快速摘要：2026年3月，美国物理学会（APS）全球物理学峰会在丹佛召开，哈佛理论物理学家Matthew Schwartz公开预测——大语言模型（LLM）的智力水平正以每年10倍的速度指数级增长，将在五年内超越人类智能。他同时提出一个极具冲击力的观点：借助AI增强，人类一个世纪可以"诞生"10000个爱因斯坦级别的科研人才。 几乎同一时间，OpenAI首席科学家Jakub Pachocki在接受MIT Technology Review独家专访时，披露了代号为"北极星"的战略蓝图：2026年9月前造出"AI科研实习生"，2028年前打造全自动多智能体科研系统。本文（莫潇羽@无忆研习社）将从原理、背景、技术路线到实操层面，为你拆解这场正在发生的科研范式革命。往下看有更详细的分析。
一、事件背景：当全球物理学家齐聚丹佛，讨论的却是"AI会不会抢我的饭碗"
2026年3月16日至20日，美国物理学会（American Physical Society，简称APS）在科罗拉多州丹佛市举办了有史以来规模最大的物理学盛会——APS全球物理学峰会（Global Physics Summit 2026）。这场大会汇集了来自全球各物理学分支的超过14000名科研人员，主题是"Science for a Shared Future（科学服务共同未来）"。会场横跨科罗拉多会议中心和凯悦丹佛酒店两大场馆，议程涵盖量子信息、凝聚态物理、粒子物理、天体物理等几乎所有物理学前沿领域。
然而，在众多高深的学术报告中，一场题为"驾驭AI革命：让你的科研生涯不被时代淘汰"（Navigating the AI Revolution: Future-Proofing Your Science Career）的研讨会，意外地成为了整个峰会最"出圈"的焦点。这场研讨会吸引了大量年轻物理学家涌入，全场座无虚席。与会者本想获得一些实用的职业发展建议，但最终得到的，却是一场关于"AI是否将终结人类在科学领域的主导地位"的深层哲学碰撞。
这场碰撞之所以引发广泛关注，离不开两个关键人物的针锋相对：一位是来自哈佛大学的理论物理学家Matthew Schwartz，另一位是来自谷歌DeepMind的工程师Matthew Ginsberg。两人在长达三个小时的讨论中，围绕AI能否超越人类物理学家展开了激烈交锋。
几乎在同一时间窗口，Andrej Karpathy（前OpenAI联合创始人、前特斯拉AI负责人）开源的"autoresearch"项目也在技术圈掀起了风暴——一个AI智能体在单块GPU上，一夜之间自主跑完了700次实验，发现了20项训练优化方案。这两条线索交织在一起，共同勾勒出一幅令人既兴奋又不安的图景：AI正在从"辅助工具"向"自主科研主体"快速进化。
莫潇羽@无忆研习社认为，理解这些事件的深层含义，对于每一个从事技术工作或关注科技前沿的人来说都至关重要。接下来，我们逐一拆解每个核心论点背后的原理和逻辑。
二、哈佛教授Matthew Schwartz：为什么他说"人类智能已经到头了"
2.1 这个人是谁？为什么他的话值得重视
Matthew D. Schwartz 是哈佛大学物理系教授，同时也是美国国家科学基金会（NSF）资助的"人工智能与基本相互作用研究所"（IAIFI，发音为 /aɪ-faɪ/）的核心领导者之一。IAIFI 是由MIT、哈佛、东北大学和塔夫茨大学联合组建的跨学科研究机构，专注于将AI技术应用于物理学最前沿的问题——从粒子物理到引力波探测，从暗物质搜寻到宇宙学大尺度结构分析。
Schwartz本人的学术履历相当硬核。他的教科书《量子场论与标准模型》（Quantum Field Theory and the Standard Model）是全球物理学研究生课程的标准教材之一，被广泛使用。在Google Scholar上，他的论文被引用超过16000次。他的研究小组在将深度学习应用于对撞机物理学方面做出了开创性贡献，近年来还开发了用于高能理论中更基础性问题的符号回归技术。
