首页 > 资讯 > 这届AI大佬,都是学物理的

这届AI大佬,都是学物理的

36氪文章 2026-11-19 09:16 15 阅读 查看原文

当年觉得自己“晚出生了一百年”,没赶上物理发现大爆发年代,当下在AI里找到了黄金时代。

史上最大IPO背后,站着一群“转行”物理学家。

美东时间11月19日,Anthropic将以代码“ANT”在纳斯达克挂牌。除公开发行外,公司还将同步进行私募配售,两部分合计募资规模最高约904亿美元;按发行价区间上限计算,完全稀释后估值约1.4万亿美元。这一规模超过SpaceX今年6月创下的纪录,有望成为史上最大规模IPO。

翻看这家公司核心创始人的履历,会发现一个有意思的细节:这支大模型团队里,物理学背景的人可真多。CEO达里奥·阿莫代(Dario Amodei)本科主修物理,博士阶段研究神经回路;首席科学官杰瑞德·卡普兰(Jared Kaplan)曾是理论物理学家;首席架构师萨姆·麦坎迪什(Sam McCandlish)拥有理论物理学博士背景。

这与人们对一家大模型公司的常规想象不太一样。通常,人们会想到计算机科学家、机器学习研究者,但在Anthropic,物理学家不仅出现在创始团队中,还构成了公司人才的重要部分。

这个现象甚至带有一定的普遍性。从硅谷的大模型实验室,到中国的AI创业公司,越来越多物理学背景的人正站到AI浪潮的核心位置。数智前线获悉,今年甚至有国内互联网公司创始人在招聘AI人才时,特别要面试物理学出身的人。

物理学训练究竟给他们带来了什么?为什么在这一轮AI浪潮中,物理学家会成为重要的参与者?

01

万亿Anthropic,挤满了物理学家

2021年初,七位研究人员从OpenAI离开,决定创办一家新的AI公司。那时正值疫情,几个人想要碰面,只能约在其中一人的后院,隔着六英尺的距离,戴着口罩交谈。

一年后,Anthropic的两位联合创始人回忆这段经历时,补充了一个有意思的细节:这群人除了曾在OpenAI共事、部分成员有过Google Brain的合作经历,还有一个共同点——“我们中有不少人是现任或前任物理学家。”达里奥说,大家早在物理学界便已相识。

达里奥自己的经历,就是一个缩影。

2007年春天,24岁的达里奥还是普林斯顿大学的物理博士生。在盖约特楼地下室的一间办公室里,他和神经科学教授迈克尔·贝里(Michael Berry)聊了一次。那以后,他第一次认真考虑转做生物物理。博士二年级,他加入贝里的实验室,研究动物视网膜里的神经细胞如何处理、传递视觉信息。

新方向很快抛来一道难题:实验室要同时记录大量神经细胞的电信号,却没有趁手的设备。

达里奥索性自己动手,搭了一套多电极阵列。贝里后来称之为“相当有野心的技术开发项目”。达里奥泡在无尘室里做器件、调设备,这项工作最终在2012年发表成论文。这或许正是物理学训练留下的底色:习惯从基本原理出发理解问题,缺工具的时候,就自己造工具。

为什么会从物理学转向神经科学?达里奥后来解释,“一直对两个问题感兴趣,智能究竟如何运作,以及能否通过科学和医学改善人类生活”,也就是寻找智能的“物理定律”。

博士毕业后,达里奥又去到斯坦福大学做博士后,师从教授帕拉格·马利克(Parag Mallick),研究癌症检测及其机制。马利克后来回忆,达里奥此前几乎没有癌症研究的背景,但他会利用周末时间,啃完某个课题上所有已经发表的论文,迅速跟上进度。

也正是在博士后阶段,2012年至2013年前后,Google Brain等团队在深度学习上的研究成果陆续出现,尤其是AlexNet在图像识别上的表现,让他看到这项技术开始展现出真正的潜力。

2014年底,达里奥加入百度,进入吴恩达领导的团队,参与的第一个项目就是端到端语音识别系统Deep Speech 2的研发。不到一年,又转入Google Brain,担任高级研究科学家,并在2016年加入OpenAI。

Athropic另外一位关键人物,首席科学官杰瑞德·卡普兰最初关注的却是宇宙本身。

卡普兰的母亲是一位科幻小说作家。从小,他就对一个问题着迷:人类有没有可能制造出超光速飞行器?

