图片来源：Unsplash
过去几年，人们谈起人工智能（AI）与科学，想象的画面往往是相似的：将海量实验数据交给机器，让它寻找人力难以发现的模式。随着不断迭代升级，AI这件利器正在进入天文学、粒子物理、材料科学等越来越多的研究领域。
但在搜狐创始人张朝阳最近与刘若微（Andrea Liu）、苏比尔·萨卡尔（Subir Sarkar）和文小刚三位物理学家的对话中，还能看到一条方向恰好相反的路径：物理学也在反过来改变我们对AI，甚至对“计算”本身的想象。
图片来源：Unsplash
AI已经能帮助物理学家处理庞大繁杂的宇宙学数据，也开始介入理论物理学家的计算和推演。与此同时，真实的弹簧、电阻网络，却可能像神经网络一样被“训练”，让物质系统自身承担一部分计算。一边是AI进入物理世界，一边是物理世界反过来启发AI。当两条路径逐渐靠近，它们最终会如何改变我们理解学习、计算与科学创造的方式？
看得更多，想得更快
在南极冰层深处，数千个光学传感器组成了冰立方中微子天文台（IceCube）。中微子几乎不与物质发生作用，可以轻易穿过整颗地球，也因此极难捕捉。研究人员需要从庞杂的探测信号中，筛出少数真正由高能中微子留下的痕迹，再根据这些痕迹反推出它们来自天空中的哪个方向。
英国牛津大学粒子物理学家、宇宙学家萨卡尔长期从事中微子、暗物质和宇宙学方向的研究。他在与张朝阳的对话中提到，IceCube的两名年轻研究者利用图神经网络（GNN），让团队能够分析的数据量达到传统方法的约30倍，由此帮助研究者绘制出银河系的中微子图景。类似的方法，也正在进入引力波研究领域。
当AI进入物理学研究现场时，最先扩展的是人类处理信息的能力。现代实验装置越来越强，制造数据的速度也越来越快。科学家过去担心看不到信号，如今有时反而“看不过来”。算法未必能像人类一样理解宇宙的运行规律，但它能更快地从大量信号中筛出异常，就已经拓展了研究者能够看到的范围。
如果说实验物理学面对的问题是数据太多，那么理论物理学家面临的阻碍有时恰好相反：脑海中有了一个想法，却被一连串暂时算不动的积分挡在半路。美国麻省理工学院教授文小刚是凝聚态理论物理学家，也是拓扑序概念的提出者。在与张朝阳的对话中，他把自己的研究方式概括为不断地“猜”：先提出一个可能的结构，再想办法验证它。但一个想法真正变成理论，往往需要经过大量推导和计算。有些积分太复杂，算不出来，后面的路也就很难继续。
现在，他会把其中一部分工作交给AI。“以前的话，我们算东西，看到积分就很头疼，”文小刚说。有了AI以后，一些原本卡住的计算可以先让机器尝试完成，再检查这个想法是否成立；如果方向没错，研究者便能继续往前走。文小刚把这种作用概括得很简单，AI能“帮助我们猜得更快”。
机器并没有替科学家完成“猜”本身，却把一次猜想与下一次猜想之间原本漫长的等待缩短了。对IceCube来说，它让更多数据进入分析。而对理论物理学家来说，它让更多想法能够及时接受检验。AI没有替代科学研究中观察、猜想和验证的步骤，而更多地向外拓宽科学家能够观察、计算与检验的边界。
当物质开始“学习”
刘若微是美国宾夕法尼亚大学物理学教授，长期研究软物质、无序体系和阻塞理论。她关注的很多系统看起来都很日常：沙粒、泡沫、玻璃，或者大量相互连接的弹簧。单独看其中一个组分，似乎只是平平无奇。可一旦大量组分连接起来，系统就会出现单个组分并不具备的整体性质。沿着这条研究路径，刘若微的团队开始思考一个更奇特的问题：一组真实的物质，能不能像神经网络一样学习？
