)更新博客。我覺得未來的學(xué)術(shù)交流的理想形式，可能會更接近AI Safety領(lǐng)域的一個社區(qū)網(wǎng)站，叫LessWrong。它本質(zhì)上是一個論壇形式的社區(qū)，結(jié)構(gòu)上有點像早期的貼吧或論壇，大家發(fā)帖，下面的人基于你的內(nèi)容繼續(xù)展開。

這種機制帶來的好處，是形成了一種自然的分工。舉個例子，我在帖子里說，我觀察到了一個現(xiàn)象，但現(xiàn)在還不會解釋。下面可能就會有擅長數(shù)學(xué)的研究者，嘗試從理論角度給出解釋?；蛘呶姨岢鲆粋€關(guān)于大模型的預(yù)測，但沒有算力去驗證，很快就會有掌握算力資源的人，把這個想法直接在大模型上跑一遍，給出實際觀測結(jié)果。這樣一來，現(xiàn)象、解釋和驗證就被不同的人高效地連接起來，逐漸形成一個有機的社區(qū)。

《知識分子》：這種社區(qū)形式，在學(xué)術(shù)界有現(xiàn)實的成功案例嗎？

劉子鳴：如果說完整意義上的社區(qū)，目前可能還沒有一個特別成熟的例子。但在交流方式上，博客已經(jīng)有非常好的先例，比如陶哲軒老師的博客，還有蘇劍林老師的“科學(xué)空間”。我自己其實也是在向他們學(xué)習(xí)。

系統(tǒng)的改變肯定是很難的，但是如果不改的話，我覺得AI學(xué)術(shù)界做的工作肯定會被工業(yè)界吊打，所以需要做一些范式上的改變。比如建立一個高質(zhì)量的論壇，在評終身教職的時候，你在論壇上的貢獻也可以折算成發(fā)表記錄?；蛟S應(yīng)該有這樣的機制，雖然具體實施起來肯定很復(fù)雜。

我希望能盡快給出一些有影響力的Physics Of AI的例子，但同時又不能太著急。太著急了，就不是把它當成科學(xué)問題去研究了；但太不著急，別人又覺得你做的東西沒有時效性了。我的信仰是：長期來看，Physics Of AI是一條通往AGI的更快路徑，雖然短期可能看起來更慢。雖然大家說“Science is slow”，物理學(xué)從牛頓到現(xiàn)在發(fā)展了400年，但AI的物理學(xué)不需要這么長的時間，如果我們肯改變發(fā)表文化的話。比如過去我一年可能就發(fā)表2-3篇1作文章，如今我每天都可以寫一篇日報，而每篇日報中學(xué)到的東西其實和1篇文章也類似，只是少了些包裝和講故事，這大概是200倍的加速。

這也是我提出Physics of AI而不是Math of AI的原因。如果做Math of AI，那是一個太長期的工程。而物理學(xué)家有時并不追求完全的定量精確，只要定性理解夠了，就能快速獲得有價值的洞見，這種定性或半定量的理解其實可以很快達成，不需要耗費太多時間。

《知識分子》：現(xiàn)在在工業(yè)界已經(jīng)掌握了大量的資源，學(xué)界則是資源受限。那在這種情況下，大學(xué)究竟應(yīng)該如何做研究呢？

劉子鳴：高校不應(yīng)該去卷算力，去重復(fù)造輪子。高校能做的，恰恰是工業(yè)界沒時間也沒動力做的事，也就是現(xiàn)象的研究和機制發(fā)現(xiàn)。我認為學(xué)術(shù)界的任務(wù)是發(fā)現(xiàn)現(xiàn)象、建立預(yù)期，告訴工業(yè)界哪些方向值得去測，以及可能會遇到什么。

現(xiàn)在的大模型是個黑盒子。工業(yè)界的問題是，沒辦法知道應(yīng)該看黑盒子的哪個部分。而我們在學(xué)術(shù)界，通過在玩具模型上獲得的洞見，可以明確地告訴工業(yè)界：“你可以去看這個黑盒子的哪個具體部分，那里應(yīng)該有一個什么樣的東西?！蔽以赥oy Model上觀測到了一個很有意思的現(xiàn)象，或者我把這個現(xiàn)象歸結(jié)出了原因，根據(jù)這個原因，我可以推測在大模型上應(yīng)該會觀察到什么現(xiàn)象。這樣工業(yè)界就不用大海撈針了。

這是一個非?？沈炞C的東西。這就回到了物理學(xué)家的標準：一個理論哪怕是錯的都無所謂，只要它能被證偽，只要它是可測試的，它就是好的科學(xué)。學(xué)術(shù)界提供的是Testable Scientific Hypothesis（可測試的科學(xué)假設(shè)），然后讓工業(yè)界去驗證。

《知識分子》：這種高校和工業(yè)界合作模式的實現(xiàn)，有時間表嗎？

劉子鳴：我希望在一到兩年內(nèi)，能有一些特別有影響力的Physics Of AI的例子出來。到那個時候，工業(yè)界也會更愿意合作，甚至工業(yè)界自己會專門開一些實驗室來做這種物理層面的研究。到那時資源就不是問題了。

但在現(xiàn)階段，學(xué)術(shù)界和工業(yè)界可以有一種分工。雖然驗證超大規(guī)模模型確實需要工業(yè)界的資源，但至少在學(xué)術(shù)界，我們完全可以獨立進行這些現(xiàn)象學(xué)的研究。先發(fā)現(xiàn)現(xiàn)象、總結(jié)規(guī)律，再去指導(dǎo)規(guī)模化。