物理第一性AI：從物理通向智能

編者按

正值清華大學(xué)物理系建系百年，本刊特組織一系列高水平學(xué)術(shù)論文以致敬其百年學(xué)術(shù)傳承。羅迪副教授作為清華物理系A(chǔ)I+Physics與量子計算交叉領(lǐng)域的青年人才，特別撰寫此文并率先提出“物理第一性AI”研究范式，前瞻性地探討了從物理規(guī)律和思想探尋超級智能的路徑。相信此文將引領(lǐng)學(xué)界深入思考物理原理與人工智能的融合，為前沿研究提供富有原創(chuàng)性的學(xué)術(shù)洞見。

此文選自《物理與工程》2026年第5期——清華物理系“百年系慶”專刊。

羅迪

（清華大學(xué)物理系，清華大學(xué)高等研究院）

2024年諾貝爾物理學(xué)獎的頒布，為人工智能與物理學(xué)的跨界融合畫上了一座里程碑。該獎項(xiàng)授予約翰·霍普菲爾德（John Hopfield）與杰弗里·辛頓（Geoffrey Hinton），表彰其“使利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)器學(xué)習(xí)成為可能的基礎(chǔ)性發(fā)現(xiàn)和發(fā)明”，顯示出物理思想與人工智能研究之間的深層聯(lián)系受到學(xué)界高度認(rèn)可。長期以來，大眾與學(xué)界普遍形成固有認(rèn)知：人工智能是純粹的工程技術(shù)、算法工具，物理學(xué)是研究自然規(guī)律的基礎(chǔ)科學(xué)，二者各司其職、互不隸屬。但隨著技術(shù)迭代與理論深耕，這一認(rèn)知正在被改變。

當(dāng)代人工智能已經(jīng)從傳統(tǒng)的數(shù)據(jù)擬合模型逐步發(fā)展為能夠完成復(fù)雜感知、生成與推理任務(wù)的大規(guī)模學(xué)習(xí)系統(tǒng)，在訓(xùn)練動力學(xué)、參數(shù)耦合及集體行為等方面，呈現(xiàn)出典型的復(fù)雜系統(tǒng)特征，其運(yùn)行規(guī)律、演化邏輯可以借助能量、信息、對稱性、動力學(xué)等物理理論獲得新的分析視角。與此同時，物理學(xué)不僅是人工智能的重要應(yīng)用領(lǐng)域，而且持續(xù)為人工智能提供新的理論啟發(fā)，包括底層模型結(jié)構(gòu)、訓(xùn)練優(yōu)化目標(biāo)、計算范式、推理進(jìn)化與可解釋性核心原則。因此，本文提出物理第一性AI的核心概念，從最基礎(chǔ)的物理學(xué)規(guī)律和思想出發(fā)重構(gòu)人工智能的模型設(shè)計、訓(xùn)練目標(biāo)與計算推理，推動科學(xué)智能邁入新發(fā)展階段。

一、理論溯源：物理與人工智能的百年交匯

人工智能與物理學(xué)的融合并非近年的新興趨勢，而是根植于數(shù)百年的科學(xué)理論積淀。統(tǒng)計力學(xué)、量子力學(xué)、復(fù)雜系統(tǒng)理論等經(jīng)典物理體系，早已為現(xiàn)代人工智能的誕生與發(fā)展埋下了理論伏筆，構(gòu)成了智能計算的底層語言與核心邏輯。現(xiàn)代機(jī)器學(xué)習(xí)中的概率建模、能量模型與優(yōu)化方法，其重要思想可以追溯到玻爾茲曼和吉布斯建立的統(tǒng)計力學(xué)體系。統(tǒng)計力學(xué)建立了微觀狀態(tài)與宏觀規(guī)律之間的聯(lián)系，以玻爾茲曼分布刻畫系統(tǒng)微觀狀態(tài)的概率分布，并通過配分函數(shù)對所有可能狀態(tài)進(jìn)行歸一化，從而描述系統(tǒng)的統(tǒng)計性質(zhì)及其平衡行為。圍繞概率分布、熵、配分函數(shù)和自由能等核心概念，統(tǒng)計力學(xué)形成了一套研究復(fù)雜系統(tǒng)的統(tǒng)一理論框架，也為后續(xù)概率模型的發(fā)展提供了重要理論基礎(chǔ)。如今，機(jī)器學(xué)習(xí)中的能量模型、配分函數(shù)計算、對數(shù)似然估計以及變分推斷等方法，都與統(tǒng)計力學(xué)框架具有密切的理論聯(lián)系。從統(tǒng)計物理的視角看，人工智能的學(xué)習(xí)過程可以理解為系統(tǒng)在數(shù)據(jù)與任務(wù)約束下不斷降低不確定性、優(yōu)化能量–熵權(quán)衡的動態(tài)過程，自由能最小化為分析這一過程提供了統(tǒng)一理論框架。這種基于物理基本規(guī)律理解和設(shè)計學(xué)習(xí)系統(tǒng)的思想，體現(xiàn)了物理第一性原理在人工智能中的應(yīng)用，也為機(jī)器學(xué)習(xí)模型的構(gòu)建、訓(xùn)練與解釋提供了具有物理意義的理論視角。

