夜雨聆风2026 年 5 月 21 日，马斯克在 X 上发了一条很短的招聘帖。
SpaceXAI 要招世界级工程师和物理学家。哪怕你过去没有任何 AI 经验，也可以来。
投递方式也很马斯克：发一封邮件，用大约 3 个 bullet points，证明你确实有 exceptional ability。
我第一次看到这条帖，先被“零 AI 经验”抓住了。
今天最拥挤的赛道之一，居然在公开招没有 AI 履历的人。再往前看一眼，马斯克点名的又不是一个泛泛的“聪明人”，而是 engineers 和 physicists。
为什么是物理学家？
xAI 对自己的描述本来就很大。它把使命写成理解宇宙，也把 first principles 写进公司原则。
再看 OpenAI。它已经把 AI 加速科学研究做成一个公开方向。近期公开的一个 Mathematical Sciences 研究岗位里，目标背景也不只写 AI 或计算机，还直接列出了理论物理。
Google的 DeepMind 那边也有类似信号。它讲 AI for Science，不只是讲蛋白质，也讲材料、融合、物理和化学；讲机器人时，又反复强调模型要进入 physical world。
这些线索不是同一件事，但都把马斯克那条招聘帖往同一个方向推了一点：前沿 AI 想碰的问题，正在变硬。
这里的“硬”不是说代码更难写一点。是它的目标在继续往外走。前几年最显眼的进步发生在屏幕里：文字、代码、图片、视频。现在越来越多公司想把模型推向科学研究、机器人、仿真、实验室和真实设备。
AI 一旦往这些地方走，很多熟悉的标准都会松动。
门槛没有降低，只是换了位置
前沿 AI 当然还需要 AI 人。xAI 公开岗位里仍然有模型训练、推理、多模态和基础设施方向。DeepMind 对研究工程师的要求，也仍然离不开机器学习和工程能力。
所以真正值得看的，不是“零 AI 经验”这几个字本身，而是它后面接着的条件：world-class，exceptional ability。
所以马斯克这句“zero prior experience in AI”，不是给初学者发福利。更像是在说：如果你已经在另一个足够硬的领域证明过自己，他们愿意赌你的迁移速度。
这和成熟岗位招聘不太一样。
成熟岗位喜欢看同类经验：你做过几年，熟悉哪套工具，过去拿过什么结果。前沿岗位有时候没这么舒服。问题变化得太快，履历会失效一部分，最后还是会回到更笨的问题：
这个人能不能钻进一个陌生系统里，把它弄明白？
马斯克要的是那种人。
AI 公司想解决的问题，已经不只是聊天框
OpenAI 发布的用来测试模型在物理、化学、生物里的专家级科学推理能力的benchmark 叫 FrontierScience，它把物理、化学、生物里的专家级科学任务放到模型面前。这里考的已经不只是知识记忆，而是更接近研究现场的问题：你问的是什么，答案凭什么可信，下一步怎么验证。
它的招聘动作也和这个方向对得上。Mathematical Sciences 岗位面向数学、理论物理、理论计算机科学等背景。候选人可以已经熟悉现代 AI，也可以是愿意学的人。
在机器人方向，DeepMind 说得很清楚：过去很多 AI 能力主要停留在数字世界，机器人要在物理世界里行动，麻烦会多很多。一个物体能不能抓，环境怎么变化，动作会不会把局面搞坏，和一段文本答得顺不顺不是一回事。
DeepMind 当时和瑞士等离子体中心合作，要解决的不是“让 AI 解释核聚变”这种问题。研究团队先要面对一台真实 tokamak 装置。装置里的等离子体需要被磁场约束，实验又希望把它控制成不同形状。DeepMind 做的是训练强化学习控制器，让它学会怎样调节控制信号，再把这个控制器生成的策略部署到真实装置上。
这件事里，AI 不再只是在屏幕上给出一个答案。它给出的控制策略要进入装置，装置会按照物理规律反馈。控制得好不好，不看它解释得漂不漂亮，而看等离子体有没有按目标保持和变化。
当 AI 公司把目标推到这种物理系统里，模型本身很重要，懂系统的人也会变重要。因为你得知道要控制的究竟是什么，哪些约束不能忽略，什么样的结果才算真的有用。
一个黑洞物理学家的测试
OpenAI Academy 今年写过研究黑洞理论的物理学家 Alex Lupsasca。
