AI 算不算物理？与物理学和人工智能博士聊聊诺贝尔奖争议｜硅谷徐老师 S8E22
46:03 Share

欢迎来到 What's Next 科技早知道第八季和全球创新第一时间同步科技早知道的朋友们大家好上个礼拜我们都知道诺贝尔奖的物理奖跟化学奖都授予了跟 AI 有关的尤其是物理奖给了神经网络的两位应该说都是在 80 年代就做出极大贡献的但是好像跟物理关系不是很大这些人

至少我个人也是这么认为的网上也有很多人提到那我就邀请了一位是周志恒博士一位是赵志成博士我想请大家先自我介绍一下我们今天聊的话题是诺奖 物理奖

当然我们也会聊一些其他的讲但是两位都是研究物理方面的或者说是研究科学方面的给大家讲讲自己的背景好不好我们从赵志诚开始吧谢谢徐老师 大家好科技早知道的朋友们大家好我是赵志诚高等理论物理博士我之前的研究方向是闲论超对称超引力黑洞现在是软件工程师 现居纽约我是博士毕业于密歇根大学物理系理论物理学中心然后本科毕业于北京大学原培学院

趁此这个平台做一下一个小小的广告我最近今年 4 月出了一本物理科普书叫什么是物理用物理学的视角看世界如果对物理学科普感兴趣的朋友们可以去尝试阅读一下我找到赵博士的一个原因就是你写了这本书什么是物理所以说我觉得应该是能够给我们做一些科普的然后你现在是在哪里工作

我在谷歌纽约我主要是做广告平台主要是针对像纽约时报这样的大广告商的一个数据服务所以说你每天做的事情跟物理并不是直接有关或者也有关这也是我们今天要讨论的话题

应该说完全没有关系那我们接下来周博士你讲一讲我是本科是在 UCLA 的集团机器毕业的当时还有两个 minor 一个是 philosophy 另一个是 cognitive science 毕业之后我就做了一个 AI 创业公司跟朋友一块做 medical imaging 的一个公司

当时 16 年 Neural Network 刚火起来的时候我们以这种方法做疾病的检出也获得了腾讯红杉中国等投资然后后来我就觉得从智能角度上来说它虽然是一个很 minimal 的任务但还是一个小的任务很想去进一步的了解智能的本质我就回来读博士了我的导师现在是 Dimitri Tazopoulos

还有另一个是朱松纯 Dimitri 也是我之前创业公司的合伙人现在去研究的是一方面是 world model 去希望能够让 AI 能够理解 how things workhow the world works 另一方面是去研究道德希望理解人类的道德价值是怎么回事以及如何用人类的价值去对齐大模型的好

好的好的志成博士你对为什么他有一定的物理方面的贡献你是有自己的看法的能不能跟大家分享一下首先讲讲为什么授予他们诺贝尔物理奖另外一个你的看法是什么好谢谢徐老师如果大家不太了解今年诺奖的话我可以

先简单的介绍一下诺奖的项目然后今年诺奖是颁给了 John Popfield 和 Jeffrey Hinton 当时诺奖委员会表彰的一个原因说的是他们因电机性的发现和发明使得使用人工神经网络进行机器学习成为可能光从这个题目可能看不出来它和物理有什么关系

如果我们再仔细看他们获奖的具体研究的话比如说 Hoffield 他在 1982 年的这篇一篇论文可以说是他最主要的一个里程碑式的贡献那篇论文的名字叫《神经网络与具有永线集体计算能力的物理系统》

那么这个里面就提到了物理学这篇文章其实有两个支柱一个就是学习理论 Herbian theory 和不学习理论另外一个就是物理学里边经常用到的比较有名的一个模型叫一星模型这是其中一个物理学有关的一个理论那么第二部分就是关于 HintonHinton 其实他早期的人工智能研究里边也是大量的用到了这件物理学的一个方法因为他也是延续了 Hotfield Network 的这个概念然后他就引

入了所谓布尔兹曼分布一个热力学里边比较常用的一个概念然后在这个基础之上去进一步的去发展了 Hopfield Network 后来又有了 Restricted Poison Machine 等等我可以理解大家对于获奖的一个争议因为通常来说我们对一个研究进行颁奖主要原因是这个研究对于这个学科本身会有多大的一个贡献比如说今年的化学奖可能没有那么有争议因为尽管它也是跟 AI 有关的

但是他 Haspice 和 Jumper 他们的贡献是直接的服务于化学研究和生物学研究的就是关于氨基酸到蛋白质空间结构的一个预测所以我觉得大家觉得尽管这个东西它的方法好像不那么所谓的正统但是它毕竟还是服务于化学的但是物理学之所以有争议我觉得一个是人们很难去说服自己这个奖项对于物理学本身有什么研究它或许有但是原来没有到诺奖的级别另一个就是它

更多的是反过来就是物理学本身对于这两项研究的作用和贡献是什么所以

所以后来我就稍微又回顾了一下过去 100 年来物理学的一个诺奖的一个情况我发现物理学诺奖它其实大部分可以分成三类一类就是我们可能最熟悉的就是基础物理学的研究是吧像爱因斯坦的这个光电效应像一大批跟量子力学有关的研究等等包括更早期的电动力学等等这些研究这个是可以说是我们认为最正统的一个物理学的获奖那么第二部分也比较常见的是跟实验物理学相关

