00:00/00:00
外链地址
http://www.eemp3.com/audiofile/7be4ebdddcf3c58d52dc35f12b196ac7.mp3
点击复制
本字幕由TME AI技术生成
用声音碰撞世界
生动活泼和第一时间同步
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
两位应该说都是在八十年代就做出绝极大贡献的
但是好像跟物理关系不是很大
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
一位是赵志成博士啊
我想请大家先自我介介绍一下
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奖
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
我们从赵志成开始吧
谢谢徐老师
大家好
科技早知道的朋友们大家好
我是赵志成
高等理论物理博士
我之前的研究方向是贤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学中心
然后科毕业于北京大学元培学院
趁此这个平台做一下一个小小的广告
我最近今年四月出的一本物理科普书
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
呃
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报商的一个数据服务
所以说
你每天做的事情
跟物理并不是直接有关
或者也有关今
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UCR雷的计算机系毕业的
当时还有两个minor
一个是philosophy
另一个是cogniicscience
毕业之后
我就做了一个AI创业公司
跟朋友一块做medicalimage的一个公司
当时一六年
neuralneve刚火起来的时候
我们以这种方法呢
做疾病的检出
也获得了腾讯啊
红杉中国等投资
然后 后来呢
就觉
觉得从智能角度来投资
虽然讲是一个很mini做的任务
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
呃
我的导师现在是dimilitatehasollous
还有另一个是朱松淳
demension呢
也是我之前那个创业公司的合伙人
现在去研究的是
一方面是wordmodel
去希望能够让AI能够理解helpingworkwordwordworks
另一方面呢
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诺尔尔物理奖
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这个诺奖的项目
然后今年这个诺奖是颁给了johnpopill和jeferyhinton
当时诺奖委员会表彰的一个原因说的是他们因奠基性的发现和发明
使得使用人供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养这个具体研究的话
比如说的他在一九八二年的这篇一篇论论
可以说是它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涌现集体计算能力的物理系统
那么这个里边就提到了物理学
这篇文章其实有两个支柱
一个就是学习理论尔hoffiilhbiantheory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
呃 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hinton
hinton其实他在早期人工智能研究里边也是大量的用到了借鉴了物理学的一个方法
因为它也是延续了hopfieldnetwork的这个概念
然后他就引入了所谓波尔兹曼分布
一个热力学里边比较常用的一个概概念
然后在这个基础之上去进一步的去发展了popfieldnetwork
后来又有了restrictpoisonmachine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
但是它passpace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化的
但是它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
但是远远没有到诺奖的级别
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
所以后来我就稍微又回顾了一下过去一百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啊
像一大批跟纳子力学有关的研究啊等等
包括更早期的电动力学啊等等研研究
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的
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奖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
因为物理学的呃
这些技术和发展
使得其他领域从中受益的
也是在历史上是有出现过的
比如说我们可能比较熟悉的
呃
二零零零年关于集成电路和半导体的一个一个研究
包括更早期的像机停机体管的研究
像光纤通讯
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们的生活
整个技术的发展
包括未来像电子通信领域且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
无论是波尔兹曼热力学的分布也好
还是一些模型也好
他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啊
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
而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获奖和物理学的关系的话
可能应用物理学会是一个因素
但是我本人是非常还是非常常惊惊的
而且
我觉得我很难完全说服自己
这是一个按很难一百多年来延续下来的一个物理学诺奖的传统
好的
我们待会回回来再会跟你聊聊
AI到底会不会对物理有些什么影响
志本同学
能不能 呃
讲讲你的想法
我觉得他刚才把我想说的基本都说完了
肯定是是非常surprised的
我说服不了自个儿
然后呢
我反而更能说服自个儿他
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
他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物理学奖