换句话说，Schwartz并非一个"蹭AI热点"的局外人。他本身就站在物理学与AI交叉领域的最前沿，这使得他在APS峰会上的发言格外有分量。
2.2 核心论点一：LLM的智力正在指数级增长，而人类没有
Schwartz在演讲中采用了一个简洁但颇具争议的类比：他将模型参数量作为衡量"智力"的近似指标。按照这个框架，他向在场观众展示了一个令人心跳加速的趋势——
大语言模型的规模正以每年大约10倍的速度增长。从GPT-2的15亿参数，到GPT-3的1750亿参数，再到如今万亿参数级别的模型，这条增长曲线几乎是一条标准的指数函数。
而人类呢？Schwartz刻意停顿了一下，等着全场安静下来，然后说出了下半句：
"而我们……并没有变得更聪明。"
这句话引发了现场一阵带有苦涩意味的笑声。从生物进化的角度来看，人类大脑的容量和认知能力在过去几万年间基本没有发生显著变化。我们的神经元数量大约是860亿个，突触连接约100万亿个——这些数字已经在进化的时间尺度上趋于稳定。人类的大脑受到头骨容积的物理限制、能量消耗的生物学限制（大脑只占体重的约2%，却消耗全身约20%的能量）、以及信号传导速度的电化学限制（神经信号传导速度约为每秒100米，远低于电子在芯片中的传播速度）。这些硬性约束意味着，人类大脑的"算力"在可预见的未来不会有质的飞跃。
Schwartz用这个对比想说明的是一个更深层的结论：生物智能与人工智能的进化时间尺度完全不同。 人类大脑是数百万年自然选择的产物，而AI的"进化"以年甚至月为单位计算。当两条曲线——一条平坦、一条指数上升——被画在同一张图上时，交叉点的到来只是时间问题。
当然，站长莫潇羽（无忆研习社 www.wuyi.wiki）需要指出的是，"参数量等于智力"这个类比过于简化了。参数量更像是模型的"容量上限"，实际的智能表现还取决于训练数据质量、算法架构、推理策略等多重因素。但Schwartz的核心论点——AI的认知能力提升速度远超人类生物进化速度——这一点几乎没有争议。
2.3 核心论点二：人类不是智能的终点
Schwartz在演讲中提出了一个更具哲学深度的主张："我们不是智能的终点。我们只是地球上迄今为止进化出的最聪明的东西。"
这句话的含义是什么？他举了几个具体的例子来说明人类认知的局限性：
- 高维空间可视化：人类的大脑是为在三维空间中生存而进化的，我们最多能直觉性地理解三维几何。但物理学的很多前沿问题——比如弦论中的额外维度——需要在10维甚至11维空间中进行思考。对于人类来说，这种高维直觉几乎不可能自然获得。而AI可以在数学上直接处理任意维度的数据，不受三维直觉的限制。
- 信息存储容量：人类的工作记忆极其有限——心理学研究表明，我们一次大约只能同时处理7±2个信息块。这意味着我们在面对极度复杂的方程组或高度互联的系统时，不得不借助纸笔、计算机或各种外部工具来弥补。而AI模型的上下文窗口正在不断扩大，目前已经可以一次性处理数十万甚至上百万个token。
- 复杂方程的处理能力：理论物理学中的许多计算——比如量子色动力学（QCD）中的多圈费曼图计算——涉及极其繁琐的代数运算。一个四圈散射振幅的计算可能需要一个团队工作数月乃至数年。AI在符号计算和数值模拟方面的能力正在快速提升。
Schwartz进一步用了一个生动的比喻来强化这个观点："就像猫永远学不会下国际象棋一样，人类的大脑或许根本无法理解'万物理论'这种终极问题。" 这个比喻的逻辑是：猫的认知架构决定了它无法理解棋盘上的战略博弈，而人类的认知架构同样可能存在某些无法逾越的"天花板"。那些我们无法理解的物理真相，或许需要一种全新的、超越人脑生理极限的智能形式来揭示。
Schwartz早在2022年就在Nature Reviews Physics上发表过一篇题为"AI是否应该对人类可解释？"（Should Artificial Intelligence Be Interpretable to Humans?）的评论文章。在那篇文章中，他就预见性地指出，随着AI理解世界的方式越来越不同于人类，"将AI的理解翻译成人类语言"这个假设将变得越来越不可持续。他甚至建议，也许人类应该反过来学习"AI的语言"，即那些不自然地出现在我们感知中的概念。