就是他们发展出了新的实验技术然后这个技术可以推动实验物理的物理学的新的实验方法或者说找到新的一些实验现象可以推动物理学整体的发展这是第二个然后第三个我觉得可能和今年诺贝尔讲稍微有一点点说服力的是应用物理学就是物理学大的研究它用在了其他的领域也就是说因为物理学的这些技术和发展使得其他领域从中受益了

也是在历史上是有出现过的比如说我们可能比较熟悉的 2000 年关于集成电路和半导体的一个研究包括更早期的像机体管的研究像光线通讯像蓝光 LED 像激光物理学等等这些研究很多是从物理实验室里走出来但是他们之所以获奖的一个主要原因是他们对于人的生活整个技术的发展包括未来像电子通信领域产生了巨大的影响的

我觉得这是一个第三个思路就是物理学它怎样滋养了物理学以外的技术也好工程也好但是我觉得即使从这个角度来说今年物理学还是比较有争议的因为我们可以把这两个无论是布尔兹曼乐理学的分布也好还是一星模型也好它们在人工智能发展领域当然是比较重要的但是它是

非常核心的一个技术乃至于是最根本的技术这个我觉得也不一定而且更不用说今天的人工智能的整个人工神经网络其实已经不太用到那些直接用到那些技术了更多是他们作为一个历史系的奠基作用所以其实我觉得我们如果一定要说服自己会讲和物理学的关系的话可能应用物理学会是一个因素但是我本人还是非常震惊的而且我觉得我很难完全说服自己这是一个按

以往一百多年来延续下来的一个物理神作讲的传统好的我们待会回来再会跟你聊聊 AI 到底会不会对物理有些什么影响

志恒同学能不能讲讲你的想法我觉得他刚才把我想说的基本都说完了肯定是非常 surprise 的我说服不了自个儿然后我反而更能说服自个儿这是一个他们搞错了这个事情就像他说的就是应用物理学是没有问题的因为你把物理应用在材料应用在什么东西这种早有先例它就是一个能做出一个巨大成果的时候凭什么你不能说这是一个物理学家过往也没有争议但这次争议主要就确实是

他们俩的工作如果说要给诺奖的话不是说他们俩工作没有影响力即使是他们俩的 Hubfield Network 和 Bozeman Machine 它是两个非常有影响力的工作但是是在 20 年前现在的 AI 的 revolution 跟那个是真的是没有关系你只能说是在整个 AI 发展的 trajectory 里面做出的各种尝试里面的一部分可能对整个 AI 领域的发展有一定的启发

但现在的真的不是那两个工作做的所以说你搬给他们因为这两个工作的话确实是就让人觉得好像非常不懂好我的猜测就是因为他们也是到最后一天最后一刻才定的我觉得他们可能就是因为觉得 AI 带来了巨大的贡献我们想搬给这个领域然后看到他们俩的工作就是有与物理学相关就是要找一个相关的

这是一个猜测是一个理性的猜测对,这是我的猜测当然我们谁都不知道它内部到底是怎么运作的其实我有两个 follow up 问题一个是志诚你是搞物理的

我们先不说诺奖是不是应该就像刚才两位都说这两位其实都是德高望重他们对人类对科学的贡献是有目共睹的我们就不说诺奖是不是公允与否如果说从 AI 的角度你觉得对物理会有多大的帮助就像两位说的我也是认为一个诺奖出来我看看他是不是发现一个什么粒子发现什么新东西

这次显然没有但是可不可以认为或者说想象有了 AI 的技术有了 CHI GPT 有了这一代的下一代再下一代的技术对物理会有非常大的改变你是怎么看这个问题的

我觉得在未来是很有可能的但是今天还没有到这一步我们可以其实可以拿化学做一个对比今天这个 AlphaFord 的研究对于化学蛋白质空间结构的研究其实有一个颠覆性的一个贡献的一种是一种量化上的一种贡献就是它在蛋白质空间结构的预测上远远超过了其他所有其他的传统的方法另外一个我觉得是方法论上的一个贡献就是人们发现对于像生物化学这种极其复杂的学科

人们不一定要用所谓第一性原理的问题方法去解释或者说去预测一个结构我们完全可以用一种统计和数据的方法去研究它从结果来看它会比第一性原理的方法做得更好在物理学上从历史上或者传统上人们认为物理学是一个甚至可以说第一性原理是

物理学是从第一性原理诞生的对吧人们早期的牛顿经典物理学包括相对论包括量子力学都是从最基础的粒子的基本构成和粒子之间相互作用来推动物理学的发展的它基本上是一个从第一性原理出发自下而上的一个过程所以在这个意义上我们目前还没有能够看到人工智能对于这样一种因为人工智能今天的这种算法它依然是基于大量数据的一种 pattern 模式寻找模式匹配但是物理学它是一个很庞大的一个领域

尤其是比如说从上世纪 70 年代开始人们开始对于物理学的大量的复杂系统涌现问题进行研究这里我顺便插一句我觉得 Hopfield Network 它诞生于 1980 年代它和这个背景是很有关系的因为在那个时代是复杂系统开始兴盛的一个时代复杂系统什么意思就是或者说涌现这也是 Hopfield 这篇文章的一个关键词就是我们从尽管我们知道这个物体的