在經(jīng)典神經(jīng)網(wǎng)絡(luò)的發(fā)展過程中，物理學(xué)提供了重要理論基礎(chǔ)。Hopfield網(wǎng)絡(luò)、Boltzmann機(jī)等經(jīng)典神經(jīng)網(wǎng)絡(luò)模型直接源于伊辛模型和自旋玻璃統(tǒng)計力學(xué)，而這些模型對現(xiàn)代神經(jīng)網(wǎng)絡(luò)的發(fā)展產(chǎn)生了重要影響[1]。早期研究借鑒自旋系統(tǒng)的能量函數(shù)構(gòu)建神經(jīng)網(wǎng)絡(luò)，將神經(jīng)網(wǎng)絡(luò)的記憶與檢索過程描述為向能量極小值對應(yīng)的穩(wěn)定狀態(tài)演化，建立了統(tǒng)計物理與神經(jīng)網(wǎng)絡(luò)信息處理機(jī)制之間的重要聯(lián)系。后續(xù)研究進(jìn)一步引入自由能、玻爾茲曼分布和變分推斷等思想，推動了概率模型與能量模型的發(fā)展。不止于此，各類經(jīng)典物理理論進(jìn)一步拓展、完善了神經(jīng)網(wǎng)絡(luò)的設(shè)計體系：對稱性理論推動等變神經(jīng)網(wǎng)絡(luò)的迭代演進(jìn)[2]，為模型結(jié)構(gòu)化設(shè)計提供嚴(yán)謹(jǐn)?shù)募s束依據(jù)；微分方程與物理動力學(xué)不斷啟發(fā)神經(jīng)網(wǎng)絡(luò)架構(gòu)和生成模型的發(fā)展，例如主流擴(kuò)散模型的生成機(jī)制，便依托熱力學(xué)方程構(gòu)建成型[3]；重整化群和相變理論也被用于理解深度神經(jīng)網(wǎng)絡(luò)的尺度行為、能力涌現(xiàn)[4]等現(xiàn)象，為相關(guān)理論研究提供了新的分析視角。

與此同時，統(tǒng)計力學(xué)、信息物理與量子力學(xué)的發(fā)展，深化了人們對信息與計算物理基礎(chǔ)的認(rèn)識，也為探索人工智能新的理論與計算范式提供了重要啟發(fā)。薛定諤在《What is Life?》[5]中探討了如何從物理規(guī)律出發(fā)理解生命系統(tǒng)，推動了物理學(xué)與生命科學(xué)的交叉，并對后來關(guān)于復(fù)雜生命系統(tǒng)、信息與物理關(guān)系的研究產(chǎn)生了深遠(yuǎn)影響。蘭道爾原理[6]進(jìn)一步揭示了信息處理的物理屬性，指出信息擦除等邏輯操作具有不可忽略的熱力學(xué)代價，表明信息處理必須依托具體的物理過程實(shí)現(xiàn)，因此計算能力與能耗最終受到其底層物理實(shí)現(xiàn)的約束。量子力學(xué)的發(fā)展則進(jìn)一步拓展了人類對信息與計算的認(rèn)識：馮·諾依曼建立了量子力學(xué)的系統(tǒng)數(shù)學(xué)框架，對量子態(tài)、測量與熵等概念進(jìn)行了嚴(yán)格的數(shù)學(xué)表述，為后來量子信息科學(xué)的發(fā)展奠定了重要理論基礎(chǔ)。費(fèi)曼進(jìn)一步指出，經(jīng)典計算機(jī)在模擬一般量子系統(tǒng)時面臨顯著的計算困難，并提出利用量子系統(tǒng)模擬量子物理過程的思想，成為量子計算發(fā)展的重要理論起點(diǎn)之一。此后，量子計算進(jìn)一步拓展至機(jī)器學(xué)習(xí)領(lǐng)域，推動了量子機(jī)器學(xué)習(xí)等交叉方向的發(fā)展，并為探索新的數(shù)據(jù)表示、采樣與優(yōu)化方法以及特定問題上的潛在計算優(yōu)勢提供了新的理論與技術(shù)路徑。

二、人工智能的新發(fā)展：物理范式的介入

過去十年是人工智能爆發(fā)式發(fā)展的黃金時期，從AlphaGo突破圍棋博弈壁壘[7]、AlphaFold破解蛋白質(zhì)結(jié)構(gòu)預(yù)測難題[8]，到圖文生成模型實(shí)現(xiàn)高精度內(nèi)容創(chuàng)作、大語言模型具備通用推理與交互能力，人工智能已經(jīng)從專用模型逐漸發(fā)展為具備一定通用表示、生成和推理能力的基礎(chǔ)模型階段。人工智能不再是輔助科研、生產(chǎn)的算法工具，而是演變?yōu)槿碌闹R組織方式與世界建模體系，深刻改變著人類認(rèn)知世界、改造世界的方式。

