人工智能与物理学（2）—— 昨天的故事

【“人工智能与物理学”，这个题目很大。实际上这里并非全面介绍二者，而是讲二者的关系。但即使讲二者的关系也是个大题目，不是几篇博文可以说完的；而且也不是在现在这样一个人工智能刚刚开始发展的阶段能说清楚的。所以只能是说一点粗浅的想法。用一个泛一些的题目可以讲得更随意一些罢了。真要学习人工智能与物理学的关系，还是要请教专家。】

人工智能的神经网络、机器学习这些方法早在上世纪80年代就发展起来，已有几十年的历史。但只是到了2016年底到2017年初AlphaGo打遍天下无敌手之后，人工智能才进入公众视野；到了去年ChatGPT公布、上网，人工智能开始真正融入了百姓的生活。

还记得ChatGPT刚刚公布时的全民测试、分享问答过程的热潮。而到了DeepSeek横空出世，类似的热潮就显著衰退了。更多的是深入的分析、实在的应用和长远的思考。

还是那位年轻人。在他去年和我讨论回国后的工作计划时，问过：普林斯顿这边很多人说：人工智能发展起来，就没物理学家什么事儿了！

这可是个致命的问题！——直接关系到全世界千千万万物理学家（甚至各领域科学家）的事业前景。

果真如此吗？

不可否认，人工智能正在以一种无所不在的形式进入我们日常生活的各个方面，甚至呈现出在很多关键领域主导科学技术进步和经济社会发展的趋势。特别是在关系人类社会长远发展的大科学领域（比如聚变能源），人工智能更是展示出解决关键性复杂科学、技术、工程问题的巨大潜力。有人预见“人工智能充分发展起来可能就没有科学家们可做的事情了”，也是可以想见的。

因为类似的事情以前也发生过。今天的“你我”（新兴科学、方法与物理学）不过是在重复着昨天的故事。

上世纪计算机出现、数值计算技术发展起来的时候，很多人也同样认为：依据第一性原理写好程序、输入初始条件，后面的事情交给计算机完成去就是，没有物理学家什么事情了。甚至更有人认为，科学实验都可以在计算机上“虚拟”完成，不需要在实验室里“物理”地做。

后来的“故事情节”我们都清楚了：计算物理和计算科学发展证明我们离上面说的这种理想状态还很遥远——

（1）算力问题：

到目前为止，即使是运算能力最强，计算速度最快的超级计算机，也只能计算10¹¹到10¹²个粒子，而真实的世界里，即使是密度最低的物质——气体，单位体积（如每立方米）里也有10²⁷个粒子！在计算机摩尔律几乎走到尽头的今天，还看不到可以计算真实世界中典型多粒子问题的可能。仍然需要利用物理学方法（如时空尺度分析等）做各种近似来求解。

（2）算法问题：

解决算力不足就必须发展先进算法，节省计算资源。而且数值计算本身就要求对连续性的问题做离散处理。不同的离散方法会带来不同的误差，长时间的误差积累会引起显著的非物理偏差，得到完全错误的结果。这也需要利用物理方程的守恒性质来消除非物理的误差积累。

（3）数据分析：

计算得到的结果必须进行物理分析，确定这些结果（数据、曲线）的正确性和所表征的物理图像是什么；一方面对使用的模型进行校验和修正，另一方面总结、发现新的机制和规律。这个过程需要物理学的世界观和方法论提供理论基础和基本方法。

人工智能正在或将会面临类似的问题：

（1）算力瓶颈：

GPU技术虽然为提高人工智能算力提供了新的途径，但是芯片的摩尔律限制是“终极瓶颈”。即使量子计算最终解决了算力问题，但人工智能计算需要的能源很快会成为真正的瓶颈：人工智能按照目前这种模式的发展有可能会使得其需要的电力在不远的将来就超过全世界的总发电量（黄仁勋语）。所以归根结底还是要发展基于科学规律、特别是物理学规律的各种近似方法。

（2）算法需求：

DeepSeek最重要的启示：堆算力是死胡同，发展新算法才是根本出路。现有的人工智能算法还是非常初步的，其特点是耗费大量的算力资源和能源。归根结底，还是需要借助物理学建立模型的方法，改造现有的大模型、不断发展新的更先进的算法。

（3）数据技术：

人工智能是建立在大数据基础上的，基于大数据、建立大模型，发展新应用。这与物理学在数据基础上发展模型、总结规律的认识过程是一脉相承的。而作为发展最完善的科学，物理学获取、处理、分析数据的方法是最先进、有效的。以物理学方法为基础来发展人工智能的大数据技术，有着极其重要的意义。

那么，相比我们已经发展起来的各种物理学方法，人工智能的优势何在？

一“字”以蔽之：快！

天下武功，唯快不破！

在时间尺度上，人工智能占尽优势。

讲起来话长，以后详谈。