系统的微观机制我们不一定能够知道它的宏观系统从这个微观机制到宏观性质当中有一个巨大的鸿沟这个鸿沟是需要用一种新的方法用一种更高层的方法去研究它的

这个是当时复杂系统所面临的一个问题 Hofield 他其实本人是深受 Philip Anderson 的一个固体物理学家的影响的然后 Philip Anderson 在 1977 年获得了林居泰固体物理包括这个 BCS 电子理论的这个诺贝尔物理学奖当年同一年普利高金获得了由他的混沌系统耗散结构获得了那个诺贝尔化学奖所以我们可以看到从 1970 年代复杂系统的兴起和

和 1982 年 Hoffer 的做出这个贡献我觉得是有一种非常强的时代背景的这个就意味着其实在物理里边它的研究方法是非常多元的它有那种像高能理论这种基于第一性原理从基本例子基本例子相互作用出发也有基于一些比较定性的性向性的方法从上而下的去寻找 pattern 寻找一些机制只要这个理论本身和第一性原理不矛盾它就依然是一个非常有意义的非常有价值的研究尤其是像林俊泰

它研究的是大量量子的作用而如果我们仅仅从第一循环里出发的话量子系统两个粒子的量子系统就已经非常困难了我们在量物理里面有一个窍法就是说经典物语学最多可以研究二体它研究不了三体我们就著名的三体问题然后到量子理学它能研究单体它不能研究双体因为单体它已经够复杂了然后到量子床它连真空都也就不明白了

就是它随着这个系统的越来越复杂它研究的粒子输出越来越少的所以你要研究这样一种非常复杂的大粒子系统的一些高层次的现象自伤害下的方法是非常重要的所以我可以想见 Alpha4 是一个很令人振奋的一个线索完全可以由 AI 去从那种模式匹配的这种方式能够为像邻居态物理甚至像比较复杂的天体物理能够寻找一种完全新的突破口我觉得这完全是可能但是今天还没有看到这一步

我这边有一个朋友他是 Google DeepMind 的他也在说他说以前的物理都是靠牛顿伽利略这样的天才来发行物理规律现在或者以后是不是可以用 AI 作为一个超强的工具能够帮助我们找到更多的物理规律还是有可能的跟你刚才说的是差不多的一个观点对吧

对于这点其实我做的一个研究的 motivation 其实也就是想要能够让 AI 去自发的发现规律我觉得 AI 一定会以后对物理学产生颠覆影响一个是其实现在已经看到的就是在数值计算上的优势这个东西就是像刚才赵博士讲的

你如果说低性原理的去 simulate 多体问题尤其是比如说多个分子像这种是十的多少次方或者说是大气模拟这也是非常复杂的系统它的误差会很快就会 explode 也没有很好的办法你拿去直接拿这种数学的方法但是像现在 data driven 的方式拿一个 neural network 去 approximate

它就能达到一个很好的效果所以说现在其实已经在大气预测包括在物理上面比如说核聚变的那个 Plasma 的 Control 就已经有一个很 Fundamental 的变化了这是第一方面就 ARK 对物理学的一个帮助主要是在数字计算上第二方面也就是物理规律发现上

物理规律发现其实我又把它分为两种第一种其实现在已经有了不少进展第一个就是 physical state 它的已经是非常确定就是你的参数是什么是确定的然后希望在这个参数中找到一个很简短的一个公式可以描述它的变化的规律前些年就是刚 Deep Learning 出来当时物理学界就有一个叫 PIN Network

以及反正一系列的变种那个工作是稍微有名一点也很简单就是说是拿一个 neural network 去回归这个公式的系数以及它的 function 把 function 作为一个你要预测的一个东西就 function 和它的系数作为你的预测然后希望它越来越简短越好因此也是能够发现很多的物理定律的

然后第三个种类其实就是我的 motivation 刚才赵博士也提到先对一个复杂的系统你其实是希望能够找到一个很简约的描述的方式的这个时候其实是你不能完全承诺第一性因为第一性是粒子 level 的你希望找到一个宏观 level 的一个抽象的变量物理相关的可能就是一些重整化平均场之类的你把一块的很多的分子被认为是一个东西然后但是你怎么样什么样一个东西应该被认为是一个东西

其实现在就是没有一个特别好的方式也就一些空间上某一块或怎么样的某一块你就认为是一个东西也能取得不少的一个进展但是它毕竟不是一个很原理化的一个方式所以说如果说能够去对这个世界有一个模块化的一个了解其实这就是大家我觉得对中医的一个误解因为现在医学确实是从微观去入手的

但是你一个人体系统这么复杂你如果全部只有一个分子和细胞 level 你对很多的一个疾病是没有一个描述方式的你必须要有一个宏观的变量然后中医其实就是经验总结说很多宏观的变量但宏观变量到微观变量的 mapping 其实是很难去确定的但你不能说这宏观变量没有用然后因此的话这个 AI 对于很多系统应该就可以将来可以帮助去找到一个合适的宏观变量并且能够把宏观变量和微观变量进行一个连接

然后这个时候我觉得会带来一个很大的一个科学的突破宏观的东西很难用过去的方法论去做然后 AI 人工智能可能是对宏观的角度去看问题是一个未来是一个主要解决方法这是你们的一个想法吗宏观微观它不是一个最本质的问题而在于这个系统是不是一个线性系统在物理学里面这个是非常非常重要的

比如说我们人类人类很早就从天文学革命为什么它能够引发这个科学是一个科学革命的先声很大程度上是因为天文学引力它对于这个物体的质量来说是一个信心系统所以人们可以非常非常精确地去