刘若微和合作者最初研究的是弹簧网络。想象许多节点被弹簧彼此连接：在一端施加形变，希望另一端出现指定的响应。普通弹簧网络不会自动满足这种输入-输出关系，但如果逐步调整弹簧的刚度，或者移除某些弹簧，它就可能被“训练”出想要的行为。这与训练神经网络颇为相似，只是后者不断调整网络参数以降低误差，前者调整的则是弹簧参数。
真正有趣的是，弹簧并不是一串数据，却天然能够“计算”。如果在计算机里模拟这套系统，需要求解每个节点受到什么力、移动到哪里，直到整个网络达到机械平衡。但真实的弹簧不需要知道这些方程。拉一下，它自己就会动，哪里受力、哪里回弹，最终停在哪里，都由物理规律直接决定。“我不需要做任何计算，”刘若微在对话中说道，“物理会帮我做到的。”
这种思路后来被扩展到流体网络和电阻网络。研究者给电路输入电压，让网络中的电阻按照局部信息调整，最后得到需要的输出。某些原本需要数学计算模拟的过程，可以直接交给物质自身的演化完成。刘若微提到，这些网络在解决部分AI类型任务时，能耗远低于人工神经网络。
尽管这类网络规模仍很小，距离用一堆电阻替代大模型也很远。但它改变了一个很容易被忽略的前提：计算未必只能通过在芯片中执行越来越多次数字运算。水流会自动寻找满足约束的路径，弹簧网络会自然趋向力学平衡，电路则会自动服从基尔霍夫定律——真实世界本身也一直在“计算”。
而对于文小刚而言，神经网络已经非常有效，但“到底为什么有用？它的结构是什么？什么样的结构使得它有用”，则是更值得深思的问题。这也恰恰是凝聚态物理最熟悉的思考方式：研究者并不只是逐个研究每个粒子，而是关心它们怎样组织起来，为什么一种组织结构会产生超导、磁性或其他整体性质。
文小刚并不认为凝聚态理论可以直接迁移，用于理解神经网络。他强调，具体理论当然不同，但“从结构入手”的思维方式或许有共通之处。刘若微团队尝试让真实的物理网络完成一部分“学习”，文小刚则在追问，物理学理解复杂结构的方法，能不能帮助我们看懂神经网络为什么有效。
AI通常让人想到更强的芯片、更大的模型和更多算力。但两位物理学家在与张朝阳的对话中提到的两种尝试，却展示了物理学的另一种可能：不仅用AI研究世界，也从真实世界的运行方式中，重新理解学习与计算本身。
如果回到1905年
AI可以帮忙读数据，可以算积分，也可以验证一个猜想。那再往前一步，它能否像科学家一样，提出一个此前不存在的物理概念或定义？
面对张朝阳抛出的疑问，文小刚表示：“至少目前还不行。”在他看来，如果一个概念、一套结构已经定义清楚，后面的很多工作都会变成逻辑推演、证明和计算，这些当然可以越来越多地交给AI。真正麻烦的是，面对未知时，研究者常常连该算什么都不知道。
“我一开始名词也没有，数学也没有，什么都没有。”文小刚说。新的理论往往不是从一个已经写好的问题开始，而是先要发明概念、搭出结构，再慢慢形成可以被严格定义的对象。张朝阳因此用了一个形象的比喻：“AI像一匹马，我们人像骑手一样，指出方向。”文小刚补充道：“现在可以跑得很快。”马能用速度加快旅程，却无法自动回答应该去哪里。
但“指出方向”究竟是不是人类独有的能力？在与萨卡尔对谈时，张朝阳将这个问题推向了一个思想实验：假如时间回溯到1905年，把麦克斯韦方程、洛伦兹变换和当时已有的论文全部交给AI，它能不能像爱因斯坦一样提出狭义相对论？