Alex 一开始并没有把 AI 当成能参与物理研究的东西。早期他用 ChatGPT，更多是让它帮忙改论文表达、处理学术工作里的琐事。但还到不到“做物理”的程度。
后来模型变强，他开始故意拿物理问题去试。
其中一个问题来自广义相对论。他让模型从一个著名的黑洞电磁场模型出发，去求事件视界处的磁场强度。OpenAI 的文章里说，这个推导对研究生来说可能要花几个小时，而模型几秒钟给出了完整过程。
然后 Lupsasca 把测试推进了一步。他不再拿一个现成的课堂式问题去试，而是拿自己研究里的问题去试：黑洞潮汐响应方程里有一个隐藏对称性，他想看模型能不能找到对应的对称生成元。
GPT-5 Pro 思考了大约 18 分钟，给出了和他自己研究中找到的结果相同的生成元。这个对照才让故事变得不一样。因为问题不再只是“模型有没有背过某段物理”，而是它有没有碰到一个研究者真正费力推进过的地方。
这件事后来还有一个后续：Alex 加入了 OpenAI。
从文章里看，他想做的不是让 AI 把科学家踢出实验室，而是把研究者从一部分繁重代数和整理工作里解放出来，让他们更快问下一个问题。
这也是我读到这个案例时觉得最有意思的地方。
前沿 AI 公司要的相邻人才，并不只是“懂一个外部领域，来给模型补知识”。他们还需要知道一个领域真正难在哪里的人。这种人带来的不只是领域知识。
他知道哪些问题真的难，哪些结果只是看起来漂亮，哪些推进值得继续追。很多时候，这种判断比“懂不懂某个术语”更值钱。
这些东西，很难靠岗位关键词说完。
物理训练有用的地方，未必在你想的地方
所以我不太想把原因写成一张能力清单：物理学家会建模，会近似，会验证。
更接近真实科研的说法是：物理学家经常要在信息不全的时候先做一个模型，然后等实验数据来打脸，再对模型进行修正。实验可能不配合。推导里一个边界条件可能突然变得重要。还有些量，你一开始觉得可以忽略，最后偏偏就是它把模型推翻。
这种训练不保证一个人会做 AI 大模型。分布式训练、数据管线、评估、系统优化，哪一样都不是凭聪明自动解锁。但它会让一些人对复杂系统里的“主要矛盾”更敏感。尤其当 AI 公司自己也在往科学和物理世界里走，这种敏感就不再只是学科气质，而可能变成工作能力。
OpenAI 近期公开过一个 Research Scientist, Mathematical Sciences 岗位，目标背景包括数学、理论物理和理论计算机科学。这个岗位有意思的地方在于，它并不只找传统 AI 研究者，而是找能把理论研究、代码、数据、评估和现代 AI 连接起来的人。
两边本来就不是完全陌生
还有一层，最好也别忽略。物理和机器学习之间不是突然搭桥。
热力学与扩散模型： 如今主导图像和视频生成的扩散模型（Diffusion Models），其核心原理（如Langevin动力学）直接借用了非平衡态热力学中粒子扩散的数学框架。
统计力学与概率： 早期的受限玻尔兹曼机（RBM）和如今大语言模型中的“熵（Entropy）”概念，本质上都在处理系统微观状态的概率分布。物理学家天生习惯于处理包含亿万个变量（无论是粒子还是神经网络参数）的宏观统计规律。
这两个例子讲的不是同一件事，也不能拼成一句“AI 本质上就是物理”。它们更像两处旧接口：在概率、高维系统、优化和模拟这些地方，物理与机器学习原本就会互相碰到。
今天这个交叉重新显眼，是因为 AI 的野心变大了。
还有一个很 SpaceXAI 的背景：训练规模越滚越大，AI 也会重新撞回网络、供电、冷却、部署速度这些物理技术和基础设施更新换代的问题。
所以马斯克把 engineers 和 physicists 并列写在一条招聘帖里，倒也不突兀。
先把问题摸出形状
回到开头那个问题：SpaceXAI 为什么敢招“零 AI 经验”的物理学家？
它在赌一件更具体的事：当 AI 想解决的问题越来越靠近科学、装置和现实世界，已经在硬问题里练出来的人，会有一部分值得抢在履历完全对口之前先抢过来。
物理学家只是这些人中的先行者。数学家、工程师、化学家、生物学家，都会陆续在这条路上出现。
AI 还在快速长出新工具。工具会过时，术语会换，今天稀缺的某种工程经验，明天也可能变成默认能力。但有一种人总会贵一点：问题还没被整理成教程时，他们已经能走进去，先把它摸出形状。