人工智能高速演進(jìn)之際，以數(shù)據(jù)驅(qū)動和工程迭代為主的發(fā)展范式也逐漸面臨一系列深層挑戰(zhàn)。其一，現(xiàn)有智能體系中的感知、生成、推理、決策與世界建模等能力仍缺乏統(tǒng)一、自洽的理論框架，如何借鑒物理學(xué)追求統(tǒng)一基本規(guī)律的研究思想，建立能夠系統(tǒng)理解和描述人工智能底層運(yùn)行機(jī)制的理論體系？其二，當(dāng)前人工智能的發(fā)展在很大程度上依賴模型規(guī)模、數(shù)據(jù)規(guī)模與計算資源的持續(xù)擴(kuò)展，但這一發(fā)展路徑面臨數(shù)據(jù)、算力、能耗和效率等多重約束，如何從物理第一性原理出發(fā)探索新的模型結(jié)構(gòu)、優(yōu)化目標(biāo)與計算范式，為新一代人工智能開辟更加高效、可持續(xù)的發(fā)展路徑？其三，當(dāng)前人工智能仍高度依賴大規(guī)模數(shù)據(jù)與訓(xùn)練過程，在小樣本泛化、因果推理、知識外推、自主科學(xué)發(fā)現(xiàn)與持續(xù)學(xué)習(xí)等方面仍存在重要挑戰(zhàn)，如何借鑒物理學(xué)中從有限觀測提煉普適規(guī)律、利用對稱性與因果約束建立可外推模型的研究范式，推動AI從數(shù)據(jù)驅(qū)動的模式學(xué)習(xí)進(jìn)一步走向規(guī)律發(fā)現(xiàn)、知識創(chuàng)造與自主迭代，探索邁向超級智能 ASI的可能路徑？

物理學(xué)為人工智能的發(fā)展提供了具有潛力的系統(tǒng)性理論框架，可從結(jié)構(gòu)、優(yōu)化、計算、推理四大維度，搭建起完整的Physics for AI理論體系。在結(jié)構(gòu)層面，物理學(xué)的對稱性、守恒律、幾何約束、因果結(jié)構(gòu)，定義了AI模型的基礎(chǔ)架構(gòu)先驗(yàn)。從平移、旋轉(zhuǎn)等基礎(chǔ)時空對稱，到規(guī)范、置換等高階拓?fù)鋵ΨQ，物理規(guī)律為模型連接方式、參數(shù)共享機(jī)制、變換不變性設(shè)計提供了核心準(zhǔn)則，有望解決傳統(tǒng)人工智能架構(gòu)設(shè)計的經(jīng)驗(yàn)化、隨機(jī)性問題。在優(yōu)化層面，統(tǒng)計力學(xué)中的自由能、相對熵與變分原理，以及動力學(xué)與最優(yōu)控制理論，為理解多類人工智能訓(xùn)練與優(yōu)化問題提供了統(tǒng)一的理論視角。機(jī)器學(xué)習(xí)目標(biāo)可以從能量、熵與信息之間的權(quán)衡加以理解，從而為人工智能的訓(xùn)練動力學(xué)與優(yōu)化機(jī)制提供具有物理意義的解釋框架。在計算層面，量子表征、量子混合算法、新型物理硬件突破了經(jīng)典智能的計算邊界。依托量子力學(xué)的獨(dú)特物理特性，有機(jī)會突破經(jīng)典模型算力局限，拓展AI的應(yīng)用場景與能力上限。在推理層面，物理思想有望突破傳統(tǒng)人工智能對數(shù)據(jù)擬合與經(jīng)驗(yàn)?zāi)Ｊ降倪^度依賴，推動AI提升少樣本推理、規(guī)律發(fā)現(xiàn)與創(chuàng)新探索能力。同時，借助物理研究范式，AI可形成“問題假設(shè)—推演預(yù)測—實(shí)驗(yàn)驗(yàn)證—反饋修正”的閉環(huán)學(xué)習(xí)過程，并探索智能系統(tǒng)持續(xù)學(xué)習(xí)、自我修正與自主進(jìn)化的新路徑。

結(jié)合結(jié)構(gòu)先驗(yàn)、優(yōu)化目標(biāo)、計算機(jī)制、推理范式四大核心維度，本文提出物理第一性AI這一概念。物理第一性AI是指從物理學(xué)的基本原理與研究思想出發(fā)，理解、設(shè)計并優(yōu)化人工智能系統(tǒng)的新型研究范式，將AI視為運(yùn)行于現(xiàn)實(shí)物理載體之上的復(fù)雜信息處理系統(tǒng)，而非單純的數(shù)據(jù)擬合工具。該范式下，AI的架構(gòu)設(shè)計、訓(xùn)練優(yōu)化、計算結(jié)構(gòu)和推理演化等環(huán)節(jié)，均可借助物理學(xué)原理和思想獲得新的機(jī)理解釋與體系化設(shè)計方法。物理第一性AI的研究范式，有望為通用人工智能的理論建構(gòu)與技術(shù)突破奠定底層理論根基，從物理學(xué)底層構(gòu)建新一代AI。下文將系統(tǒng)闡釋該框架下物理學(xué)賦能AI演進(jìn)的內(nèi)在機(jī)理與可能路徑。