为了弄清楚这个问题,他选择了物理学。此后多年,他沿着一条典型的理论物理学术路径前进:在斯坦福读本科、哈佛读博士,到斯坦福大学运营的SLAC国家加速器实验室做博士后,最后进入约翰·霍普金斯大学任教,成为一名理论物理学教授。

但在大型强子对撞机物理、粒子物理、宇宙学和弦理论等多个领域辗转研究多年后,他逐渐感到沮丧和倦怠。“这些领域的进展没有我期待的那么快。很多朋友都告诉我,AI正在成为一个非常重要的领域。”卡普兰后来回忆道。2018年初,卡普兰开始投入部分时间学习和开展机器学习研究。

与达里奥、卡普兰背景相似的,还有首席架构师萨姆·麦坎迪什。他曾在斯坦福攻读理论物理博士,研究量子引力和全息理论。2018年,他也加入到OpenAI,开始参与机器学习研究。

2020年1月,卡普兰、麦坎迪什、达里奥与其他研究者共同发表论文《Scaling Laws for Neural Language Models》。通过一系列实验,他们发现,语言模型的性能提升并非完全不可预测,而是与模型规模、训练数据量和计算资源之间存在相对稳定的幂律关系。

这就是后来著名的“Scaling Laws”。

“物理学训练最有帮助的一点,是让我习惯于寻找最宏观、最重要的趋势,然后尽可能精确地描述它们。”多年后回顾这段研究经历时,卡普兰说。

这种与物理学的纠葛,也随着Anthropic的成立,进入公司内部,影响其团队建设和人才选择。

Anthropic联合创始人兼总裁丹妮拉·阿莫代(Daniela Amodei)曾在访谈中透露,公司创立初期,最早的约15名员工中,有三分之二拥有物理学博士学位。公司甚至形成了一套内部称为“Physicist Pipeline”(物理学家输送管道)的人才培养机制,吸引那些非常聪明、擅长定量分析、具有宏观思考能力的人,再培养他们从事机器学习研究。

达里奥在2023年8月的一档节目中说:“物理学家学习新东西的速度非常快。我们通常发现,招一位物理学博士,他往往很快就能学会机器学习并作出贡献。”他提到,Anthropic团队里当时可能有30到40位物理学家。

当然,AI仍是一个相对年轻的领域,Anthropic团队里既有软件工程师、机器学习研究员,也有物理学、伦理学、神经科学背景的研究者,以及政策和运营人员。大家不被专业边界框住:研究人员会写代码,工程师也参与研究;公司还会组织小型培训,熟悉Transformer的人按不同基础开课,运营和政策团队也能参加入门学习。

02

物理学家,从未缺席AI

2024年的诺贝尔物理学奖,多少有些出人意料:它颁给了两位研究人工神经网络的科学家——约翰·霍普菲尔德(John Hopfield)和杰弗里·辛顿(Geoffrey Hinton),表彰他们“为利用人工神经网络进行机器学习作出的基础性发现和发明”。诺贝尔物理学委员会特别提到,物理学为机器学习的发展提供了重要工具。

事实上,物理学家和AI的缘分,远比这波大模型浪潮早。神经网络理论成形的时候,他们就在现场。

霍普菲尔德本身就是一位凝聚态物理学家。1982年,他提出“霍普菲尔德网络”,把物理学中能量函数、稳定状态等概念搬进了神经网络研究。1985年,辛顿与戴维·阿克利(David Ackley)、特伦斯·谢诺夫斯基(Terry Sejnowski)等人更进一步,把统计物理的方法用于神经网络学习,发展出玻尔兹曼机,这个名字本身就来自统计物理。