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有影响力
即使是他们俩的hopfieldnetwork和bothmanmachine
它是两个非常有影响力的工作
但是是在二十年前
现在的AI的revolution跟那个是真的是没有关系
他只你只能说是在整个AI发展的trajectory里边做出的各种尝试里边的一部分
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
所以说呢
你颁给他们
因为这两个工作的话
确实是就让人觉得好像非常不懂行
呃
我的猜测就是因为他
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
我们想颁给这个领域
然后看到他们俩的工作就是有与物理学相关
就是想找一个相关的
这是一个猜测
是一个理性的猜测
对
这是我的猜
当然
我们谁都不知道他那个内部到底是怎么运作的
那其实我有两个followup问题
一个是制成你是搞物理的
我们先不说这个诺奖是不是应该
不应 不不
就像那个刚才两位都说了
这两位其实都是德高望重
他们对人类
对科学的贡献的是目目共睹的
我们就不说这个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
我也是认为哦一个诺奖出来
我看看他是不是发现一个什么例子
对吧
发现什么新东西
这之前还没有
但是可不可以认为
或者说想象
有了AI的技术
有了HIGBT
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
今天这阿阿尔法d的研研究于化学蛋白质空空结构的研研究实有一种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
对于像生物化这这种极其杂的学科
科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
人们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
我今天的这种算法
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
呃
上世纪七十年代开始
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halfilillnetwork它诞生于一九八十年代
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hopfill的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
从这个微观机制的宏观性质
当今有一个巨大的鸿沟
这个鸿沟是需要拥有新的方法
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
hofffeel它其实本人是深受philipanderson的一个固体物理学家的影响的
然后philipanderson在一九七七年获得了凝聚态固体物理
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这个诺贝尔化学奖
所以我们可以看到
从一九七十年代复杂系统的兴起
和一九八二年耗费的做出这个贡献
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
他的研究方法是非常多元的
他有那种像高能理论这种第基于第一性原理
从基本粒子
基本粒子相互作用出发
也有基于一些比较定性的现象学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
尤其是像凝聚态
它研究是大量量子的作用
而如果我们仅仅从低一原理出发的话
量子系统
两个粒子的量子系统
就也非常困难了
我们在量物理面有一个窍话吧
就是说
经典物理学最多可以研究二体
它研究不了三体
对吧
我们这就著名的三体问题
然后到量子历学
它能研究单体
它不能研究双体
因为单体它已经够复杂了
然后到量子讨论
它连真空都研研究不明白
就是它随着这个粒系统的越来越复杂
它研究的粒子数是越来越少的
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
自上而下的方法是非常重要的
所以
我可以想见
阿尔法food是一个很令人振奋的一个一个线索
未来可完全可以由AI去从那种模式匹的这种方式
能够为像凝聚态物理
甚至像比较复杂的天体物理
能够寻找一种完全性的突破口
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googledemind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现物理规律
现在或者以后呢
是不是可以用AI作为一个超超强的工具
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 对于这点
就是我
其实我
我做的一个研究的multivation
其实也就是想要能够让AI去自发的发现规律
我觉得这个AI一定会以后对物理学产生颠负影响
影响一个是其实现在已经到的就是在数值计算上的的优势
这个东西呢
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啊
像这种是十的多少次方
或者说是那个大气模拟啊
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直接拿这种数学的方法
但是像现在datadriven的方式
拿一个newleveltoapproximate
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
在包括在物理上面面
比如说说聚聚的那那个luasmamentcontrol就已经有一个很fundamental的变化了
这是第一方面
就AII以对a物理学的一个帮助
主要是在数值计算上
第二方面呢
也就是物理规律发现上
物理规律发现呢
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
第一个呢
就是physicalstate
它的已经是非常确定
就是你的参数是什么
是确定的
然后呢
希望在这个参数中找到一个很简短的一个公式
以及描述它的变化的规律
前些年就是刚deeppment出来
当时物理学界就有一个叫PINnetwork
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
就是说是拿一个应用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
就方程和它的系数作为你的预测
然后希望它越简短越好
因此也是能够发现很多的物理定律的
然后第三个种类呢
其实呢
就是我的motivation
刚才那个赵博士也提到现
对于一个复杂的系统
你其实是希望能够找到一个很简约的描述的方式的
这个时候呢
其实是你不能完完全全的第一性