2.1 對稱性與運(yùn)動方程：構(gòu)建具備結(jié)構(gòu)化先驗(yàn)的AI模型

對稱性與諾特定理是物理學(xué)的核心基礎(chǔ)原理[9]，也是機(jī)器學(xué)習(xí)領(lǐng)域架構(gòu)設(shè)計的核心準(zhǔn)則。物理學(xué)定義，若一個系統(tǒng)在某類群變換作用下保持形式不變，即具備對應(yīng)的對稱性，而連續(xù)對稱性必然對應(yīng)系統(tǒng)的守恒律。時間平移對稱性對應(yīng)能量守恒、空間平移對稱性對應(yīng)動量守恒、空間旋轉(zhuǎn)對稱性對應(yīng)角動量守恒，這一系列規(guī)律是自然系統(tǒng)穩(wěn)定運(yùn)行的核心底層邏輯。物理學(xué)的結(jié)構(gòu)化研究思路，本質(zhì)就是識別系統(tǒng)的不變性，挖掘不隨外界變換而改變的核心本質(zhì)。這一物理思想正好適配人工智能的架構(gòu)優(yōu)化需求。傳統(tǒng)純數(shù)據(jù)驅(qū)動的AI神經(jīng)網(wǎng)絡(luò)，往往忽略任務(wù)本身的物理對稱性，需要消耗海量數(shù)據(jù)、大量參數(shù)學(xué)習(xí)基礎(chǔ)規(guī)律，泛化能力差、訓(xùn)練穩(wěn)定性低。而依托物理對稱性設(shè)計模型，本質(zhì)是將自然規(guī)律前置嵌入網(wǎng)絡(luò)結(jié)構(gòu)，大幅降低模型的學(xué)習(xí)成本[10]。其核心準(zhǔn)則是實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的不變性與等變性設(shè)計：當(dāng)輸入數(shù)據(jù)發(fā)生對稱變換時，模型輸出保持不變或遵循對應(yīng)變換規(guī)律。

當(dāng)前主流AI架構(gòu)的迭代升級體現(xiàn)了對稱性思想的應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)適配圖像任務(wù)的平移對稱性，通過參數(shù)共享實(shí)現(xiàn)平移等變性，大幅提升圖像識別效率；圖神經(jīng)網(wǎng)絡(luò)適配拓?fù)浣Y(jié)構(gòu)的置換對稱性，實(shí)現(xiàn)節(jié)點(diǎn)置換等變性，適配社交網(wǎng)絡(luò)、分子結(jié)構(gòu)等非歐氏數(shù)據(jù)；三維歐氏變換Transformer等新型模型[11]，依托三維歐氏群對稱性，適配分子、材料的三維空間變換規(guī)律，在生物建模、材料仿真等任務(wù)中表現(xiàn)遠(yuǎn)超傳統(tǒng)模型。更進(jìn)一步，針對場論、粒子物理的局域規(guī)范對稱性，學(xué)界已開發(fā)出規(guī)范等變神經(jīng)網(wǎng)絡(luò)量子態(tài)，為人工智能模型探索量子場論提供新的路徑[12]。基于動力學(xué)物理規(guī)律，學(xué)界還提出了擴(kuò)散模型[3]、哈密頓量神經(jīng)網(wǎng)絡(luò)[13]、拉格朗日量神經(jīng)網(wǎng)絡(luò)[14]等前沿模型。哈密頓量神經(jīng)網(wǎng)絡(luò)通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)哈密頓量，天然保留物理系統(tǒng)的辛結(jié)構(gòu)與能量守恒特性，適配軌道動力學(xué)、分子動力學(xué)等守恒系統(tǒng)建模；拉格朗日量神經(jīng)網(wǎng)絡(luò)直接學(xué)習(xí)系統(tǒng)拉格朗日量與作用量，適配帶約束的廣義坐標(biāo)系統(tǒng)，可通過模型結(jié)構(gòu)內(nèi)生實(shí)現(xiàn)守恒律。與此同時，將物理運(yùn)動方程直接融入神經(jīng)網(wǎng)絡(luò)計算，并依托光學(xué)、熱力學(xué)、電子等多種物理硬件實(shí)現(xiàn)高效推理與訓(xùn)練，有望進(jìn)一步推動神經(jīng)形態(tài)計算（Neuromorphic Computing）的發(fā)展。

這一系列模型設(shè)計形成了物理賦能神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計準(zhǔn)則：首先識別任務(wù)對應(yīng)的對稱變換規(guī)律，確定模型所需的不變性、等變性特征，將物理結(jié)構(gòu)前置嵌入模型，替代傳統(tǒng)的人工正則化約束。這種設(shè)計思路讓AI模型具備天然的物理一致性、更少的數(shù)據(jù)依賴、更強(qiáng)的外推泛化能力。