通过观测大质量星体的运动轨迹来了解到引力的本质如果我们可以想象如果万有引力公式它不是 gmm 除以 r 平方而是 gm 平方或者 m 三四方 m 四四方这个完全就不好用了这个系统完全不好用了所以现任系统是最容易去学习的你可以说它是个巧合你可以说它是个幸运但无论如何人们通过它获得了早期的关于物理学的研究

那么反观我们一些真正的复杂系统比如流体力学我们为什么会有这种湍流现象会有这种非常复杂的现象就是因为这个 Navy Stokes function 它是非线性的描述流体运动的方程它是高度非线性的所以我们无法用粒子之间的相互作用完全的去推算出大体量流体的相互作用

大家如果了解一些湍流现象指的我们湍流现象物理湍流现象里面描述的一个无量缸数叫雷诺数它是一个像密度粘性等等构成的一个无量缸量那么随着这个雷诺数的增加一开始平稳的流体会突然变成出现一些漩涡当然和边界条件有关然后当你这个流量数更加增加它的漩涡会变得越来越复杂

但是你人类无法完全知道它的液体分子之间的微观相互作用是什么样子的但是依然无法去预测它在哪一刻会进入下一个相变这个相变会持续多久这些问题如果人类没有办法通过 simulation 以外的方法去研究它那么人类就不能说我们人类已经理解到了流体力学中的相变行为因为它是有高度飞线性的像

像刚才自恒提到我觉得非常有启发性的一点就是人工智能它怎么样能够突破我们这种鸿沟和界限能够去找到一些新的线索我认为因为人工智能我们今天知道人工智能它最擅长的是一种所谓的 representation 就是从一种高位到低位的一种影射能力然后这种影射它某种你可以说它某种程度上丧失了一些信息但是它的信息保有量是非常好的

而且它能够很好的去用一种相对低微的信息能够去解释一些高微的信息这样一个关系那比如说我们在我们想象一个理想气体我们有阿富加多德常数的例子这个是非常非常庞大的我不可能用这么大一个参数去描述每个例子的相互作用但是我们

依然可以用非常简单的三个量就可以很好的描述它也就是气体的压强温度和体积所以当我们限制在一个处于平衡态的一个气体系统的时候三个量就可以描述这样一个系统但是如果它不是一个平衡态它是一个高度动态的一个流体系统

我们有什么样的办法去很好的既能够用一种非常有效的一种信息压缩的方式去表述它同时又不需要以一种完全 simulation 的方式才能够获得这个信息这个问题我觉得当今物理学是非常非常困难的或许人工智能可以从另一个方向来提供一个线索和方法论这个是我觉得非常可以期待的一个事情

就是我刚才说的第三个点这三个点其实都是前提确实都是一定是非线性系统它都足够复杂到你的一个一般的数学没法 handle 然后这个时候你这个时候三个视角一个视角就是我不需要知道规律但我就需要让它预测准不管是 alpha fold 还是大气模拟还是那个合聚变它其实都是这么一个效果我只要控制上最后效果好

第二个就是我希望知道一些规律但这个规律我不需要去搞出一个新的变量这个其实已经在有些部分系统里边它的变量比如说多了一些比如说五个六个但是它还是最后的方程还是在这五六个变量上它不需要去做一个转变然后第三个就是你的变量太多了必须要找到一个宏观的变量然后拿一个更少的变量去描述着一个去概括整个变量这个事情是非常非常重要的

没有一个什么很 principle 的方式所以说这个是 AI 以后也许就反而可以有一些 principle 的方式让它去自动寻找出来我们听到的总结一下就是大家对于诺贝尔奖物理奖给了两位其实都是神经网络的

模型的先驱吧然后给了他们从某种角度上来讲是非常震惊也不能理解但同时这两位确实是对 AI 是起了一个很大的贡献虽然说我们都是在猜测我是比较倾向于认同志恒你刚才的一个猜测他们先是认为我是想做一般给那个 AI 方面的人

然后再去想我给什么样 AI 方面的人到底是不是要得高望重足够要有分量那 Hinton 绝对是有足够分量但可惜是他们的 articulation 就是他们论证为什么要得这一点没有让大家有足够的信服但是从一个大局来讲还是很不错的说起这个我自己对 Hinton 不说他的

跟物理有多少关系或者说对整个 AI 到底有多大的贡献我觉得这些都是有些是可以有真论或者怎么样但我觉得 Hinton 在过去几十年尤其是 80 年代 70 年代在 AI 是很冷的冬天的时候能够很坚持的做下去光是这一点精神就让我能够觉得诺贝尔奖是可以的虽然说是应该是诺贝尔什么奖我们可以再去再去争论一番

其实他得图林奖就很合适但诺贝尔奖就是有点很不对题我有一点我不知道自恒怎么看就是我觉得 Hinton 他真的是一个不忘初心的人我觉得他没有说从一种技术或功力的角度来说我要设计一个特别特别厉害的算法然后他能够很好地模拟什么什么我觉得他还是对人脑到底怎么运作是有一个非常非常强的一个兴趣和好奇的

对这就是我觉得我们都很佩服的一点就是他能够就是刚才说的不忘初心然后呢 Hinton 还是就是希望能够解释大脑怎么回事包括他现在的研究他也还是回归到大脑怎么去做他想去做一个没有 backpropagation 的一个