因为第一性是例子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
平均差啊之类的
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
其实呢
现在呢
就是没有一个特别好的方式
也就一些一个空间上
某一块或或怎么样的某一块
你就认为是一个东西
也能取得不少的一个进展
但是呢
它毕竟不是一个很原理化的一个方式
所以说呢
如果说能够去对这个世界有一个模块化的一个了解
其实这就是这个大家我觉得对中医的一个误解
因为现在的医学却是从微观去入手的
但是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
总结出很多宏观的变量
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对于很多系统呢
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
是一个解主要解决方法
这是你们的一个想法嘛
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
为什么它能够引发整个科学
是一个科学革命的先生
很大程程度上是因为天文学外引引力
它对于这个物体的质量来说
是一个线性系统对吧
所以人们可以非常非常精确的去通过观测大质量星体的运动轨迹
来了解到引力的本质
那如果我们可以想象
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三次方
m四次方
那这个完全就不好用了
这个系统完全不好用了
所以线性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一个研究
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navystocksfunction
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
大家如果了解的一些湍流现象
只是在我们湍流现象物理湍流现象里边描述的一个无量纲数叫雷诺数
它是一个像密度
粘性等等构成的一个无量刚量
那么随着这个雷诺数的增加
一开始平稳流体会突然变成出现一些漩涡
当然和边界条件有关了
然后当你所由流动数更加增加
它的纤维会变得越来越复杂
但是你人类无法完全知道它的这个液体分子之间的微观相互中是什么样子的
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
因为它是一个高度局限性的
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它最擅长的是一种所谓的representation
就是从一种高维到低维的一种影射能力
然后这种影射它某种你可以说它某种程度上现丧失了一些信息
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维的信息能够去解释一些高维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
我们有阿伏伽德罗常数的例子
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粒子的相互作用
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
所以我们
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了
但是如果它不是一个平衡态呢
它是一个高度动态的一个流体系统呢
我们有什么样的办法去衡好的
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
这是我刚才说的第三个点
这三个点呢
其实都是前期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
然后这个时候呢
你这个时候三个视角
一个视角就是我不需要知道规律
但我就是需要让它预测准
不管是阿尔法fold呀
还是大气模拟啊
还是那个核聚变
它其实都是这么一个效果
我只要控制上最后效果好就行啊
第二个呢
就是我希望知道一些规律
那这个规律
我不需要去搞出一个新的变量
这个呢
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
但是呢
它还是最后的这个方程
还是在这五六个变量上
它不需要去做一个转变
然后呢
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这一个
呃
去概括整个变量
这个事情是非常非常非常非常困难
没有一个什么很principle的方式
所以说呢
这个是AI以后也许就反而可以有一些principle的方式让他去自动寻找出来
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
是非常震惊啊
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
我们都是在猜测
我是比较倾向于认同这和你刚才的一个猜测
他们先是认为
唉
我是想做一颁给那个AI方面的人
然后再去想
唉
我给什么样AI方面的人
到底是不是是要德高望重
足够要
要有分量
对吧
那绝对是有足够分量
但可惜是他们的hindarticulation
就是他们论证为什么要得这一点
没有让大家有足够的幸福
但是从一个大局来讲
还是很不错的
说起这个
我自己对hinton
不说它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争论啊
或者怎么样
但我觉得
hinton在过去几十年
尤其是八十年代
七十年代
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
就让我能能够觉得得诺贝尔奖是可以的啊
虽然该说是应该是诺贝尔么奖
我们们可以再去再去争论一番
其实他得图灵奖就很合适啊
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
觉得他没有说从一种技术或功利的角度来说
哦
我要设计一个特别特别厉害的算法
然后他能够很好的模拟什么什么
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厉服的一点
就是他能
哦
就是刚才说的
不忘初心
然后呢
kinton呢
还是就是希望能够
呃
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的一个网络
就原来他backpropagation其实是就是他对AI界的最大的贡献
他找到可以用这种方式来学到很好的
呃
深层次的representation
这也是这次物理学奖没有提到这个
就大脑其实没有backpropagation
所以说呢
他又进而就想
我要去研研究非backpropagation的那个
所以说 这