2.2 統(tǒng)計力學(xué)：提供AI訓(xùn)練優(yōu)化的底層機(jī)制

統(tǒng)計力學(xué)的自由能變分原理，為監(jiān)督學(xué)習(xí)的數(shù)據(jù)擬合、生成模型的分布重構(gòu)、強(qiáng)化學(xué)習(xí)的獎勵優(yōu)化、大模型的對齊約束提供了統(tǒng)一的優(yōu)化框架。自由能是統(tǒng)計力學(xué)的核心物理量，描述了熱力學(xué)系統(tǒng)的自由能量狀態(tài)，結(jié)合變分推導(dǎo)可得出核心恒等式，將系統(tǒng)能量、熵、概率分布差異完美融合。其核心物理內(nèi)涵是：物理系統(tǒng)的穩(wěn)態(tài)演化，本質(zhì)是自由能最小化的過程，即系統(tǒng)會不斷修正自身狀態(tài)，趨近于真實(shí)的玻爾茲曼平衡分布。

這一物理原理與機(jī)器學(xué)習(xí)的優(yōu)化訓(xùn)練在數(shù)學(xué)形式上具有高度一致性。機(jī)器學(xué)習(xí)的最大似然訓(xùn)練，核心是最小化經(jīng)驗(yàn)負(fù)對數(shù)似然，其數(shù)學(xué)本質(zhì)等價于最小化數(shù)據(jù)真實(shí)分布與模型擬合分布的相對熵散度，實(shí)現(xiàn)分布匹配。生成模型中的變分推斷與證據(jù)下界（ELBO）優(yōu)化，在數(shù)學(xué)結(jié)構(gòu)上與統(tǒng)計物理中的變分自由能原理密切相關(guān)。以變分自編碼器為例，其優(yōu)化目標(biāo)包含數(shù)據(jù)重建項(xiàng)與KL散度正則項(xiàng)，用于平衡數(shù)據(jù)擬合與潛變量分布約束；從變分推斷的視角看，最大化ELBO等價于最小化相應(yīng)的變分自由能。這一理論體系為監(jiān)督學(xué)習(xí)、生成模型和強(qiáng)化學(xué)習(xí)等多類AI訓(xùn)練范式提供了統(tǒng)一的理論視角。在強(qiáng)化學(xué)習(xí)領(lǐng)域，現(xiàn)代“控制即推斷”（Control as Inference）框架將策略優(yōu)化轉(zhuǎn)化為帶獎勵約束的概率推斷問題。熵正則強(qiáng)化學(xué)習(xí)在最大化任務(wù)獎勵的同時引入策略熵正則，在適當(dāng)條件下最優(yōu)策略滿足玻爾茲曼分布形式。在這一框架下，KL正則化策略優(yōu)化可視為期望獎勵與策略相對于參考分布的偏離代價之間的權(quán)衡，其目標(biāo)函數(shù)與統(tǒng)計力學(xué)中的自由能優(yōu)化具有相似的數(shù)學(xué)結(jié)構(gòu)，為理解強(qiáng)化學(xué)習(xí)提供了統(tǒng)一的統(tǒng)計物理視角[15]。

在大模型微調(diào)與對齊領(lǐng)域，RLHF[16]以及DPO[17]等方法，可在KL正則化優(yōu)化框架下進(jìn)行統(tǒng)一分析，其中RLHF最為典型。其目標(biāo)在提高獎勵模型所定義的偏好獎勵的同時，通過KL散度約束策略相對于參考預(yù)訓(xùn)練模型的偏離，以維持訓(xùn)練穩(wěn)定性并減少模型能力和輸出分布的過度漂移。從統(tǒng)計物理角度看，這類“獎勵—KL約束”目標(biāo)與自由能優(yōu)化具有相似的數(shù)學(xué)結(jié)構(gòu)：獎勵可類比為負(fù)能量，KL項(xiàng)刻畫策略偏離參考分布的代價，其權(quán)重在形式上類似溫度尺度，用于調(diào)節(jié)獎勵提升與參考分布約束之間的平衡，體現(xiàn)了統(tǒng)計力學(xué)中能量、熵與概率分布之間的權(quán)衡思想。此外，統(tǒng)計物理中的重整化群、平均場理論、相變與對稱性破缺等思想，也為理解大模型訓(xùn)練中的多尺度表征形成、集體行為涌現(xiàn)、動力學(xué)轉(zhuǎn)變及標(biāo)度律提供了重要啟發(fā)。

2.3 量子理論：有望突破經(jīng)典AI的表示與計算瓶頸

經(jīng)典AI主要建立在經(jīng)典信息表示與經(jīng)典計算架構(gòu)之上，隨著模型規(guī)模和任務(wù)復(fù)雜度持續(xù)增長，逐漸面臨上下文長度、計算與存儲開銷、長程信息有效利用以及組合泛化等方面的挑戰(zhàn)。量子力學(xué)中的疊加、糾纏、干涉與相位等獨(dú)特物理特性，則為人工智能探索新的信息表示與計算范式提供了可能。量子計算的發(fā)展有望為未來AI提供新的硬件平臺與算法工具。不同于經(jīng)典比特的0或1狀態(tài)，量子比特可以處于0和1基態(tài)的相干疊加，并通過量子糾纏與干涉進(jìn)行信息處理，從而有望在特定計算問題上實(shí)現(xiàn)超越已知經(jīng)典算法的計算優(yōu)勢。