就原来 backpropagation 其实是他对 AI 界的最大的贡献他找到可以用这种方式来学到很好的深层次的 representation 这也是这次物理学奖没有提到的大脑其实没有 backpropagation 所以说他又进而就想我要去研究非 propagation 的所以说这是让人觉得挺敬佩的

回到我们前面提到的 Hinton 他现在又回去研究模型我们今天的模型我们刚才说到了 backpropagation 就是一个反向传播其实是一个训练模型的一种方法就用输出来不断地去调整参数这是一种方法但人脑其实是没有这种反向传播的然后他现在又去研究到底人脑是怎么运作的是不是能够在 AI 里面也能够用到这是一个非常回到初心的一个点非常好

对从上周开始我一直有一个好奇就是如果我们比如今天基于这个 backpropagation 这一套人工智能算法像大语言模型它能够非常非常好的去模拟人的认知行为或大脑的行为推理行为等等比如说我们假设 GPT-N 它已经非常非常好的能够涌现出这样的人的很高层次的大脑的行为认知行为等等推理行为等等

这个时候我去研究 GPT-N 的内部的结构它内部的一些比较深层次的结构和我研究人的推理行为这两者到底有什么关系我在想一个思想实验问题就是说 OK 我们知道牛顿他推出了万用引力公式 GMMR 平方如果有一天人们发现牛顿的引力公式它是有限制的他在像水星进洞这个问题已经无法很好地去预测了这个数据而那个我们知道是有管理相对来描述但是如果没有安斯坦

而与此同时二十世

20 世纪初有一个特别厉害的一个大模型它可以去用这个 Transformer 非常精确地预测一切有广义相对论的预测的预言某种程度上它是和广义相对论是高度同构的在非常高度的进步下那么这个时候我去了解这个 Transformer 的结构是不是可以帮助我理解一种新的引力也就是我们今天广义相对论描述的引力我在想今天大模型 Transformers 模型和人类认知的关系是不是某种程度上可以类比

在一个没有爱因斯坦的世界下当时而且一个有 Transformer 且没有爱因斯坦的世界下的人工智能弹模型和这个光线相对论的关系我在想这样一种类比是不是恰当的

我觉得不完全恰当但是挺相似的其实你这个就是 care 如何发现新的物理定律你 AI 一定是能够帮助发现物理定律的但是我不觉得真实大模型去能够帮助发现看内部能够发现物理定律它应该还是需要直接在数学公式上进行一个回归

因为如果看内部的话现在 AI Network 的一个核心它做的不好的就是 OOD 就是 Out of Distribution 的一个 generalization 它可以很好的做内查它不能做很好的外查物理定律其实就是要你能做很好的外查

它很容易去 overfit 你现在所见到的 data 所以说如果说你的目标只是为了你 prediction 本身 you don't care 背后的规律那是 ok 的如果说你 care 背后的规律那规律一定是比较简化的你还是需要希望能够去以另一种方式就回到大模型内部和脑的这么一个关系就现在很多研究大脑的以及研究语言什么之类他们也拿大模型来去做研究能发现一些相似性但是它必然就是很多东西更多的可能是一些类比吧

我想稍微回应一下刚才说的内差和外差的一个关系物理学我们知道牛顿物理学它其实某种程度上它是对的只是它在所谓外差的时候碰到的问题它无法去解决高速和微观的世界同样的我们今天去用量子力学研究它其实是有一个所谓的能量上限也就是比如说我们可以列成一个分辨率上限就是我们量子力学它在普朗克尺度是失效的在我看来一切物理学它能且只能是有效理论

所谓有效理论就是说它是生效的前提是有一个它生效的一个边界然后我们之所以研究高能理论是因为我们知道当今的这样子理论它是在高能理论某一个能量尺度之下才生效在这个能量尺度之上它有一系列的发散问题所以

在这个意义上我觉得内差它不是一个本质问题因为物理学理论一个好的物理学理论它并不承担着必然可以外差的一个责任当然这是两个问题了我非常同意它的 generalization 的一个有限但是我觉得我们或许并不一定要把这种限制作为一个根本上去觉得它不可行的一个天然的勾芡我觉得这个是可以去探讨的一个问题

我其实比较推荐大家能够去看一看 Cofield 的这篇 18 年的论文我是仔细读那篇论文还是挺有收获的虽然它是 40 年前的一篇论文跨学科其实 Cofield 本人是一个非常跨学科的一个研究学者然后他博士是研究的是物理学是做凝聚钛的

后来兴趣转向了生物物理后来之所以有这个研究其实因为我最近看了 2018 年写了一篇自传性的一篇文章会回忆了他的科研生涯叫 Now What 然后又被翻译成中文然后他就说当时他之所以会开启这个研究就是因为他在普林斯顿教学的时候被搭进了一个讨论小组

那个讨论小组就是吸引了来自像神经科学生物学免疫学这些有点跨学科的研究者他们聚在一起能够希望以一种不那么正式的一个讨论小组有点像 brainstorm 的这样一种形式来看看有没有可能从不同的方法去汲取一些营养汲取一些方法论然后可以去对认知学习大脑这个运行机制能够获得一些新的线索和方向

然后当时是那个小组的一个负责人请到了 Hoffield 因为他们说这个小组里缺少一个有物理背景的人然后请 Hoffield 去 Hoffield 去的几次之后就对这个深深的迷上了这个话题而且我刚才也说有一个时代背景就是当时复杂系统涌现问题开始变得流行了然后 Hoffield 他也是在这篇文章里写到他是