谢诺夫斯基的经历尤其有意思。他在普林斯顿大学读物理学博士,最初研究广义相对论,导师正是霍普菲尔德。后来,他旁听了一门神经科学课,从此迷上了大脑与行为背后的复杂问题,逐渐转向神经网络研究,认为“宇宙的奥秘比起行为的奥秘都黯然失色。”

一批受过物理学训练的研究者,开始把概率、统计和信息论工具用于机器学习问题。比如,上世纪80年代,物理学家开始用统计物理研究神经网络的记忆机制和存储容量;到了90年代,这种交叉进一步扩展到贝叶斯推断、统计学习、模式识别和核方法等领域。

进入新世纪,物理学出身的人依然在关键节点上出现。本科在普林斯顿读物理的李飞飞,2007年前后开始推动建立ImageNet数据集,让机器第一次有了海量带标注的图片可以“看”。

但真正让一批年轻物理学家开始坐不住的,是2016年的一盘棋。

那年3月,AlphaGo对战李世石,第二局下出的第37手让许多职业棋手都大感意外。人们第一次直观地感受到,机器或许能通过学习,找到人类没想到的解法。

当时还在芝加哥大学攻读理论物理博士的米沙·拉斯金(Misha Laskin),也被这场比赛触动。博士快毕业时,他开始重新考虑自己的职业选择。他后来回忆,这并不是因为他不再喜欢物理。只是他逐渐意识到,自己已经成了一个非常狭窄领域里的专家,就算研究取得成功,可能也要等上几十年,才知道它有没有真正产生影响。“也许我只是缺乏耐心。”他说。

他开始了各种尝试。直到看到AlphaGo。他放下手头所有事情,一头扎进深度学习和强化学习:先在伯克利做博士后,后来又加入Google DeepMind,参与Gemini奖励模型方向的研究。2024年,他与同事创办AI公司Reflection AI,想做OpenAI、Anthropic等“封闭前沿实验室”的开源替代者,也被外界称为“美国版DeepSeek”。

类似的选择也出现在姚顺宇身上。但此“宇”非彼“雨”:他和腾讯的姚顺雨名字只差一个字,都出自清华,也都在做大模型。在外界看来,清华物理本科、斯坦福理论物理博士,这份履历相当出色,但他对自己的研究成果并不满意:“没有人会说我博士期间的文章不好,但摸着良心说,对这个世界有多大的影响?我觉得几乎没有。”

“我想寻找一个对年轻人机会更多的方向。”量子计算和AI都曾在候选名单上,但量子计算的主要瓶颈在实验实现,这不是他最擅长、也最感兴趣的部分。AI反倒让他看到了熟悉的研究方式:“更多是你有一个想法,可以用一些数值去验证。这个数值在AI里面,可能就是训练一个模型。”

在他看来,今天的AI很像18世纪的物理学,理论和实验还没有明确分家,“你自己可以做实验,也可以做理论推测。”

于是,2024年,他在伯克利的理论物理博士后岗位上只待了两周,就转身加入Anthropic,参与Claude模型研发。2025年9月底,他又加入Google DeepMind,继续做大模型研究。

AI带来的机会,越来越超出基础模型。

2022年,几位在金融科技公司共事的物理学家,决定把AI带进音乐行业。最初,他们只是想让机器听懂、分析声音,一次下班后的实验却让他们发现,AI甚至能直接写歌。他们把模型做成Discord机器人后,意外收获了一批热情的用户。AI音乐公司Suno就这样诞生了。

几年后,Suno成了全球AI音乐领域的第一只独角兽,估值54亿美元。2026年5月的一期播客里,主持人问CEO迈基·舒尔曼(Mikey Shulman):一个研究量子计算的物理学博士,为什么会去创办一家面向消费者的音乐公司?舒尔曼说,物理学训练教给他重要的一课,是机会往往藏在不同领域的交汇处。对Suno来说,这个交汇点就是音乐与技术。

姜旭看到的是另一个机会。他本科和博士都学的物理,读博期间尝试过好几个研究方向。“我觉得人生是要去坐一次火箭的。”他说。

可越往后读,他越觉得自己“晚出生了差不多一百年”。物理学的黄金时代是20世纪初那几十年,许多基础规律还没被发现,“二流的物理学家都能做一流的工作”。到了今天,简单的规律大多已被揭示,剩下的都是硬骨头。