量子理論的加速優(yōu)勢體現(xiàn)在多個維度。其一為表示加速，依托希爾伯特高維空間，可高效擬合復(fù)雜數(shù)據(jù)的相關(guān)性特征；其二為線性代數(shù)加速，量子相位估計、量子奇異值變換等量子算法，大幅提升矩陣運(yùn)算效率；其三為統(tǒng)計與搜索加速，幅度估計、Grover搜索、量子游走等技術(shù)，優(yōu)化了模型采樣、期望值估計等核心流程；其四為優(yōu)化與模擬加速，量子退火、量子近似優(yōu)化算法等為組合優(yōu)化提供了新的求解路徑，而量子模擬則能夠直接處理復(fù)雜量子系統(tǒng)，在材料設(shè)計、生命制藥、金融投資、密碼學(xué)等場景具備潛在的優(yōu)勢。

量子理論對人工智能的潛在賦能并非局限于計算加速，還可能為信息表示、學(xué)習(xí)機(jī)制與模型設(shè)計提供新的理論與計算范式[18, 19]。量子信息利用疊加、糾纏、相位與干涉等特性進(jìn)行信息編碼和處理，為機(jī)器學(xué)習(xí)提供了獨(dú)特的表示與計算機(jī)制；量子態(tài)、張量網(wǎng)絡(luò)、量子多體物理與量子信息等理論也可啟發(fā)經(jīng)典人工智能的概率表示、生成模型與訓(xùn)練架構(gòu)設(shè)計。在量子機(jī)器學(xué)習(xí)領(lǐng)域，對于量子實(shí)驗(yàn)和量子模擬產(chǎn)生的量子數(shù)據(jù)，量子學(xué)習(xí)算法可以直接處理量子態(tài)，在部分任務(wù)中展現(xiàn)出可證明的樣本或計算復(fù)雜度優(yōu)勢；進(jìn)一步利用量子計算處理經(jīng)典數(shù)據(jù)、加速經(jīng)典機(jī)器學(xué)習(xí)任務(wù)，也是當(dāng)前量子計算與人工智能交叉研究的重要前沿方向。

2.4 物理推理：通向AI少樣本學(xué)習(xí)創(chuàng)新與自進(jìn)化

物理學(xué)的科研思維與學(xué)習(xí)范式，在小樣本洞察、突破既有認(rèn)知與動態(tài)迭代方面具有鮮明特點(diǎn)，為當(dāng)前以大數(shù)據(jù)和規(guī)模擴(kuò)展為主的AI發(fā)展范式提供了不同思路。物理學(xué)家善于從習(xí)以為常的普遍現(xiàn)象中洞察深層本質(zhì)，從有限信息與少量觀測中捕捉核心規(guī)律；認(rèn)知的高度并非僅由知識與樣本的數(shù)量堆疊決定，正如精讀百本典籍的深度思考，往往勝于泛讀千本典籍的淺層積累。依托第一性原理、對稱性約束與數(shù)理推演，物理學(xué)能夠從有限而關(guān)鍵的觀測中凝練規(guī)律、構(gòu)建模型。縱觀物理學(xué)發(fā)展，相對論、量子力學(xué)等重大理論革新，都體現(xiàn)了對既有經(jīng)驗(yàn)與傳統(tǒng)認(rèn)知的突破；同時，物理理論通過“觀測—推演—驗(yàn)證—修正”不斷迭代完善，為構(gòu)建具備小樣本學(xué)習(xí)、創(chuàng)新發(fā)現(xiàn)與持續(xù)進(jìn)化能力的新型智能提供了重要的科學(xué)范式。

這種物理認(rèn)知與科研范式，有望推動AI突破以數(shù)據(jù)擬合為主的傳統(tǒng)學(xué)習(xí)路徑。當(dāng)前主流AI高度依賴大規(guī)模數(shù)據(jù)，其能力往往受訓(xùn)練數(shù)據(jù)分布與既有知識邊界制約，容易復(fù)現(xiàn)已有規(guī)律并形成認(rèn)知固化，在小樣本泛化、跨分布外推與突破性創(chuàng)新方面仍面臨挑戰(zhàn)，模型迭代也主要依賴外部數(shù)據(jù)與反饋。引入物理第一性思維后，AI有望突破“數(shù)據(jù)越多、性能越強(qiáng)”的單一縮放邏輯，探索“原理先驗(yàn)、小樣本深挖、本質(zhì)洞察”的學(xué)習(xí)模式，以因果規(guī)律、對稱性等結(jié)構(gòu)化知識為先驗(yàn)，提升少樣本學(xué)習(xí)與高效外推能力。同時，借鑒物理學(xué)質(zhì)疑既有假設(shè)、探尋深層規(guī)律的思辨方式，AI有望突破數(shù)據(jù)偏見與既有認(rèn)知框架，主動發(fā)現(xiàn)隱藏在表象背后的非直覺規(guī)律，推動突破既有共識的原創(chuàng)性科學(xué)發(fā)現(xiàn)。

