物理

作为基础物理领域的科研工作者，我能够坐十几年‘冷板凳’，但毕业对学生是现实大事。

兰道尔原理[6]进一步揭示了信息处理的物理属性，指出信息擦除等逻辑操作具有不可忽略的热力学代价，表明信息处理必须依托具体的物理过程实现，因此计算能力与能耗最终受到其底层物理实现的约束。

费曼进一步指出，经典计算机在模拟一般量子系统时面临显著的计算困难，并提出利用量子系统模拟量子物理过程的思想，成为量子计算发展的重要理论起点之一。

不过，WAICA2026公开的主会录用名单作为一个相对集中的样本，仍为我们提供了一个观察近期AI研究的窗口：一些研究不再满足于生成答案和展示能力，而是进一步追问证据如何验证、行动如何反馈，以及模型如何接受物理规律、科学机制和真实条件的约束。

这些结果表明，物理规律在促成黑洞形成的同时，也为其内部结构的复杂度划定了一个边界—

》[5]中探讨了如何从物理规律出发理解生命系统，推动了物理学与生命科学的交叉，并对后来关于复杂生命系统、信息与物理关系的研究产生了深远影响。

罗迪副教授作为清华物理系AI+Physics与量子计算交叉领域的青年人才，特别撰写此文并率先提出“物理第一性AI”研究范式，前瞻性地探讨了从物理规律和思想探寻超级智能的路径。

从平移、旋转等基础时空对称，到规范、置换等高阶拓扑对称，物理规律为模型连接方式、参数共享机制、变换不变性设计提供了核心准则，有望解决传统人工智能架构设计的经验化、随机性问题。

基于动力学物理规律，学界还提出了扩散模型[3]、哈密顿量神经网络[13]、拉格朗日量神经网络[14]等前沿模型。

二、人工智能的新发展：物理范式的介入

这一系列模型设计形成了物理赋能神经网络架构设计准则：首先识别任务对应的对称变换规律，确定模型所需的不变性、等变性特征，将物理结构前置嵌入模型，替代传统的人工正则化约束。

因此，物理约束不应只表现为损失函数中的一个附加项，还需要通过边界条件、守恒关系、求解器残差或长期稳定性等指标接受独立检验。

其核心物理内涵是：物理系统的稳态演化，本质是自由能最小化的过程，即系统会不断修正自身状态，趋近于真实的玻尔兹曼平衡分布。

哈密顿量神经网络通过神经网络学习系统哈密顿量，天然保留物理系统的辛结构与能量守恒特性，适配轨道动力学、分子动力学等守恒系统建模；

吸引他的，不只是南京大学物理学科深厚的积淀，还有一种可以安心坐“冷板凳”、从事基础物理研究的学术氛围。

这项研究也为多层石墨烯以及更广泛范德华量子材料中的强关联轨道物理研究开辟了新的方向。

不止于此，各类经典物理理论进一步拓展、完善了神经网络的设计体系：对称性理论推动等变神经网络的迭代演进[2]，为模型结构化设计提供严谨的约束依据；

当代人工智能已经从传统的数据拟合模型逐步发展为能够完成复杂感知、生成与推理任务的大规模学习系统，在训练动力学、参数耦合及集体行为等方面，呈现出典型的复杂系统特征，其运行规律、演化逻辑可以借助能量、信息、对称性、动力学等物理理论获得新的分析视角。

未来，随着物理理论的持续深耕与人工智能技术的不断迭代，物理第一性AI有望重塑智能系统的设计、训练与发展范式，开启物理驱动的通用超级智能新时代。

同时，物理理论通过“观测—推演—验证—修正”不断迭代完善，为构建具备小样本学习、创新发现与持续进化能力的新型智能提供了重要的科学范式。

一步步地，李理打开了黑洞物理世界的大门。

比如，黑洞物理的研究方法竟能用于预测颗粒物质在受力时的非线性效应，为复杂体系的研究开拓了新思路；

2.4物理推理：通向AI少样本学习创新与自进化

该奖项授予约翰·霍普菲尔德（JohnHopfield）与杰弗里·辛顿（GeoffreyHinton），表彰其“使利用人工神经网络进行机器学习成为可能的基础性发现和发明”，显示出物理思想与人工智能研究之间的深层联系受到学界高度认可。

在推理层面，物理思想有望突破传统人工智能对数据拟合与经验模式的过度依赖，推动AI提升少样本推理、规律发现与创新探索能力。

新时代物理教育应进一步打破物理、数学与计算机学科之间的壁垒，构建交叉融合的课程体系，将物理思想、数学基础与AI技术有机结合，培养能够理解、优化乃至创造新型AI理论与架构的人才，鼓励学生从物理直觉和第一性原理出发，探索突破现有AI范式的新型模型结构、学习机制与训练方法。

这一物理思想正好适配人工智能的架构优化需求。

传统纯数据驱动的AI神经网络，往往忽略任务本身的物理对称性，需要消耗海量数据、大量参数学习基础规律，泛化能力差、训练稳定性低。

而依托物理对称性设计模型，本质是将自然规律前置嵌入网络结构，大幅降低模型的学习成本[10]。

不过，在现实科学界，真的有一群理论物理学家在为揭开黑洞内部的秘密而努力。

但这是天文学家不太关心的事情，因为以现有的观测技术和条件，人类无法直接观测黑洞内部，只能依靠理论物理学家的假设和推演。

与此同时，统计力学、信息物理与量子力学的发展，深化了人们对信息与计算物理基础的认识，也为探索人工智能新的理论与计算范式提供了重要启发。

郭光灿院士｜量子计算发展现状——2025年全国高等物理基础课程教育学术研讨会大会报告

在这一探索性分类中，比“大模型仍然热门”更令我关注的是，评测、验证、失效诊断、物理反馈、长期推演、工具使用和系统恢复等问题反复出现。

物理信息合成数据、物理反馈分子生成、PDE长期推演、细胞世界模型和湍流生成等工作，让“物理AI”相关研究开始更加丰富。

微分方程与物理动力学不断启发神经网络架构和生成模型的发展，例如主流扩散模型的生成机制，便依托热力学方程构建成型[3]；

很多一提耐久性，就知道加减水剂、掺矿物掺合料，却说不清孔隙率、孔径分布跟渗透系数之间到底什么物理关联。

统计力学、量子力学、复杂系统理论等经典物理体系，早已为现代人工智能的诞生与发展埋下了理论伏笔，构成了智能计算的底层语言与核心逻辑。

而依托物理对称性设计模型，本质是将自然规律前置嵌入网络结构，大幅降低模型的学习成本[10]。

随着智能系统不断增强对空间、时间、因果关系、系统动力学以及环境反馈的建模能力，其发展与物理学研究真实世界规律的方法日益产生交汇。

王雷盯着那组数据，反复仔细比对后意识到，这或许不是实验误差，而可能是一个全新的物理效应，指向某个从未被定义过的维度区间。