同时在那个时候他对这个匡威的生命游戏印象非常深刻就是怎么样从一个基础的机制能够涌现出非常复杂的 pattern 和行为所以我觉得这篇文章给我的启发就是这篇文章我读起来是一种非常酣畅淋漓的感觉就是他的一种视角之广阔他不限于某一种特定的学科领域

这种视角之广阔然后方法用使用之灵活他对异性模型的理解完全相当于用怎么样一种词相互作用原子之间的相互作用解释词现象然后完全类比到神经元之间相互作用解释认知现象这样一种

这种联想能力这种类比能力我觉得是非常令我佩服的即使到今天徐老师说这种跨学科的这种视角和才能是非常重要的所以我觉得读这篇文章还是非常让我有振奋和收获的我是非常推荐大家有能力的话可以去读一篇那篇文章我觉得是非常受益匪浅

对我也看了他那个自传写的我也非常认可就是他的建模的能力他对广泛现象建模的能力而不只局限于就是传统的物理所以从这个角度上来说我倒是确实也认可就是如果说把这个物理的物就是中文中物理什么东西的理对吧有生理就是生物的理物理可能是物质的理就是当然如果说你把这个物真的给 generalize 就不是现在的物理学就是所有的自然科学都是物体对吧都物质嘛

生命物质如果从那个角度来说我倒是非常认可而且其实我也觉得以后我们的人类科学就是要往这方面走我们现在就是我觉得已经开始往这边方向走了而且如果说确实如果说有传递上的物理学的

训练的话会非常有帮助现在的 AI 的学习现在 AI 的反而就有些方面还真的是受物理学影响虽然讲这次物理学奖没有被 acknowledge 这些但现在真的有更大影响的比如说 Diffusion Model 它跟物理学的 connection 是更近一点的它是偏偏微分方程式

最开始是随机运动比如说布朗运动是跟当时爱因斯坦搞出来的方程其实就是用那个方程还有另一个就是 Energy based model 它跟 Boltzmann Machine 倒是有点点同源的感觉它是把一个 Probability distribution 去理解为一个 Energy landscape 之后你就可以通过 Longevity dynamics 来去采样来去生成一些 Data 之前最开始比如说我的导师朱松纯他当年的 frame model

其实就是 energy based model 的前身现在后来又叫 energy model 就是更 generalize 一些的以物理学的视角来去建模很多事情是一个绝对是非常有帮助的以及现在在 AI 的驾驶下其实你可以抽象的去以

一个很抽象的视角来去建模一些现象然后你就可以原来可能没法计算但是你就现在可以用 AI 用成绩网络来去模拟用 Data driven 的方式来去只不过是抽象的建模这么建模然后一些去决定你的 Input Output 以及 Loss function 之类的然后也就可以去做很多事情

以及现在在文科上可以通过更 generalized 的 agent 来去做模拟像以前他讲到的元宝自动机或生命游戏它的每一个其实 entitylow-level 的 entity 模拟是非常简单的就是一个 if else rule 然后但是现在我们就可以一个更智能的一个

个体然后去 simulate 很多这也是我之后需要会做的现在也有不少我工作已经开始往这方向走了所以说就是在未来就是我觉得确实是这种理科性建模的思维传统最开始是由物理学 develop 出来的

但是這種已經建了武理科建模思維教會整個去對全領域所有的學科包括以前不能做對於文科但現在對於文科也一定會帶來一個顛覆性影響所以說接下來的未來的接下來一二十年就是學科所有的學科都會發生天盤制服之變回到我們前面說的 AlphaFold 其實就是一個對蛋白質結構的一個建模對 是的

因为物理学它在所有当代科学里是最发展最快最早最成熟的学科所以它不仅是对于世界一个非常好的一个表述同时它也是一个非常非常强的一个工具库像刚才说到一星模型其实很多我们近代物理学发展的像托普 微分几何 非欧几何离散群 连续群 理群 理代数甚至像刚才子恒也提到的充容化群这些都是从早期量子场论的研究里面所开发出来的一系列数学工具然后这些工具其实也在

很多别的领域发扬光大因为只要研究的问题在数学上是同构的那么你用的方法完全是可以迁移的所以在这个意义上物理学它本身也是一个非常强力的工具库它可以为很多其他的领域提供这种方法上的借鉴

有一个很有意思的点之前大部分人没有意识到就是现在从方法论上来说现在的 neon network 其实跟物理学早期很像就早期在物理学就在 Newton 定律出现之前他们研究天文是用通过 ET cycles 就是圆圈套圆圈拿一堆圆圈来解释本轮均轮对但本轮均轮圆圈其实就是物理叶变化

那么两极就相当于数据驱动然后去找到一个参数能够模拟这个数据主播说当时是复利业网络相当于我们现在的是更 generalize 的一些网络但是实际上也都是这么一个思路所以说就有点感觉就是我们现在的 AI 其实是回归了物理最开始牛顿定律之前的那种研究方式主播是在计算驱动前

蒂古布拉赫就是哥巴尼时代的数据科学家他收集了大量的数据后来开普勒基他的发现找出了三个定律对 只不过当年都是人手动去搜查人才能给机器搜查对不是机器学习是人工学习但是都是一个建模