这让人觉得挺佩敬佩的
回到我们前面提到的hinton
他现在又回去研究模型对吧
就是我们今天的模型里面
刚才说到的backpropagation
就是一个反向传播
其实是一个训练模型的一种方法
就用输出来不断的去调整参数
这是一种方法
但人脑其实是没有这种反向传播
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也非常好
对
从上周开始
我一直有一个好奇
就是如果我们
比如说今天
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GPTN
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
认知行为啊等等
推理行为等等
这个时候我去研究GPTN的内部的结构
他内部的一些比较深层次的结构
和我人研究人的推理行为
这两两者到底有什么关系
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这个万有引力公式
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
他在向水星进洞
这个问题已经无法很好的去预测了
这个数据
而那个是我们知道是有管于相对论来描述
但是如果没有爱因斯坦
知道吗
而与此同时
二十世纪初
有一个特别特别厉害的一个大模型
它可以去用这个transformer非常非常精确的预测一切有广义相对的预测的预言
某种程度上
它是和广义相对论是高度同构的
在非常非常的高度精度下
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
也就是广义相对
我们今天广义相对论描述的引力
我在想
今天大模型transformerers模型和人类认知的关系
是不是某种程度可以类比喻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大模型和这个广义相对论的关系
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嘛
你AI一定是能够帮助发现物理定律的
但是呢
就是我不觉得真是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那个数学公式上进行一个回归
因为如果看内部的话
现在AInetwork一个
呃 核心
它不做的不好的就是OOD
就是outofdistribution的一个generalization
它可以很好的做内查
它不能做很好的外插
物理定律
其实就是要你能做很好的外插
它很容易去overfit你现在所见到data
所以说
如果说你的目标只是为了你prediction本身
youdontcare背后的规律
那是OK的
如果说你care背背后的规律
那规律一定是比较简化的
你还是需要希望就是能够去就续以例一种方式就会大模型
内部部 脑 脑
这这一一个系系
就现在很多研究大脑的
以及研究语言啊什么之类的
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
我想稍微回忆一下刚才说的这个内差和外差的一个关系
物理学
我们知道这个牛顿物理学
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对吧
它无法去解决高速和微差的世界
同样的
我们今天去用量子力去研究
它其实是有一个所谓的能量上限
也就是比如说
我们可以理解成一个分辨率上限
就是我们这个量子力学
它在普朗克尺度是失效的嘛
在我看来
一切物理理论
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
一个好的物理理论
他并不承担着必然可以外插的一个责任
当然
这是两个问题了
我非常同意这个它的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一个天然的勾芡
我觉得这个是可以去探讨的一个问题
嗯
我其实比较推荐大家能够去看一看coffeye的这篇一八年的论文
我是仔细读那篇论文
还是挺有收获的
虽然他是四十年前的一篇论文
跨学科
其实的本人是一个非常跨学科的一个研究学者嘛
然后他博士是研究的是物理学
是这个做凝聚态的
后来兴趣转向了生物物理
后来之所以有这个研究
其实我因为我最近看二零一八年写了一篇自传性的一篇文章
会回忆他的科研生涯
叫copitnowwhat
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研究
就是因为他在普林斯顿教学的时候
被一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
免疫学啊
这些有点跨学科的一些研究者
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
来看看有那么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尔的
因为他们说这个小组里缺少一个有物理背景的人
然后请的去的去
去了几次之后
就被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
然后的他也是在这篇文章里写到
他是同时在那个时候
他对这个匡威的声明游戏印象非常深刻
就是怎么样从一个基础的机制能够涌现出非常复杂的hofihofihofhofitpattern和行为
所以 我觉得 呃
这篇文章给我的一个启发就是
这篇文章我读起来是一种非常酣畅淋漓一种感觉
就是它的一种视角之广阔
它不限于某一种特定的学科领域
这种视角之广阔
然后方法用使用之之灵活
它对一些模型的这个理解
完全相当于用怎么样以这种词相互作用
原原子之间的
呃
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的这样一种
这种联想能力
这样的类比能力
我觉得是非常令我佩服的
即使到今天
对吧
需老师说这种跨学科的这种视角和才那是非常重要的
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
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traditional物理
所以
所以从这个角度上来说
我倒时确实是物理
就
就如果说把这个物理的物
物是中 中中
物理
什么东西的理
对吧 有生理
就是生物的理啊
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
就是所有的的自然学
学是物体嘛
对吧
都是物质嘛
对吧
生命也物质嘛
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有已经开始往这边方向走了
而且如果说确实如果说有传递性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的反而就有一些方面还真的是受物理学影响
虽然讲那个这次物理学奖没有被acknowledge这些
