夜雨聆风
很多人学 AI，是从一个接口开始的。
填一个 prompt，调一个 API，模型就能帮你写文案、做表格、画图。这当然有用。但如果问题换成另一个层次：怎样提出下一代模型？怎样解释大模型为什么会突然出现新能力？怎样让 AI 真正进入机器人、药物、材料和科学发现？
这时，物理学就不是装饰品了。
它给人的不是几条公式，而是一套看系统的眼光：看状态空间，看相互作用，看噪声，看尺度，看守恒和对称，看简单规则怎样长出复杂行为。
这正是顶级 AI 研究越来越需要的东西。
学物理，不是说 AI 的本质只是一团物理过程。
如果你只是想做一个 AI 应用，物理当然不是必修课。你更需要产品判断、工程实现、数据闭环和评测体系。
但顶级 AI 研究员面对的，不只是“模型能不能跑”。他们会追问：
为什么神经网络能在高维空间里泛化？
为什么扩散模型能从噪声里恢复结构？
为什么同样参数量的模型，换一个架构，能力会差很多？
为什么规模上去以后，一些能力像突然冒出来？
为什么模型在训练集上很好，一到真实世界就露出问题？
这些问题背后，常常有能量、熵、随机过程、动力学、对称性、尺度律和涌现。物理学长期训练的，正是这类问题。
AI 早就有物理血统
2024 年诺贝尔物理学奖颁给 John Hopfield 和 Geoffrey Hinton。诺奖官方的说法很直接：他们用物理学工具，发展出今天强大机器学习的基础方法。
Hopfield 网络可以做联想记忆。你给它一张残缺图案，它会一步步更新状态，最后回到最接近的记忆。
这里最关键的想法，不是“神经元像大脑”。关键是 Hopfield 把网络状态放进一个能量景观里。每一次更新，都让系统往低能量方向走。低谷，就是记忆。
这和统计物理里的自旋系统很接近。你可以把一个个神经元想成小磁针。小磁针彼此影响，最后整个系统落到某个稳定状态。
Hinton 后来的 Boltzmann machine 也不是随便起名。Boltzmann 来自统计物理。它把数据看成许多可能状态中的一种。能量低的状态更容易出现，温度高的系统更愿意探索。
这条思想线一直延伸到今天的 energy-based model、score matching 和扩散模型。
所以，物理和 AI 的关系不是后来的漂亮类比。神经网络从很早开始，就和物理的建模传统纠缠在一起。
概率不是一张表
很多学生学概率，会把它当成一堆符号：分布、期望、方差、似然。
物理训练会逼你多问一步：这个分布会怎样运动？噪声从哪里来？系统为什么会停在某些状态？它会不会被困在局部低谷？
这对 AI 很重要。
在统计物理里，自由能可以粗略理解成两股力量的拉扯。一股力量偏好低能量状态，另一股力量偏好多样性和可能性。温度决定二者怎么平衡。
放到 AI 里，类似的问题到处都是。
语言模型采样时调 temperature，不只是“让回答更活泼”。它实际在改变模型从哪些状态中取样。温度低，模型更保守。温度高，模型更敢探索，但也更容易乱跑。
训练生成模型时，采样也不是“随机抽一个结果”这么简单。Gibbs sampling、Langevin dynamics、simulated annealing 都带有很强的统计物理味道。
物理式直觉会让你明白：概率分布不是静止表格，而是一个会运动、会扩散、会跨过能垒的系统。
扩散模型就是例子
扩散模型是现代生成 AI 里最好的例子。
2015 年，Sohl-Dickstein 等人的论文题目就叫《Deep Unsupervised Learning using Nonequilibrium Thermodynamics》。非平衡热力学不是文艺标题。论文的核心做法，就是先把数据一步步加噪，慢慢破坏结构；再学习一个反向过程，把结构恢复出来。
2020 年，DDPM 把这条路线推进到高质量图像生成。NeurIPS 页面上的摘要也明确说，这类模型受到非平衡热力学启发，并和 denoising score matching、Langevin dynamics 相连。
通俗说，前向扩散像把一张清晰照片一点点揉成雪花点。反向扩散像训练一个模型，从雪花点里一步步还原照片。
这听起来像图像处理，实际是一个动力学问题：系统从低熵的有序状态走向高熵噪声，再由模型学习反向路径。
如果只会看代码，你可能把扩散模型理解成“U-Net 反复去噪”。这能帮你复现模型，但很难帮你提出下一代方法。
当扩散进入科学智能，这点更明显。
AlphaFold 3 的 Nature 论文用了 diffusion module 直接预测原子坐标。它能处理蛋白质、核酸、小分子、离子等复合体系。但论文也诚实列出局限：立体化学、幻觉、动力学和某些目标的准确性仍有问题。
这正是物理素养的价值。你不只看模型效果，也知道模型在哪些地方还没有真正学到物理世界。
好架构要写进世界结构
为什么卷积神经网络对图像有效？
不是因为卷积这个词很高级，而是因为图像有平移结构。一个边缘向右挪几像素，它仍然是同一种边缘。CNN 把这种结构写进了模型。
物理学训练会让人对这类问题很敏感：
哪些变化不应该改变结果？
哪些量应该守恒？
哪些坐标只是我们画图方便，不是系统真正改变了？
哪些相互作用是局部的，哪些是长程的？
在分子建模中，整体旋转和平移不应该改变分子的性质。
在图神经网络中，节点编号换一下，不应该改变图的预测。