2.4 核心论点三："万名爱因斯坦"假说
Schwartz最引人注目的预测来自一个关于人才分布的思想实验。
假设物理学家的天赋水平服从正态分布（也就是常说的钟形曲线），那么像爱因斯坦这样处于天赋分布最右端的极端天才，在任何一个世纪中出现的概率是极低的。过去一百年里，我们大约只"产出"了一个爱因斯坦级别的物理学家（这个说法本身有简化成分，但用于说明问题）。
Schwartz的论点是：如果我们利用AI来增强每一个物理学家的认知能力，相当于把整条正态分布曲线在天赋轴上向右平移。 原本只有极少数人能达到的认知高度，借助AI工具后将变得更容易触及。
正态分布平移示意（概念性）：
原始分布
┌──────┐
/ \
/ \
─────/────────────\─────→ 天赋轴
普通 爱因斯坦
物理学家 (极少)
AI增强后分布
┌──────┐
/ \
/ \
─────────────/────────────\─────→ 天赋轴
普通 爱因斯坦级
物理学家 (大幅增多)按照这个模型推算，他给出了那个广为流传的数字："如果利用AI来增强人类，一个世纪里可以产出10000个爱因斯坦，而不是只有一个。"
这个数字当然不该被字面化理解。它更像是一种修辞手段，用来表达一个核心观点：AI不仅能加速计算，更能从根本上扩展人类的认知边界，让更多的人有能力触碰到原本只有极少数天才才能触碰的科学前沿。
三、DeepMind工程师的"冷水"：提出好问题才是人类的底牌
3.1 Ginsberg的反击
面对Schwartz的激进预测，谷歌DeepMind工程师Matthew Ginsberg给出了完全不同的判断。令人意外的是，身处AI产业最前沿的他，反而是这场辩论中最"保守"的声音。
Ginsberg的核心论点可以归纳为一句话："提出问题是一名优秀物理学家的本质，至少到目前为止，这百分之百是属于我们的领域。"
他强调了人类创造力在科学研究中不可替代的作用。在他看来，LLM的本质机制决定了它更擅长生成"共识性"的答案——因为语言模型是在海量人类文本上训练的，它学会了预测"最可能的下一个词"。而真正推动科学进步的，恰恰是那些"非共识"的、违反直觉的突破性洞察。
莫潇羽@无忆研习社想进一步展开这个论点。从技术原理上来说，当前的大语言模型（包括GPT系列、Claude系列等）本质上是在做"条件概率分布的最大似然估计"。它们擅长从已有知识中进行推理和组合，但在生成真正"前所未有"的想法方面，仍然受到训练数据分布的制约。爱因斯坦在1905年提出狭义相对论、在1915年提出广义相对论，这些理论在当时是完全超出既有范式的"创造"。LLM能否做出类似的范式突破，目前仍是一个悬而未决的问题。
3.2 一个令人不安的共识
尽管Schwartz和Ginsberg在"AI能否超越人类物理学家"这个问题上针锋相对，但在研讨会的结尾部分，四位专家（还包括来自太平洋西北国家实验室的Malachi Schram和国家洛基山脉实验室的Hilary Egan）达成了一个出人意料的共识：
当前，人类在科学研究中的独特价值主要体现在三个方面——品味（taste）、创造力（creativity）和提出好问题的能力（asking good questions）。
"品味"这个词在科学语境中指的是一种难以量化的直觉——知道哪些问题值得研究、哪些方向可能富有成果、哪些方法路线更优雅。这种直觉来自多年的学术积累、对领域的深度理解，以及某种难以言传的审美判断。
然而，令人不安的是，Schwartz和Ginsberg——这两位在AI是否能超越人类这个问题上完全对立的学者——独立地预测了同一件事：AI可能在未来十年内学会"提问"。
如果这个预测成真，那么人类在科学领域的最后一块专属领地也将面临挑战。这不是"AI取代人类"的简单叙事，而是一个更复杂的问题：当AI能够自主提出好的科学问题、设计实验、分析数据、迭代假设时，人类科学家的角色将如何重新定义？