萨卡尔没有轻率地断言。他承认，爱因斯坦也并非凭空创造狭义相对论，相关数学结构已经存在，麦克斯韦理论中也早有相关线索。未来AI可能发展出今天难以预料的能力，但就目前而言，他仍倾向于否定。
萨卡尔回忆起自己曾去过瑞士伯尔尼，看过爱因斯坦生活过的街道。爱因斯坦经常在晚上散步，和朋友米歇尔·贝索（Michele Besso）坐在咖啡馆里聊天。贝索甚至不是物理学家，但萨卡尔认为，这些交谈、不同经验之间的碰撞，以及他对时间、同时性等概念的重新审视，都不是单纯浏览论文可以概括的过程。
为了说明这种区别，萨卡尔借用了20世纪最具影响力的艺术家之一巴勃罗·毕加索（Pablo Picasso）对“好的艺术”与“伟大的艺术”的区分：好的艺术，是人们想看到的东西；伟大的艺术，则是人们此前甚至不知道自己想看到的东西。对科学而言也是如此。沿着既有范式解决一个困难问题当然重要，但更艰难的突破是发现范式之外的问题，甚至创造一套此前不存在的概念，让某个问题第一次能被提出。
就像文小刚提到的，AI可能会沿着已经开辟的道路跑得越来越快。可科学探索还有另一层困难：决定向哪里走，什么时候离开旧路，以及意识到眼前原来还有一个未曾命名的方向。
在追问中理解世界
回看这三场对话，它们的共同之处并不只是都谈到了AI，而是问题总会在答案出现之后，继续向更深层生长。
与刘若微的讨论从沙粒、泡沫和弹簧网络出发，逐步谈到机器学习的梯度下降，再追问到真实电阻网络如何依靠局部规则学习，以及这种计算为何可能消耗更少能量。与萨卡尔谈到AI处理IceCube和引力波数据后，张朝阳没有停留在“效率提高了多少”，而是继续追问：如果能力不断增长，它最终能不能产生爱因斯坦式的概念突破？与文小刚谈AI在理论物理中的作用，又从积分和验算一路追到“马与骑手”的协作，最后落到科研究竟是在解决已有问题，还是提出新的问题。
这些追问并非偶然。三场对话开场时，张朝阳都提到，它们是《张朝阳的物理课》的延伸。早期的物理课更多从公式出发，带着观众一步步求解一个问题的答案。而与科学家对话系列则更像一间开放的研究室。
这里当然仍有公式、概念和知识，但更重要的是，那些科学家仍在探索、尚未得到统一答案的前沿问题也能被人看见：AI能否提出新概念？复杂系统的智能来自哪里？物质是否能够直接承担计算？观众看到的不只是结论，也包括科学家怎样判断、怎样争论，以及怎样从一个回答中继续长出下一个问题。
图片来源：Unsplash
这恰好与AI时代形成了一种有趣的呼应。如今，我们获取知识、整理资料、处理数据乃至求解问题都变得愈发轻而易举。对于科学传播而言，真正稀缺的或许不再只是多教会观众一个标准答案，更要让人看见，有些问题没有标准答案。
面对张朝阳的提问，三位物理学家时常会陷入沉思，有时坦然说“我不知道”。这种“不知道”，反而很接近真实的科研。AI可以让我们看得更多、算得更快，物理学也可能教会机器用另一种方式“学习”。但无论工具如何变化，科学扩宽人类认知边界的起点始终是，有人面对一个已经足够好的答案，仍会停下来追问一句：为什么？
参考链接：
https://tv.sohu.com/v/dXMvMTgyODUvNzM4MjcxMTkwLnNodG1s.html
https://tv.sohu.com/v/dXMvMTgyODUvNzM2ODQwNDExLnNodG1s.html?src=list
https://tv.sohu.com/v/dXMvMTgyODUvNzM5OTUzMjM5LnNodG1s.html?src=list
