刘子鸣与Physics of AI：在Scaling狂潮中，用“科学”为AGI铺路

日期：2026-01-19 13:03:38 / 人气：9

当AI领域陷入“更大模型、更多数据”的Scaling竞赛时，刘子鸣选择了一条“反潮流”的道路——将神经网络视为物理系统，用物理学的方法论拆解AI的底层逻辑。这位横跨北大物理系、MIT物理系与清华人工智能学院的科学家，以“Physics of AI”（AI的科学）为旗，试图为通用人工智能（AGI）找到一条更本质、更高效的路径。

一、从AI for Physics到Physics of AI：科学家的“认知转向”

刘子鸣的学术脉络，是一场“从用AI解决物理问题，到用物理方法研究AI”的认知革命。

早期：AI for Physics的互补性探索

博士前两年，他聚焦“AI for Physics”，利用连接主义AI的符号表达能力，补充物理学中符号系统的局限性，例如通过机器学习寻找守恒量、对称性等。这一阶段的研究，让他意识到AI与物理的天然互补——物理需要AI的符号处理能力，而AI需要物理的理论框架来理解自身。
转向：Physics of AI的本质追问

2020年代初，ChatGPT的爆发让刘子鸣的好奇心转向AI本身：“为什么大模型会突然‘顿悟’？生成模型为何依赖扩散过程？神经网络的‘黑箱’能否被拆解？”他决定将AI视为物理系统，用观察、实验与归纳的方法，建立类似物理学的“现象-规律-理论”体系。

这种转向的核心动力，是对AI本质的执着——“Scaling能带来短期红利，但AGI需要更底层的科学支撑”。

二、核心成果：用物理思维破解AI“黑箱”

刘子鸣的研究，始终围绕“让AI可解释、更高效”展开，三大核心成果直击当前AI的痛点：

KAN网络：打破MLP垄断的“符号友好型”架构

传统MLP依赖“万能逼近定理”，但可解释性差；KAN（Kolmogorov–Arnold Networks）基于KA表示定理，用更灵活的基础函数替代固定激活函数，在符号公式场景（如科学计算）中实现高精度与可解释性的双重突破。例如，在拟合复杂数学公式时，KAN能动态调整函数形态，避免MLP“暴力拟合”的低效。
“顿悟现象”的物理解码

模型训练中“突然开窍”的“顿悟现象”，曾被归因于“过拟合后的恢复”，但刘子鸣通过几何演化和表达能力压缩的双重视角，揭示了其本质：
- 几何视角：模型表征从随机初始化逐渐演化成环形结构（如“时钟算法”），类似人类对知识的“融会贯通”；
- 能力压缩视角：正则化迫使模型降低表达能力，被迫寻找数据背后的简单算法，最终实现“顿悟”。
物理现象驱动的生成模型

质疑“生成模型必须用扩散过程”，刘子鸣用电场、波动等物理现象重构生成逻辑：
- 电场模型：将数据视为正电荷，采样视为负电荷，通过电荷吸引生成样本；
- 波动方程：经正则化后可作为生成模型，拓展了生成任务的物理边界。

这些成果的共同点，是用物理的“现象观察-规律归纳-理论验证”方法，替代AI领域“刷榜-调参”的短视模式。

三、Physics of AI vs Scaling：短期红利与长期科学的博弈

刘子鸣并不否定Scaling的价值——“短期内，Scaling仍是提升模型性能的有效路径”。但他更强调，AGI需要更本质的突破：

Scaling的瓶颈：数据、算力、能源的限制终将显现，且“更大模型”无法解决“可解释性”“数据效率”等核心问题；
Physics of AI的优势：通过理解神经网络的底层机制（如表征演化、结构涌现），设计更高效的模型架构（如KAN），用更少数据、更低能耗实现同等甚至更优的性能。

他将AI发展类比“第谷-开普勒-牛顿”的科学革命：当前AI处于“第谷时代”（积累大量观测数据），正向“开普勒时代”（归纳经验规律）过渡，而Physics of AI的目标是推动“牛顿时刻”（建立底层理论体系）。

四、学术文化困境：小洞察的“发表之痛”

Physics of AI的最大阻碍，不是技术，而是学术文化。

刘子鸣指出，当前发表文化“不鼓励细碎研究”：许多有价值的“小洞察”（如模型训练中的微妙现象）因无法包装成“完整论文”而被丢弃。他通过每日博客分享实验细节，呼吁学界建立“开放研究”平台（如论坛、社区），用“小洞察积累”推动领域进步——正如他所说：“Physics of AI需要的是大量小洞察，而非少量大洞察。”

这种“反主流”的文化倡导，本质上是对“科学精神”的回归：科学进步往往始于对细节的观察，而非宏大叙事的包装。

五、未来展望：在清华，培养“AI科学家”

2026年加入清华人工智能学院后，刘子鸣的目标清晰而坚定：

教学：开设“Physics of AI”课程，吸引年轻学者参与，传递“用科学方法研究AI”的理念；
研究：持续推进Physics of AI的三大方向（可解释模型、涌现现象、生成模型），探索AI的“元素周期表”；
终极目标：通过理解AI的底层机制，为AGI搭建“科学阶梯”——不是“炼丹式”的暴力堆叠，而是“按图索骥”的精准设计。

结语：AI需要“科学”，而不仅仅是“工程”

刘子鸣的探索，是对AI领域“规模崇拜”的一次纠偏。他用物理学的严谨与实验精神，证明AI不仅是工程问题，更是科学问题——只有理解“为什么”，才能真正实现“怎么做”。

当Scaling的红利逐渐消退，Physics of AI或许会成为AGI的“科学路径”：它不是否定规模，而是让规模的增长有“理论”可依；它不是否定工程，而是让工程的优化有“规律”可循。正如刘子鸣所说：“AI的科学，是找到元素周期表；有了元素周期表，炼丹才会更快。”

作者：杏彩娱乐