在机器人中，接触、摩擦、关节约束和时间连续性，不是可有可无的细节。
Geometric Deep Learning 讨论的，正是怎样把网格、群、图、流形这些结构统一进学习模型。真正有用的架构创新，常常不是多堆几层，而是先看清任务本身有什么结构。
高维空间里，任意函数几乎不可学习。现实世界能被学习，是因为它不是任意的。它有局部性、平滑性、组合性、层级结构和对称性。
物理训练会让你先找这些东西。
尺度上去，会出现新现象
AI 研究里最容易被神秘化的词，是“涌现”。
小模型不会，大模型会。loss 下降很平滑，能力指标却像跳了一下。某个训练技巧在小规模上没用，到了大规模突然关键。
物理学不能替 AI 给出所有答案。但它会训练你用更清醒的方式看这些现象。
一个气体分子怎么动，很难逐个预测。但大量分子放在一起，就能谈温度、压强和熵。
一个自旋只是小磁针。大量自旋相互作用，就可能出现铁磁相、顺磁相和临界点。
神经网络也是复杂系统。单个参数没有意义。重要的是参数、数据、激活、梯度、优化器和噪声一起形成的整体动力学。
重整化群给人一个很好的直觉：从微观走向宏观，不是所有细节都同等重要。有些会被平均掉，有些会留下来，成为控制大尺度行为的变量。
这能提醒 AI 研究员避免两个坑。
一个坑，是把所有涌现都讲成神秘奇迹。
另一个坑，是把所有宏观能力都硬归因到某个单点机制。
更好的做法，是建立可检验的中层理论：哪些变量真的重要？在哪个尺度重要？预测能不能被实验推翻？
AI 不能永远停在静态数据集
今天很多 AI 训练还像静态拟合：给定数据集，最小化损失，跑一个指标。
但 AI 往前走，一定会进入动态世界。
机器人要行动。自动驾驶要预测。智能体要规划。科学模型要模拟。代码 agent 要和环境交互。世界模型要回答“如果我这样做，下一步会怎样”。
这时，经典力学、动力系统、控制理论和随机过程就不远了。
Neural ODE 把神经网络写成连续时间里的微分方程。Hamiltonian Neural Networks 让模型学习并尊重守恒律。Physics-informed neural networks 把偏微分方程约束放进训练里，用来求正问题和反问题。
这些工作都在提醒我们：有些规律不应该全部从数据里硬学。有些规律应该写进架构、损失函数、坐标系或求解器。
当 AI 面对真实世界，你必须会问：
系统状态是什么？
动力学方程是什么？
哪些量守恒？
噪声来自哪里？
观测够不够？
模型预测的是轨迹、分布，还是策略？
这就是物理教育长期训练的问题意识。
物理还会改变做实验的方式
物理不是只会写方程。它也是一种实验文化。
好实验会看量纲、控制变量、误差来源、可重复性、极限情况和近似条件。
AI 研究很需要这种习惯。
一个模型涨了 1%，到底来自架构、数据、训练步数、batch size、学习率、随机种子，还是评测泄漏？
一个 agent 在 demo 里很惊艳，到底是能力提升，还是任务被包装得太顺？
一个扩散模型图片更漂亮，到底是分布覆盖更好，还是牺牲了多样性？
物理训练会让你天然警惕单个指标。它会逼你看极限情况：
噪声很大时会怎样？
温度很低时会怎样？
数据量增加时，规律还在吗？
时间步长变小时，结论还稳吗？
模型从小尺度放到大尺度时，哪些判断会变？
这不是书呆子式谨慎。它直接关系到研究结论能不能站住。
怎么学，最有效
如果目标是成为懂物理的 AI 研究员，不必一上来啃最厚的理论物理教材。
更好的路线，是围绕 AI 问题学工具。
第一，统计物理。抓住 Boltzmann 分布、熵、自由能、相变和 Ising 模型。对应能量模型、变分推断、采样和复杂系统。
第二，随机过程。抓住 Markov chain、Brownian motion、Langevin dynamics、Fokker-Planck equation 和 SDE。对应扩散模型、score-based model、强化学习探索和不确定性建模。
第三，经典力学和动力系统。抓住 Hamiltonian、Lagrangian、相空间、稳定性、吸引子和控制。对应机器人、世界模型、Neural ODE 和连续时间智能体。
第四，对称性和几何。抓住群、表示、流形和等变性。对应 CNN、GNN、SE(3)-equivariant network 和分子建模。
第五，尺度和重整化群。先理解粗粒化、相关变量、临界现象。对应 scaling law、涌现和多尺度表示学习。
第六，计算物理。学数值积分、Monte Carlo、PDE 求解和仿真误差。对应 AI for Science、PINN、机器人仿真和材料建模。
最好的学习方式，是每学一个物理概念，就找一个 AI 对应物。
学 Boltzmann 分布，就读 Hopfield network、Boltzmann machine 和 energy-based model。
学 Langevin dynamics，就读 score matching、DDPM 和 SDE diffusion。
学对称性，就读 CNN、GNN 和 Geometric Deep Learning。
学 Hamiltonian，就读 Hamiltonian Neural Networks 和 robot dynamics。
这样学，物理就不是抽象负担，而会变成研究直觉的放大器。