沿著這一方向發(fā)展“AI物理學(xué)家”[20]，可能成為邁向更高水平自主科學(xué)智能乃至通用人工智能的重要探索方向。它將物理學(xué)的因果建模、理論推演與規(guī)律發(fā)現(xiàn)能力，與AI的大規(guī)模計算、搜索和快速迭代能力相結(jié)合，使智能系統(tǒng)能夠自主提出科學(xué)問題與假設(shè)，通過理論計算、數(shù)值模擬或真實(shí)實(shí)驗(yàn)進(jìn)行驗(yàn)證，并根據(jù)反饋不斷修正模型與理論，形成“提出問題—構(gòu)建假設(shè)—推演預(yù)測—實(shí)驗(yàn)驗(yàn)證—反饋修正”的自主科研閉環(huán)。這樣的智能形態(tài)不僅有望加速復(fù)雜科學(xué)問題的求解，也可能提升AI的可解釋性、泛化能力與原創(chuàng)發(fā)現(xiàn)能力，為探索從通用人工智能走向更高水平自主科學(xué)智能乃至超級人工智能（ASI）提供新的可能。

三、人工智能時代的物理教育：物理賦能智能的人才培養(yǎng)

AI的快速發(fā)展不僅正在重構(gòu)技術(shù)體系，也對傳統(tǒng)學(xué)科教育提出了深刻挑戰(zhàn)。在代碼大模型與AI智能體的推動下，傳統(tǒng)編程的工作方式與能力要求正在被重新定義；隨著自動定理證明與形式化驗(yàn)證技術(shù)的發(fā)展，數(shù)學(xué)研究與證明的工作范式也在發(fā)生變化。當(dāng)計算機(jī)、數(shù)學(xué)等學(xué)科的研究與實(shí)踐方式加速變革，物理學(xué)教育同樣亟需主動回應(yīng)人工智能時代的新需求。

首先，物理教育需要實(shí)現(xiàn)工具能力的全面升級。新時代物理人才應(yīng)主動掌握大模型、科學(xué)機(jī)器學(xué)習(xí)、自動微分、符號回歸、物理仿真與智能科研工作流等前沿工具，同時夯實(shí)智能編程、并行計算、數(shù)值優(yōu)化與數(shù)據(jù)處理等科學(xué)計算基礎(chǔ)。教學(xué)重點(diǎn)應(yīng)從單純“掌握編程工具”，進(jìn)一步轉(zhuǎn)向“運(yùn)用計算與人工智能解決前沿物理問題”，推動AI深度融入凝聚態(tài)物理、量子信息、核聚變、宇宙學(xué)等研究領(lǐng)域，使其成為拓展物理科研能力的重要工具。

進(jìn)一步，物理教育需要培養(yǎng)兼具物理思維與AI創(chuàng)新能力的復(fù)合型人才。物理學(xué)在對稱性、變分原理、統(tǒng)計機(jī)制、尺度分析和可解釋建模等方面積累了獨(dú)特而深厚的思想方法，為探索新一代人工智能提供了重要基礎(chǔ)。新時代物理教育應(yīng)進(jìn)一步打破物理、數(shù)學(xué)與計算機(jī)學(xué)科之間的壁壘，構(gòu)建交叉融合的課程體系，將物理思想、數(shù)學(xué)基礎(chǔ)與AI技術(shù)有機(jī)結(jié)合，培養(yǎng)能夠理解、優(yōu)化乃至創(chuàng)造新型AI理論與架構(gòu)的人才，鼓勵學(xué)生從物理直覺和第一性原理出發(fā)，探索突破現(xiàn)有AI范式的新型模型結(jié)構(gòu)、學(xué)習(xí)機(jī)制與訓(xùn)練方法。

與此同時，物理教育還應(yīng)關(guān)注世界模型與具身智能的發(fā)展趨勢。隨著智能系統(tǒng)不斷增強(qiáng)對空間、時間、因果關(guān)系、系統(tǒng)動力學(xué)以及環(huán)境反饋的建模能力，其發(fā)展與物理學(xué)研究真實(shí)世界規(guī)律的方法日益產(chǎn)生交匯。這要求物理教育進(jìn)一步強(qiáng)化實(shí)驗(yàn)與實(shí)踐訓(xùn)練，使學(xué)生不僅具備理論推演與計算建模能力，還能夠理解真實(shí)世界中的測量、實(shí)驗(yàn)設(shè)計與反饋控制，培養(yǎng)貫通“理論—計算—實(shí)驗(yàn)”的物理與人工智能交叉人才，為自主科學(xué)智能與物理智能等新興方向提供人才基礎(chǔ)。

物理教育當(dāng)堅(jiān)守以人為本，著力培育并精進(jìn)人的物理核心素養(yǎng)；智能工具輔助科研探索，不以技術(shù)替代人的思考與創(chuàng)造；憑借人積淀的物理認(rèn)知突破智能發(fā)展瓶頸，構(gòu)建人機(jī)協(xié)同、雙向賦能的長效發(fā)展閉環(huán)。

結(jié) 語

從百年理論溯源到當(dāng)下的深度融合，物理學(xué)與人工智能的跨界融合，早已從簡單的靈感借鑒，開始發(fā)展為系統(tǒng)化、體系化的全新科研方法論。物理第一性AI是人工智能突破固有瓶頸、走向通用智能的重要途徑，也是物理學(xué)拓展研究邊界、賦能前沿科技的全新方向。未來，隨著物理理論的持續(xù)深耕與人工智能技術(shù)的不斷迭代，物理第一性AI有望重塑智能系統(tǒng)的設(shè)計、訓(xùn)練與發(fā)展范式，開啟物理驅(qū)動的通用超級智能新時代。

參考文獻(xiàn)

[1]Hopfield, John J. "Neural networks and physical systems with emergent collective computational abilities." Proceedings of the national academy of sciences 79.8 (1982): 2554-2558.