但是现在真的有巨大更大影响的
比如说diffusionmodel
它跟物理学的connection是更近一点的
它是那个偏偏微微分方程
然后最开始是随机运动
你比如说布朗运动
是跟那个当时爱因斯坦搞出来的那个方程
其实就是用那个方程
还有那个另一个就是energybasemodel
它跟bothmman模型倒是有点点同源感觉
就是他是把一个moprobabilitydistribution去理解为一个energylandscape之后
你就可以通过longgeondynamics来去材料来去生成一些data
之前最开始
比如说我的导师朱松纯
他当年的那个framemodel
其实就是energybasemodel的前身啊
现在后来又叫energymodel就是跟来自一些以物理学的视角来去建模很多事情
是一个绝对是非常非常有帮助的啊
以及现在在AI的驾持下
其实你可以抽象的去以一个很抽象的视角来去建模一些物理现象
然后呢
你就可以原来可能没法计算
但是你就现在可以用AI
用神经网络来去模拟
对吧
用datadriven方式来去
只不过是你抽象的建模
这么建模
然后一些去决定你的inputoutput
以及lossfunction之类的
然后也就可以去做很多事情
以及现在在
呃 文科上
可以通过更generalize的agent
他去做做模拟
像以前他那个他讲到的元包自动机啊
或生命游戏啊
他的每一个
其实entity
当lowleve的entity模拟是非常简单的
就是一个一f二思入
然后
但现在呢
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
呃
需要会做的
现在也有不少
呃
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不出来的
然后
但是这种引接了物理科建思思维
会 会整个对
对全领所有有的学
包括现以前不能做在对于文科
但现在对于文科
也一定会带来一个颠覆性影响
就是 所以说
接下来的未来的接下来一二十年
就是学科
所有的学科都会发生天才
这个建模
alphone
就是回到我们前面说的lphonebefore
其实就是一个对蛋白质结构的一个建模
对 是的
因为物理学
它在所有当代科学领域
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一个表述
同时它也是一个非常非常强有的一个工具库
像刚才说到一星模型啊
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
里群里代数
甚至像刚才曾恒也提到了中整化群
这些都是从早期量子长论的研究里边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非常强有力的一个工具库
它可以为很多其他的领域提供这种方法上的借鉴
对
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newnetwork其实跟物理学早期很像
就是早期在物理学
就是在牛顿定律出现之前
他们研究天文是用通过ITcycles
就是圆圈套圆圈
然后对圆圈来进取天子
它等能均能
对但本轮均能
圆圈其实就是布利叶变化
那么杨基也就相当于数据驱动
然后去找到一个参数
能够模拟这个数据
只不过是当时是富利叶网络
相当于我们现在的是更接段的lize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
只不过是在计算驱动起来
就蒂古布拉克
就是哥白尼时代的数据科学家
他收集了大量的数据
后来开发了其他的这个发现
ECS找出了三个定律
嗯 对
只不过当年都是人手动去搜查
渐渐的对机器搜搜
对对对
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
然后一个建模时代
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
现在我们这世世界缺少几个天才
又要开始用用建模的方式
当然了
这个模型要比几百年前的模型要先进的多
快的多
来解决支撑
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
适和你提到的这个
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
对吧
它不是一个具体能够用科学
就传统科学去解释
但是是也是一
这个有数据
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latentvariable
像牛顿定律
它就是发现了一个隐变量
就以前的话
就只有位置嘛
牛顿就是以那个速度和
呃
质量作为隐变量来去解释
还有一个力
以前的话
这个力是没有定义的
就是他通过创造了隐变量
这个力的变量
然后呢
就整个带来了一个很大的革命
就大以前的这个隐变量
都是手动发现天才的直觉手动发现
包括中医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
要五十年以后才会公开
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
嗯
物理上 物 物理
不 不太可能
生物学奖 没 生
生物学 对
生物学奖
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
去找到这里边的一些宏观变量和微观的这些现象的一个联系
就能够有模型来去找到这么一个联系
把这个建立之后呢
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
那你说这个话
别人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
其实中医靠悟性
不是因为它不科学
就是因为它科学走的太烧前了
又没有存大量的数据
包括现在也很困难
其实现在大数据时代
也还是很困难
什么时候能够让中医也能够变成一个个整个资源啊
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
生物学都会带来一个革命
结束之前
我让大家讲一讲
就是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的学科
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
其实这个因为为是怎学a的的嘛
所说这个个问题早就在想了
就是一直都在想
所以说
人工智能时代呢
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
往往在通过充当这个工具的过程中来去得到一个展现啊
当然也很重要啊
就是我其实一直以后我也觉得
你还是要就是人
要有一些客观的用
这个就不展开了
但我相信你们都是肯定很理解的
呃 但是呢
就是问题就是
当很多的工作都会被自动化的时候
就是不是说一定需要你
也不是说你一定要到工作你才能活下去
这个时候人呢
就是会容易找有一种意义缺失