四、Karpathy的autoresearch：AI自主科研已经在发生
在学术界还在讨论"AI能不能做科研"的时候，Andrej Karpathy已经用代码给出了一个实打实的答案。
4.1 autoresearch是什么
2026年3月7日，Karpathy在GitHub上开源了一个名为"autoresearch"的项目。这个项目的理念极其简洁：给一个AI智能体一套真实的LLM训练代码（约630行Python），让它在单块GPU上自主进行实验。每次实验限时5分钟，AI会自行修改训练代码、调整超参数、甚至尝试新的网络架构变体，然后检查结果是否有所改进。如果改进了就保留修改，如果退步了就回滚，然后继续下一轮实验。
整个过程中，人类唯一需要做的事情就是写一个Markdown格式的说明文件（program.md），用自然语言描述实验目标和约束条件。之后AI就会自主运行，不需要任何人工干预。
4.2 实际效果
在Karpathy自己的测试中，这个系统在两天内自主运行了大约700次实验，发现了20项对训练过程有正面效果的优化方案。这些优化包括对学习率调度策略的调整、对注意力机制中QK归一化和旋转位置编码（RoPE）顺序的重新排列等——其中一些是连人类研究者也没有想到过的新颖调整。
Shopify的联合创始人兼CEO Tobias Lütke后来也尝试了这套系统，他将autoresearch指向了公司内部一个约8亿参数的AI模型。经过一个晚上37次实验后，模型性能提升了19%。
4.3 autoresearch的工作原理简析
对于技术读者，莫潇羽在这里给出更详细的技术拆解。autoresearch的核心循环可以用以下伪代码来概括：
# autoresearch 核心循环（概念简化版）
while True:
# 1. AI Agent 读取当前训练代码和历史实验记录
current_code = read_file("train.py")
experiment_log = read_file("experiments.log")
# 2. Agent 基于 program.md 中的目标，提出一个新的修改方案
proposed_change = agent.propose_modification(
code=current_code,
history=experiment_log,
strategy=read_file("program.md")
)
# 3. 应用修改
modified_code = apply_change(current_code, proposed_change)
# 4. 限时5分钟运行训练
result = run_training(modified_code, time_limit=300) # 300秒
# 5. 评估结果
if result.validation_loss < best_loss:
# 改进了，保留修改
commit_change(modified_code)
best_loss = result.validation_loss
log_success(proposed_change, result)
else:
# 没改进，回滚
revert_change()
log_failure(proposed_change, result)这里的关键设计决策有几个：
- 固定时间预算（5分钟）：无论Agent怎么改代码（改模型大小、batch size、架构等），每次实验都只跑5分钟。这让不同实验之间有了统一的可比基准——在同样的时间约束下，哪种配置能把验证集损失（validation loss）降得最低，那就是更好的方案。
- 自包含设计：除了PyTorch和少数基础包外没有外部依赖。不需要分布式训练，不需要复杂的配置文件。一块GPU、一个文件、一个指标——极简的实验环境意味着AI Agent更容易理解和操控整个系统。