[2]Cohen, Taco, and Max Welling. "Group equivariant convolutional networks." International conference on machine learning. PMLR, 2016.

[3]Ho, Jonathan, Ajay Jain, and Pieter Abbeel. "Denoising diffusion probabilistic models." Advances in neural information processing systems 33 (2020): 6840-6851.

[4]Kaplan, Jared, et al. "Scaling laws for neural language models." arXiv preprint arXiv:2001.08361 (2020).

[5]Schr?dinger, Erwin. What is life? The physical aspect of the living cell. Rare Treasure Editions, 2025.

[6]Landauer, Rolf. "Irreversibility and heat generation in the computing process." IBM journal of research and development 5.3 (1961): 183-191.

[7]Silver, David, et al. "Mastering the game of Go with deep neural networks and tree search." nature 529.7587 (2016): 484-489.

[8]Jumper, John, et al. "Highly accurate protein structure prediction with AlphaFold." nature 596.7873 (2021): 583-589.

[9]Noether, Emmy. "Invariant variation problems." Transport theory and statistical physics 1.3 (1971): 186-207.

[10]LUO Di. From symmetry to structure：constructing neural network quantum states from symmetry principles[J]. PHYSICS, 2026, 55(5): 345-351.

[11]Fuchs, Fabian, et al. "Se (3)-transformers: 3d roto-translation equivariant attention networks." Advances in neural information processing systems 33 (2020): 1970-1981.

[12]Luo, Di, et al. "Gauge equivariant neural networks for quantum lattice gauge theories." Physical review letters 127.27 (2021): 276402.

[13]Greydanus, Samuel, Misko Dzamba, and Jason Yosinski. "Hamiltonian neural networks." Advances in neural information processing systems 32 (2019).

[14]Cranmer, Miles, et al. "Lagrangian neural networks." arXiv preprint arXiv:2003.04630 (2020).

[15]Schulman, John, et al. "Proximal policy optimization algorithms." arXiv preprint arXiv:1707.06347 (2017).

[16]Ouyang, Long, et al. "Training language models to follow instructions with human feedback." Advances in neural information processing systems 35 (2022): 27730-27744.

[17]Rafailov, Rafael, et al. "Direct preference optimization: Your language model is secretly a reward model." Advances in neural information processing systems 36 (2023): 53728-53741.

[18]Chen, Zhuo, and Di Luo. "Entangling intelligence: AI-quantum crossovers and perspectives." 2024 IEEE 6th International Conference on Trust, Privacy and Security in Intelligent Systems, and Applications (TPS-ISA). IEEE, 2024.

[19]Biamonte, Jacob, et al. "Quantum machine learning." Nature 549.7671 (2017): 195-202.

[20]Deng, Ken, Xiangfei Wang, Guijing Duan, Chen Mo, Junkun Huang, Runqing Zhang, Ling Qian, Zhiguo Huang, Jize Han, and Di Luo. "Towards verifiable and self-correcting ai physicists for quantum many-body simulations." arXiv preprint arXiv:2604.00149 (2026).

作者簡介：

羅迪，清華大學(xué)物理系副教授，兼職清華大學(xué)高等研究院。此前，他曾任美國加州大學(xué)洛杉磯分校（UCLA）助理教授。2021年至2024年間，他擔(dān)任美國人工智能與基本相互作用研究所IAIFI Fellow，同時是麻省理工學(xué)院（MIT）理論物理中心與哈佛大學(xué)（Harvard）物理系博士后。2021年，他在伊利諾伊大學(xué)厄巴納-香檳分校（UIUC）獲得數(shù)學(xué)與物理雙碩士學(xué)位及物理學(xué)博士學(xué)位。2016年，他畢業(yè)于香港大學(xué)，獲物理學(xué)與數(shù)學(xué)雙學(xué)士學(xué)位。羅迪博士曾在Google Quantum AI, Vector Institute 和 Simon Foundation研究實(shí)習(xí)。他的研究聚焦在AI+Science和量子計算，包括發(fā)展AI和量子算法用于量子材料、高能物理和量子信息的科學(xué)模擬和發(fā)現(xiàn)，以及利用量子物理和統(tǒng)計物理發(fā)展構(gòu)建AI理論和模型。

《物理與工程》期刊是專注于物理教育教學(xué)研究的學(xué)術(shù)期刊，是中國科技核心期刊，1981年創(chuàng)刊，歡迎踴躍投稿，期刊投審稿采編平臺：

http://gkwl.cbpt.cnki.net

《物理與工程》微信公眾號

文章轉(zhuǎn)載自“物理與工程“公眾號