这个观点也很有意思所以说其实我们这是一个轮回从一个建模时代后来出来几个天才像牛顿啊 伽利略啊爱因斯坦这几个天才然后物理就往前走现在我们这个世界缺少这几个天才又要开始用建模的方式当然了这个模型要比几百年前的模型要先进得多快得多来解决制成你前面最开始提到的就是我们物理学啊

其实已经发展成这个复杂系统然后是需要像 AI 这样的技术来帮助它这点其实是对我其实挺有启发的就是我们刚才提到这是一个轮回志恒你提到的包括甚至于中医其实从某种角度上来讲也是一个比较宏观上的建模它不是一个具体能够用科学就传统科学去解释但是也是一个

有数据其实也就是一个数据用经验也是一个数据所以说我们的所有的中医都是数据科学家对其实以前的天才理论就是他们能够天才的发现 Latent Variable 像牛顿定律他就是发现了一个引变量所以以前的话就只有位置牛顿就是以速度和质量作为引变量来去解释还有一个力以前的话这个力是没有定义的

就是他通过创造了引变量这个力的变量然后就整个带来了一个很大的革命就当以前的这个引变量都是手动发现天才的直觉手动发现包括终于也是天才的直觉手动发现那以后的话就可能 AI 能够帮助更加自动的发现

诺贝尔奖的规则里面有一点就是所有的提名都是大家不知道的要 50 年以后才会公开我其实你们两位在说的时候我就在想是不是最近几年已经有人为中医给提名了

物理讲吗物理讲不太可能生物学讲生物学讲对生物学讲其实我这是我真的很有兴趣就讲说有什么机会的话能够把中医能够以数据的驱动的方式来去找到这里边的一些宏观变量和微观的现象的一个联系能够有模型来去找到这么一个联系把这个建立之后这样的话它就开始不再完全靠手动的经验来去完善

因为手动经验当一个模型特别复杂的时候它就会特别难去更新因为你的数据总是没办法去重复变量也很多背后的随机因素也很多你说这个的话别人很难就是完完全全重复你那个 setting 所以说这个时候就变成了一个很靠悟性的一个事情其实终于靠悟性不是因为它不科学就是因为它科学走得太超前了

又没有很大量的数据包括现在也很困难其实现在大数据时代也还是很困难什么时候能够让综艺也能够变成一个整个资源数据都能够用起来这个飞轮转起来的时候我觉得整个医学生物学都会摆了一个革命

结束之前我让大家讲一讲可以对我们的听众最后留下什么话我比较想听到的其实是在人工智能时代对我们的这些各种不管大家工作学科都是有很大的影响觉得尤其是比如说学生应该怎么去思考以后要学什么东西怎么去工作怎么去学习在人工智能时代能不能给大家讲一讲你的一个体会

其实这个因为我是搞 AR 的所以说这个问题早就在想了就是一直都在想所以说人工智能时代它人工智能可以理解为一种自动化工具以后的话就是生产力它会被自动化那么以前你的人的意义往往在通过充当这一个工具的过程中来去得到一个展现当然也很重要我其实一直以后我也觉得你还是要人要有一个客观的用这里就不展开了但我相信你们都是肯定很理解的

但是呢就是问题就是当很多的工作都会被自动化的时候就不是说一定需要你也不是说你一定要工作你才能活下去这个时候人呢就是会容易找到有一种意义缺失所以说这种意义缺失呢它其实本质上是一种主体性没有找到

就是所谓你的人生的主体性其实这个时候就我觉得大家都不管从工作上还从科研上应该能看到那种很自主的学生有自己主动的一个理想或追求的学生他们有很强的自驱力他们的人格一般起码会感觉更健全一点也有那些就是不知道要干嘛了就踢脚走一步所以说这个就是人回归自身回归找到自身的主体性这是一个很重要的一个心灵上的一个要做的事情

这个其实我们中华文化传统文化是早就一直在强调这一点包括有很多的具体的练习方法所谓的修炼方法来去帮你找到像以前的打坐之类的就是能够让你去能够去直接更触摸到你自身的处理性因为它不是靠思维出来我们可以去看很多书但是你怎么样所谓的触及自个儿灵魂呢它还是一个实践性实操性的东西这是一方面就是心灵上

另一方面培养自身的工具性能力上工具性能力我觉得智能的意思为什么人工智能能够成为这么有用的这么强大的工具我觉得智能本身就是一个工具你的主体性和智能是分开的我们肯定还是要能够去提升我们的智能然后我们智能的话就要不断地往更深层次走原来的话你可能就是一个具体的应用对吧你可能做的是一个比较专业的事情

但是你现在就要走到能够看到背后的方法论以及更深层次的方法论也就是所谓的跟着建模能力就很相关了如果说大家都能有像 Hopfield 那样广泛的如此开放的一个建模能力包括类似的还有费曼之类的人你一定做什么都行能够看到事物的本质那你所有的工具对你来说都是如虎添翼你工具越强越能够帮助你但是如果说你本身没有工具强大那你就会被工具替代

这句话说得很好你如果本身没有工具强大那就被工具替代从这个角度上来讲就像你说的要知道这个事物的本质上一期我做的那个课早的节目也采访了教授他提到的就是要自其然也要自其所以然这是我们在 AI 时代所要修炼的这跟智恒你说的非常像那你提到的另外一点就是要有主体性这是一个灵魂之一