- 单向度指标：最终评判标准只有一个——验证集损失。这个设计简化了AI的决策空间，让它可以专注于"怎样把这个数字降到最低"这一个目标。
4.4 从autoresearch到"vibe physics"
Karpathy在2025年创造了"vibe coding"（氛围编程）这个术语，描述的是人类用自然语言描述意图、让AI写代码的工作方式。到了2026年初，他自己说vibe coding已经"过时了"，新的术语是"agentic engineering"（智能体工程）——你99%的时间不是在亲自写代码，而是在编排和监督写代码的AI智能体。
autoresearch则是这个趋势的进一步延伸：人类甚至不需要编排智能体的具体行动，只需要用Markdown文件定义目标和规则，然后AI自己去摸索实现路径。
在APS峰会上讨论的"vibe physics"（氛围物理学）概念，本质上就是将这个范式推广到基础科学研究领域。如果AI可以自主优化机器学习训练过程，那么它能不能自主设计物理实验、提出物理假设、推导物理定理？这正是与会物理学家们焦虑的核心问题。
五、OpenAI的"北极星"计划：从AI实习生到全自动科研实验室
5.1 战略蓝图全解析
就在APS峰会期间，MIT Technology Review发布了一篇对OpenAI首席科学家Jakub Pachocki的独家专访。这篇报道揭示了OpenAI当前最核心的战略方向——代号"北极星"（North Star）的全自动AI研究员计划。
Pachocki在采访中表示，OpenAI正在将多条研究线索——包括推理模型（reasoning models）、智能体架构（agent architecture）、可解释性（interpretability）——整合到一个统一的目标之下：构建一个能够独立攻克复杂科学难题的全自动AI科研系统。
这个计划有明确的里程碑时间表：
第一阶段：自主AI科研实习生（目标：2026年9月）
这个阶段的目标是构建一个能够接管"需要人类花费数天完成的特定科研任务"的AI系统。Pachocki用了"autonomous research intern"（自主科研实习生）这个比喻——它不是万能的，但在被分配到一个定义清晰的问题后，能够自主地设计实验方案、编写代码、运行训练、分析结果，并在几天的时间跨度内交付可用的研究成果。
从技术角度看，这需要AI在以下几个能力维度上达到一定水平：长时间保持任务一致性（不会"忘记"自己在做什么）、多步骤规划能力（能够将大任务分解为子任务）、错误恢复能力（遇到死胡同能自行回溯和调整策略）、以及代码生成与执行能力。
第二阶段：多智能体科研实验室（目标：2028年）
这个阶段的愿景远比第一阶段宏大。Pachocki描述了一个"数据中心内的完整研究实验室"——多个专门化的AI Agent通过分工协作，完成从理论构想到实验验证的全流程科研闭环。不同的Agent可能分别负责文献检索、假设生成、实验设计、数据分析、论文撰写等环节，并在并行运行的过程中相互协调。
Pachocki提到，对于重大科学突破，OpenAI认为"值得将整个数据中心的算力投入到单一问题上"。这意味着未来的一次科学攻关，可能动用相当于一个小城市发电量的计算资源。OpenAI已经承诺了约1.4万亿美元的基础设施投资，涵盖约30吉瓦的算力建设。
终极愿景：通用科学智能
长期目标是打造一个能够跨学科工作的AI研究员——不仅限于物理学，还包括数学、生物学、化学、经济学等各个领域。Pachocki明确表示，"这不仅限于科研。最终，这些数据中心可能会接管像OpenAI、谷歌这类整个公司的工作。过去需要庞大人类组织才能完成的任务，以后几个人就能搞定。"
5.2 技术基础：为什么OpenAI认为现在时机成熟
Pachocki在采访中解释了为什么OpenAI认为这个目标在当前技术条件下是可行的。核心依据有三个：
推理模型的成熟
