本文来自微信公众号： 五源资本 5Y Capital ，作者：孟醒
从Hopfield、Hinton的诺奖，到Anthropic的掌门人、xAI的预训练负责人，再到何恺明最新的物理世界模型——物理这条线四十年不断。这不是巧合，而是一种“品味”恰好撞上了对的时代。
把目光放到今天AI的最前线，会发现一件有点反常的事：不少定义方向的人，本行是物理。
领着Anthropic造Claude的Dario Amodei，是斯坦福物理学士、普林斯顿生物物理博士；把“Scaling Laws”带进大模型、如今任Anthropic首席科学官的Jared Kaplan，是哈佛物理博士。更年轻一代里，清华物理系凝聚态出身、拿过清华特奖的姚顺宇，一路走进了大模型的核心团队；MIT的刘子明（Ziming Liu）做着他称为“Physics of AI”的研究，用一种叫KAN的新网络去反推物理定律。就连今天撑起图像和视频生成的扩散模型，最初都是个物理味十足的想法——Jascha Sohl-Dickstein直接从非平衡热力学里借来了它的骨架。
再往学科的根上看一眼：2024年的诺贝尔物理学奖，颁给了Hopfield和Hinton在神经网络上的奠基工作；同年化学奖的一半，给了AlphaFold背后、物理与数学出身的John Jumper。连根上都盖了物理的章。
从奠基者到今天的当红者，物理这条线四十年不断。这很难不让人生疑：是巧合，还是物理训练里藏着某种适配AI的“基因”？
不仅更聪明，更是一种品味
“物理出身更强”这句话本身站不住。Yann LeCun是电子工程，Bengio、Sutskever、Karpathy是计算机科学，Transformer的作者几乎清一色工程背景——深度学习的半壁江山，恰恰不是物理学家建的。
我们也容易掉进几个坑：幸存者偏差（记住了成功的物理人，忘了同样多别的背景的巨人）；“fundamental”没被定义（Scaling Laws很根本，反向传播、Transformer架构同样根本）；以及混淆变量——物理是个强筛选学科，先天吸走了一批数学能力极强的人，你看到的也许是“能力选择”，而非“物理训练”之功。
所以正确的问题不是“物理学家是否更聪明”，而是更精细的一句：
物理训练给的不是更强的智力，而是一种特定的品味（taste）——偏好第一性原理、最小模型、对涌现和普适规律的信念；而这套品味，恰好和今天做AI的方法论高度重合。
核心：一条“理论—实验”的光谱
我最近和xAI的预训练负责人庄君堂（Juntang Zhuang，本科是核物理）聊到一个说法：大模型之所以像物理，是因为它介于理论科学和实验科学之间。
把三个学科放到同一条轴上想。纯数学站在理论极，判断“真”的标准是——定理能否被证明，追求普适、追求最坏情况下也成立。工程与实验科学站在另一头，标准是——能不能造出来、能不能scale、能不能跑赢基准。而物理站在中间：它的标准是理论能否预测实验，用最小模型抓本质，允许近似，在理论与实验之间反复校准。
训练大模型落在哪里？它有理论直觉——scaling laws、架构原理、优化几何——但真理最终来自大规模实验：跑loss、测标度、做消融。它既不在证明定理，也不是纯拼工程，而是“用有效理论指导实验、再用实验回校理论”。这就是物理三百年来的工作方式。与其说物理学家闯进了AI，不如说AI自己长成了他们熟悉的样子——连提出这个观察的人，本人也是物理出身。
物理品味的几个“化身”
把这套品味拆开，你会在具体工作里一次次认出它。
统计力学↔神经网络。二者问的是同一个问题：大量简单单元的相互作用，如何在整体上涌现出复杂行为？磁体里的自旋如此，网络里的神经元也如此。Hopfield网络的能量函数、玻尔兹曼机的概率分布，数学和名字都从物理直接搬来；扩散模型的“先打乱、再逆转”，也是一套非平衡热力学的语言。今天备受关注的能量模型（Energy-based Models）同样同源——用一个“能量函数”刻画什么样的输出更合理，为生成提供物理式的可控性，正是LeCun近年力推的方向。
对普适规律的信仰，落到对称性上。物理相信底层有守恒律与对称性，Max Welling（师从诺奖得主't Hooft）就把它做成了“等变网络”，让模型在旋转、平移下表现一致。