虽然说有一点点的 abstract 有点 trim 但是我觉得其实是回到人性的本质但我刚才说这个强大就是稍微 clarify 就是指维度比它高而不是说某一个具体能力为了播客能讲得更清楚一点这里澄清一下因为你不可能在任何一个具体能力上比一个 AI 工具强就在很多方面但是你一定要是你的维度占得比它高

就是他才能为你所用要不然你就为他所用就像你是相当于公司的 CEO 对吧你能够用着各种各样的很牛逼的人才但是你如果说你就是一个专才你一定会被专才所替代所以说大家都需要成为一个通才然后你的远认知能力要很强

子恒提到人的自主性我是非常有共鸣的就是如果我们看历史的话其实人类在历史上其实经历过这样一种意识的危机的其实在物理学上就是我知道牛顿的物理学经典的物理学它是一个所谓机械宇宙图景它是一个极强的一种决定论甚至带来给人一种带来宿命论的这样一种感觉就是如果

如果宇宙是一个机械那么一切东西都是在宇宙大爆炸之初当然没有宇宙大爆炸就是在很早以前整个世界分子原子的运行逻辑就已经被固定下来了这个时候整个未来都是完全确定无疑的对吧因为你知道了力的相互作用知道了那个初始状态之后一切未来都是可以完全推理出来的

所以人们就会陷入一种人的意义的危机如果人是宿命的那么我活着还有我明天要做什么我今天的状态都已经确定了即使我可能不知道但是他已经确定了那么我选择是不是一种幻觉自由意志是不是一种文明体所以这个人类是当时是经历过这样一个危机的所以我觉得确实即使我们可以想象即使今天人工智能做的在任何层面上都变得非常像人

那么人你怎么样在这样一种环境下依然获得一种自我意识对吧我之前 NYU 的那个学习教授 Charles 他有提出了所谓的简单问题和难问题的一个区别所谓的简单问题就是它可以技术上是可以实现的但是让机器获得真正像人一样的自我意识 consciousness 也就是像笛卡尔说我思固我在那我思是我唯一可以确信的一个东西也就是我之所以为人的一个最根本的一个立足点也就是所谓的心灵实体

在这个意义之上我怎样取得一个自我的主体性我觉得这个确实是非常重要的对我非常同意子恒说的另外一点我想说的还是刚才的一个关于物理学的一个认知的问题就是刚才我们提到第一性原理它无法解释像这种复杂性系统的一个问题其实费曼当时也提出过这样一个观点就是说我们今天可以知道很多从微观上理解整个宇宙的非常精确的一个运作的逻辑但是如果我们只能知道这个粒子的相互作用

而无法知道液体如何形成湍流的这样一种涌现现象的话我依然无法 claim 说我对物理学是有一个完整的认知的他当时说大概的大意就是说人类下一次认知的突破就是这样一种从微观的运作机制到宏观的这种涌现现象一个认知上的突破

所以我觉得这个一方面给我们的一个启示是物理学它不仅仅是一个仅仅拥有还原主义的一个思想方法的不是说一切了解到微观机制和微观相互作用的方式就可以完全理解这个世界的它也有一大量的这种关于高层次的世界认知的一个理论和方法这些方法我们在我们今天看来是非常欠缺的甚至远远于落后物理在它的微观机制上的一个认知程度

所以我觉得这个是我们需要如果大家是物理学的学习者或者物理学感兴趣的朋友我觉得任何学科都是这样是可以值得用这样一种视角去思考在不同层面上的知识在自己的学科领域到底意味着什么他们之间的关系是什么我觉得这个是非常值得反思的一个视角

好的,没想到一个诺贝尔奖是不是公允与否当然也是开玩笑的诺贝尔奖我们也是只是在这边猜测而已从一个诺贝尔奖引申到过去几百年来不管物理、中医我们的一些看法我觉得两位都是其实提了很多蛮有意思的一个洞见

然后我前面也提到说起马斯克今天把新建回收我看到推特上面有一个英国的物理学家 David Deutsch 他就说过去一段时间是觉得是蛮痛苦的因为看到天上飞的东西怎么都是过去大概 100 年前发明的或者几十年发明的没有什么新的进展终于有些马斯克带来新的进展也算是一个

对他来说是一个解脱我这边想强调的是说其实那个不管说是这一次的物理讲是不是公允与否这是其实次要的最重要的可能更多的是我们对这个世界的理解两位都提到了对这个世界对物理世界对这个世界能够建模用 AI 的技术其实是对我们来说是一个很大的突破已经在这种前提下面我们一个是怎么去考虑自主我们

我们灵魂上意味着什么从一个 day to day 就是工作上面我们需要智能的话就是用更高维度的能力去比过这点是很重要的所以说很多时间就不是简单的去学一些东西而是要我前面提到的我上次采访的这个加州理工的盛教授说到的要需要知其难也要知其所以这是非常非常重要的希望这些对我们的听众都有些帮助好 谢谢两位

謝謝我們的客棗聽眾們下次再見拜拜

这就是我们今天的节目了欢迎你订阅分享给身边的朋友就会对我们非常有帮助 2024 年我们还制作了两档全新的付费节目不止金钱和跳进兔子洞第三季希望可以给大家提供更加优质和深度的内容另外欢迎你加入生动活泼胡同会员计划支持我们的内容创新还能解锁我们所有的付费节目每周会员通讯和线下活动详情可以查看单击简介好的那我们就下期再见