自2024年以来，"推理模型"（即经过专门训练、能够逐步思考问题的LLM变体）取得了显著进展。这类模型不再仅仅是"预测下一个词"，而是能够在遇到困难时进行回溯和自我修正。这种能力对于科研任务至关重要，因为科学研究本质上就是一个不断试错、反思和调整的过程。
长上下文处理能力
通过在数学竞赛题、编程竞赛题等需要长链推理的复杂问题上进行训练，当前的模型已经具备了处理大量上下文信息并将复杂任务分解为子任务的能力。Pachocki提到，OpenAI的内部模型在某些数学竞赛中的表现已经达到了人类精英水平。
智能体架构的实用化
OpenAI在2026年1月发布的Codex（一个能够实时生成和执行代码的智能体应用）被视为AI研究员的早期原型。据Pachocki透露，OpenAI绝大多数技术人员现在都在日常工作中使用Codex。他说，"我们的工作方式跟一年前已经完全不同了。没有人再整天手动编辑代码。取而代之的是，你管理一群Codex智能体。"
5.3 Pachocki的个人转变：一个完美主义者的"投降"
采访中有一个特别有趣的细节。Pachocki本人曾经是一个极度坚持手写代码的"代码洁癖患者"。就在一年前，他还是Vim编辑器的死忠用户，坚持逐字逐句地敲代码，拒绝任何形式的自动补全工具。他在采访中承认自己"对代码有严重的洁癖"。
然而，最新模型的能力进化让这位完美主义者折服了。他发现，过去需要他花一整个星期编写的实验代码，AI现在只需要一个周末就能完成——而且质量完全可以接受。"效率简直无可挑剔"，他感叹道。
但即便如此，Pachocki仍然保持着清醒的判断：在核心架构设计这类需要深度思考和全局把控的工作上，他"不会放权让AI主导全局"。AI在执行层面已经非常强大，但在战略层面，人类的判断力仍然不可或缺——至少目前是这样。
5.4 安全考量：思维链监控
全自动AI科研系统引发的安全问题是显而易见的。如果一个AI系统足够聪明，能够独立运行复杂的研究项目，那么如果它"做了什么坏事"怎么办？
Pachocki在采访中坦承了这个风险。OpenAI目前的主要安全策略是"思维链监控"（Chain-of-Thought Monitoring）——训练模型在推理过程中将自己的"思考过程"以类似内部草稿纸的形式记录下来，然后人类可以审查这些记录来判断模型是否在按预期行事。
思维链监控示意：
用户指令 → AI开始工作
↓
┌─────────────────────────┐
│ AI的内部思维过程（可监控）│
│ │
│ 步骤1: 分析问题... │
│ 步骤2: 考虑方案A和B... │
│ 步骤3: 选择方案A因为... │
│ 步骤4: 执行并验证... │
└─────────────────────────┘
↓
人类审查员检查思维链
↓
确认安全 → 允许继续执行
发现异常 → 暂停并干预Pachocki将这种机制称为"安全自主运行的关键"："一旦我们进入系统在大型数据中心内长期自主运行的阶段，这将是我们真正依赖的核心保障。"
不过，AI安全领域的研究者们指出，思维链监控虽然是一个有前景的方向，但远非一个完整的解决方案。LLM的内部运作机制目前还没有被充分理解，一个既强大又不透明的模型所带来的风险，不是单一技术手段能够化解的。
六、AI+物理学：正在发生的具体应用
为了让讨论不停留在概念层面，莫潇羽@无忆研习社在这里梳理一些AI已经在物理学研究中发挥实际作用的典型案例，帮助读者建立更直观的认知。
6.1 粒子物理：喷注分类与对撞机数据分析
在大型强子对撞机（LHC）等粒子物理实验中，每次质子-质子碰撞都会产生大量粒子"喷注"（jets）。区分不同类型的喷注（比如夸克喷注和胶子喷注）对于寻找新物理信号至关重要。Schwartz的研究小组在2017年就发表了开创性论文，展示了如何使用深度学习来进行夸克/胶子喷注分类——这在当时是AI应用于对撞机物理的早期里程碑之一。
如今，几乎所有主要的粒子物理实验都在使用机器学习技术来辅助数据分析。从触发系统（决定哪些碰撞事件值得记录）到最终的物理量提取，AI已经渗透到了实验的每一个环节。
6.2 引力波探测