也别神化物理
最后要踩一脚刹车。
物理学很重要，但它不是万能钥匙。很多优秀 AI 研究员并不是物理出身。很多重要 AI 问题，也不需要深物理背景，比如数据工程、推理系统、信息检索、用户交互、安全治理和产品评测。
物理直觉也可能误导。
把神经网络说成像自旋玻璃，不等于你已经解释了它。把能力突变叫相变，不等于你找到了临界参数。把训练过程比作热力学，不等于你能推出可验证结论。
顶级研究需要的是精确迁移。
也就是要说清楚：物理概念在这里对应什么数学对象？假设条件是什么？可观测量是什么？能被什么实验推翻？
类比只能开门。真正的理论，要能站上实验台。
所以，结论可以很简单：
想做 AI 应用，物理不是必修。
想做顶级 AI 研究，物理会显著提高上限。
因为真正困难的 AI 问题，越来越像复杂系统问题。它们要求我们理解简单规则怎样产生结构、智能和边界。
物理学训练的，正是这种看见系统的能力。
参考资料
1. The Nobel Prize in Physics 2024, Press Release. NobelPrize.org. 2. John J. Hopfield. Neural networks and physical systems with emergent collective computational abilities. PNAS, 1982. DOI: 10.1073/pnas.79.8.2554 3. David H. Ackley, Geoffrey E. Hinton, Terrence J. Sejnowski. A learning algorithm for Boltzmann machines. Cognitive Science, 1985. DOI: 10.1016/S0364-0213(85)80012-4 4. E. T. Jaynes. Information Theory and Statistical Mechanics. Physical Review, 1957. DOI: 10.1103/PhysRev.106.620 5. Jascha Sohl-Dickstein, Eric Weiss, Niru Maheswaranathan, Surya Ganguli. Deep Unsupervised Learning using Nonequilibrium Thermodynamics. ICML, 2015. 6. Jonathan Ho, Ajay Jain, Pieter Abbeel. Denoising Diffusion Probabilistic Models. NeurIPS, 2020. 7. Yang Song, Jascha Sohl-Dickstein, Diederik P. Kingma, Abhishek Kumar, Stefano Ermon, Ben Poole. Score-Based Generative Modeling through Stochastic Differential Equations. ICLR, 2021. 8. Pankaj Mehta, David J. Schwab. An exact mapping between the Variational Renormalization Group and Deep Learning. arXiv, 2014. 9. Henry W. Lin, Max Tegmark, David Rolnick. Why does deep and cheap learning work so well? Journal of Statistical Physics, 2017. 10. Michael M. Bronstein, Joan Bruna, Taco Cohen, Petar Veličković. Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges. arXiv, 2021. 11. Ricky T. Q. Chen, Yulia Rubanova, Jesse Bettencourt, David K. Duvenaud. Neural Ordinary Differential Equations. NeurIPS, 2018. 12. Samuel Greydanus, Misko Dzamba, Jason Yosinski. Hamiltonian Neural Networks. NeurIPS, 2019. 13. Maziar Raissi, Paris Perdikaris, George Em Karniadakis. Physics-informed neural networks. Journal of Computational Physics, 2019. DOI: 10.1016/j.jcp.2018.10.045 14. Josh Abramson, Jonas Adler, Jack Dunger, Richard Evans, et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 2024.