把模型当成“自然对象”来研究。这也许是最物理的一点：既然造出了网络却不理解它，那就像研究一个新发现的物理系统那样去测量它、给它建理论。Ganguli、刘子明的工作都在做这件事——把可解释性变成一门“神经网络的实验物理学”。
一个细节：连何恺明都缺人
品味不只是审美，它还决定了谁能和谁“一拍即合”。
2026年，ResNet之父何恺明的团队做了个叫GeoPT的工作——一个面向物理仿真的预训练“世界模型”，本质是把物理仿真引擎“蒸馏”进一个可泛化的大模型里。据一作吴海旭（Haixu Wu）讲，故事的起点是：像何恺明这样顶尖的人，也想做一个以物理逻辑为出发点的世界模型，可环顾四周，身边竟找不到特别合适的人——直到找到这位同样有物理研究背景的合作者，两人因为共享同一套语言而迅速合流。
这个细节很说明问题：哪怕在最顶级的计算机科学团队里，想做真正以物理为出发点的原创工作，那种跨学科的思维依然是稀缺品。品味决定了能提出什么问题，也决定了能找到谁一起回答。
物理式的经验科学：Scaling Laws
但最能体现这套品味的，是Scaling Laws。
物理不靠证明定理吃饭，它靠能预测的经验规律。Kaplan那批人发现，模型的loss会随参数、数据、算力以干净的幂律下降；DeepMind的Chinchilla再把它精细化——给定算力预算，参数和数据要一起放大（约每参数配20个token）才最优。
留意这套手艺：在多个规模上跑实验，拟合出一条幂律，再外推去预测一个还没造出来、贵到只能训一次的系统会怎么表现。这不是数学（没人证明这些定律），也不是纯工程（要的是可外推的规律而非某个能跑的系统）——这就是物理。开普勒从第谷的数据里拟出行星轨道，用的是同一套手艺。
姚顺宇有个更妙的比方：今天的Scaling Law，就像18世纪的热力学——能用、能预测，可微观机制至今没人完全讲清；整个AI行业，底层就搭在一堆“我们也不知道为什么会这样”的经验之上。这话本身，就非常物理。
那数学呢？
数学家没缺席——Vapnik、Michael Jordan、Sanjeev Arora、Tengyu Ma、Greg Yang都是响当当的名字。但他们系统性地聚在光谱的理论极：学习理论、优化、可证明的泛化，更多在“理解和证明”，而非“造出前沿模型”。（一个旁证：经典统计学习理论曾断言“参数远超数据必然过拟合”，却被深度学习的事实反过来推翻——补位的不是更强的定理，而是平均场、随机矩阵这类物理式的“有效理论”。）
有个耐人寻味的反转：现代AI里最有影响力的数学工作，恰恰是主动够向实验极的。纯数学出身的Greg Yang做的muP，用无限宽网络的数学去预测超参数——小模型调好的参数直接迁移到只能训一次的大模型。他有个演讲干脆叫《数学在大规模深度学习中不合理的有效性》。换句话说：在今天的AI里，数学往往要戴上物理的帽子才真正好使。这非但不削弱论点，反而加固了它。
还有一种自由：没有师承
物理给的可能还不止是工具，也是一种“底气”。
姚顺宇在理论物理里泡了九年——非厄米系统、量子、高能——博士一毕业就转身进了AI，先后在Anthropic和Google DeepMind参与了Claude与Gemini的训练。在张小珺的播客里他说得很直白：“我在这个行业又没有什么导师，又没有什么旧友，我当然想喷谁喷谁。”他甚至说，离开物理的一个原因，是不想再把时间花在“伺候老登”上。
这句玩笑话底下藏着一个正经的机制：从物理跨进AI的人，往往不带这个领域的师承、门派和成见。没有需要维护的学术血统，没有必须尊重的权威共识，反而更敢问那些“幼稚但根本”的问题，也更敢对流行做法直接开炮——而fundamental的工作，常常正是从这种“局外人的自由”里长出来的。当年也正是Hopfield这样的物理学家，在符号主义当道、神经网络被主流冷落的年代，从外部把它重新捡了起来。
顺着这条线想，它反而让前面的论点更诚实了：真正稀缺的不是“物理”这个出身，而是“不被某一套正统绑住”的自由。物理只是把很多人送到了这个位置——让你带着一身趁手的工具，却又恰好是这个领域的局外人。
物理背景的人为什么容易做出更fundamental的工作？不是更聪明，而是今天的AI恰好站在“理论与实验之间”，那正是物理的主场。他们对涌现不慌反喜，习惯用最小模型逼近本质，相信底层有规律可找——这套品味，在这个特定的历史时刻，找到了罕见的契合。
物理不是更聪明，它只是这个时代最好的默认入口。而真正的突破，永远属于能在数学、物理和工程三种品味之间自由切换的人。