LIGO和Virgo等引力波探测器需要从极其微弱的信号中筛选出真实的引力波事件。传统方法依赖于与理论模板的匹配，但这种方法对于某些类型的引力波信号（比如核坍缩超新星产生的非模板化信号）效果有限。深度学习方法已经被证明能够有效提升引力波信号的探测灵敏度，并在某些场景下发现传统方法遗漏的事件。
6.3 宇宙学：暗物质搜寻与大尺度结构
在宇宙学领域，AI被广泛用于分析来自大型巡天项目的海量数据。比如，强引力透镜效应的分析（用于研究暗物质分布）传统上需要专家逐一检查图像，而机器学习方法已经能够自动化这一过程，将处理速度提升了几个数量级。IAIFI的研究团队在这个方向上有大量活跃的项目。
6.4 符号回归：让AI"发现"物理定律
也许最令人兴奋的方向之一是符号回归（symbolic regression）。这种技术不是用AI来做数值计算，而是让AI从数据中自动推导出解析形式的数学表达式——也就是说，让AI"发现"物理定律。
传统的机器学习模型（比如神经网络）通常是"黑箱"——它们能给出准确的预测，但你无法从中提取出简洁的物理公式。符号回归的目标则是找到既准确又可解释的数学表达式。Schwartz的研究小组近年来在将符号回归技术应用于高能理论方面做出了重要贡献。
举一个经典的案例来说明这种技术的原理：假设你有一组关于行星运动的观测数据（位置、速度、时间等），传统的神经网络可能会给你一个能准确预测行星位置的模型，但这个模型是一个巨大的参数矩阵，你无法从中读出"(F = GMm/r^2)"这样的公式。而符号回归则可能直接输出类似牛顿万有引力定律的解析表达式——前提是数据中确实蕴含了这样的规律。
6.5 量子多体物理中的机器学习
量子多体问题是物理学中最棘手的计算难题之一。当你有成百上千个量子粒子相互作用时，描述系统状态所需的信息量会随粒子数指数级增长——这就是物理学家常说的"维度灾难"。即使是当今最强大的超级计算机，也无法精确模拟超过几十个强耦合量子粒子的行为。
近年来，研究者发现神经网络可以被用作量子多体波函数的"紧凑表示"。这种方法被称为"神经量子态"（Neural Quantum States），最早由Giuseppe Carleo和Matthias Troyer在2017年提出。其核心思路是用一个神经网络来参数化量子系统的波函数，然后通过变分优化来找到系统的基态。实验表明，这种方法在某些问题上已经超越了传统的张量网络方法和量子蒙特卡洛方法。
IAIFI的多个研究团队正在将这种技术推向更复杂的物理系统。比如，用等变神经网络（Equivariant Neural Networks）来构建自动满足物理对称性的机器学习模型——这种"物理知情"的AI设计思路，正是IAIFI所倡导的"将物理智能融入人工智能"理念的具体体现。MIT的Tess Smidt教授在APS峰会上就有关于对称性与机器学习的专门报告，她的工作展示了如何将群表示论引入机器学习算法设计中，让AI模型在结构上就自动满足物理定律所要求的对称性。
6.6 材料科学与自主实验室
虽然不直接属于"基础物理学"的范畴，但材料科学是AI对科研范式产生深远影响的另一个重要战场。传统的新材料发现流程极其缓慢——从理论预测到实验合成再到性能验证，一种新材料从概念到实用可能需要十年甚至更长。
AI正在将这个流程大幅缩短。在APS峰会上，芝加哥大学普利兹克分子工程学院的多位研究者展示了他们在AI辅助材料设计方面的最新成果，包括一个名为"Polybot"的AI引导自主实验室。这个系统整合了高通量合成、自动化表征和数据驱动建模，能够在最少人工干预的情况下自动探索新型聚合物材料的性能空间。
这类"自主实验室"（Autonomous Lab）的兴起，与OpenAI的"北极星"计划在理念上高度一致——都是在推动科研从人工驱动向AI驱动的范式转型。莫潇羽@无忆研习社认为，自主实验室可以看作"全自动AI研究员"在实验科学领域的早期实践，它为我们提供了一个观察AI科研能力真实边界的窗口。
6.7 Schwartz团队的前沿工作：深度学习遇上量子场论
作为I