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
还是从科研上
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
他们的人格一般情况会感觉更健全一点
也有那些就是不知道要干嘛了
就踢一脚
走一步
所以说呢
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啊之类的
就是能够让你去能够去直接更触摸到你自身的主体性
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的灵魂呢
它还是一个实践性
实操性的东西
这是一方面就是心灵上
另一方后面呢
培养自身的工具性能力上
工具性能力
就是我觉得智能的意思
为什么人工智能能够成为这么有用的
这么强大的工具
就是工具
我觉得智能本身就是一个工具
嗯
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
那我们智能的话
就要不断的往更深层次走
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一个事情
但是呢
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
也就是所谓的就是跟这建模能力就很相关了
就如果说大家都能有像hop的那样广泛的如此开放的一个建模能力
包括一些类似的还有费曼啊什么之类的人
你一定做什么都行
能够看到事物的本质
那你所有的工具的对你来说都是如虎添翼
你越工具越强
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啊
这句话说的很好
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啊
上一期我做的那个科早的节目
也采访了教授
他提到的就是要知其然
也要知其所以然
这是我们在AI时代所要修炼的啊
这跟这和你说的非常像
那你提到的另外一点
就是要有主体性对吧
就是一个灵魂这一面
虽然说有一点点的abstract有点悬
但是我觉得其实是这是回到人性的本质
但我刚才说这个强大
就是稍微clarify
就是甚至维度比他高
而不是说就是某一个具具体能力
所以为了博客能讲的更清楚一点
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
但是呢
你一定要是你的维度占的比他高
就是他才能为你所用
要不然你就为他所用
有点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
也一定会被专材所替代
代以说
大家都需要成为一个专才
然
然后你的认
认知能力很强
强
这提到人的自主性
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
即使是物理学上
就是我知道牛顿的物理学
经典力学
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
因为你知道力的相互作用
知到那个初始状态之后
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
那么
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
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
一种伪命题
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
我之前搁NYU的那个哲学系教授斯
他又提出了所谓的简单问题和难问题的一个区别嘛
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
charmconsciousness
也就是像笛卡尔说我思故我在
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
一个是所谓的心灵实体
在这个意义之上
我怎样去够获得一个自我的主体性
我觉得这个是确实是非常重要的
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 呃
刚才我们提到一性原理
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 我无法
依然无法
claim说
我对物理学是有一个完整的认知的
他当时是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方式
就可以完全理解这个世界的
他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的
所以我觉得这个是我们需要
如果大家是物理学的学习者
或者对物学感兴趣的朋友
我觉得任何学科都是这样
是可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
嗯 好的 好的
没想到一个诺贝尔奖是不是公允与否
当然也开也是开玩笑了
诺贝尔奖也我们也是只
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
不管物理啊
中医啊
我们的一些看法
我觉得两位都是其实提了很多蛮
蛮有意思的一个洞见
然后我前面也提到
说起那个马斯克
今天把那个信件回收
我看到那个推特上面有一个英国的一个物理学家daviddewitch
他就说
他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啊
怎么都是过去
什么大概一百年前发明的
或者几十年发明的
没有什么新的进展
终于有些那个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有与否
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
我们应该这怎么去考虑自主我们灵魂上意味着什么
从一个daytoday
就是工作上面
我们需要制衡的话
就是用更高纬度的能力去比过AI
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
而是要我前面也提到的
通过上次采访的这个加州理工的上教所说到的
啊
要需要机器人
也要机器
所以呢
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 好
谢谢我们的科长听众们
好 下次再见
拜拜 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
二零二四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粽第三季
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
详情可以查看单机简介
好的
那我们就下期再见哦