2016年,AlphaGo让姜旭第一次认识了深度学习。他开始自学Python和机器学习,上了吴恩达在Coursera上的公开课,又做了些开源项目,很顺利地在硅谷找到了第一份AI工作,一年后加入OpenAI。

参与大模型研发一段时间后,姜旭又把目光投向具身智能,回国创立亮源新创,研究具身智能基础模型。在他看来,AI的能力会从数据最多、最容易获取的文本领域,逐步扩展到其他领域。今天的AI,就像一百年前的物理学,有大量问题等待探索,“遍地都是黄金”。

03

绕了一大圈,物理学家又回到了物理世界

2026年11月,Anthropic发布Claude Fable 5.2,最抢眼的演示是模型开始和一只瓶盖较劲了——直接控制机器人解起魔方、拧开瓶盖。

此前,OpenAI也展示过GPT-6 Astra参与电子设备设计的过程:从功能定义、外壳设计到电路板布局和软件集成,模型都能插上手,只是原型制作和验证,仍需交给工程师和制造商。

大模型的本事,正从屏幕里伸向屏幕外。

产业的热情也在升温。“我们正处于物理AI周期与AI超级大周期双频共振的时代。”11月18日的IDC FutureScape 2027上,IDC全球及中国副总裁王吉平给出数据:16.7%的企业已将物理AI视为未来24个月第二大AI投资优先级,35%的CEO把它列进了前三大新兴技术投资。

这对物理学家来说,多少带点命运的幽默。当年他们离开物理学,奔向AI;如今AI要走进物理世界,重力、摩擦、碰撞、空间与时间,这些老朋友又一个个找上门来。

AI想在现实世界里行动,第一步是要看懂世界。

李飞飞创办World Labs,押注“空间智能”。她希望AI不只认出图片里有一只杯子,还要知道它在三维空间里的位置、和桌子的关系,以及会怎样随时间变化。

2025年,World Labs推出首款产品Marble,用户用文字、图片或视频,就能生成可探索、可编辑的三维场景。2026年又推出世界模型Atlas,能根据图像重建三维空间,并模拟场景变化;还收购了机器人仿真团队SceniX,探索让机器人在虚拟环境中训练,再回现实世界验证。9月,AMD宣布以约82亿美元收购World Labs,李飞飞将出任AMD执行副总裁兼首席科学家。

北大物理本科、MIT物理博士靖礼,曾参与DALL·E 3、Sora和GPT-4o等模型研发,如今加入杨立昆创办的AMI Labs,任联合创始人兼预训练负责人。

AMI Labs要做的是让模型从视频和真实观察中学习世界规律。它的路线以JEPA为基础:不像画家那样一像素一像素画出下一秒,而是学习抽象的世界表征,再结合记忆与规划,预判动作后果。就像物理学家那样:不记住每一个细节,只抓住支配变化的规律。

看懂之后,还得动手。

姜旭把机器人视为实现Physical AGI的重要方向,输入和输出都能用多模态模型的数据表征来处理,而多模态模型怎么训练、怎么scale,正是他最熟悉的事。把陌生问题转化成已经解过的问题,几乎是物理学家的本能。

2026年9月,他创办的亮源新创开源通用导航模型LightNav-0。为了训练它,团队先采集了2000多个真实的室内外场景转成仿真环境,合成出4000多小时的训练数据,再把训练好的模型放回真实机器人上检验。在他看来,具身智能不能只靠真机一条条采数据,还需要找到能够规模化生产训练数据的方法。

计算物理博士、自变量机器人联合创始人、CTO王昊,琢磨的是更“物理”的问题:动作和结果之间到底是什么关系。对机器人来说,拿起一只杯子,是一道完整的力学题,用多大的力、怎么抓、杯子受力后会怎么动,重力、摩擦、碰撞,哪一项算错了,杯子都可能落地。高中课本里的受力分析,成了最前沿的研究问题之一。

传统方案往往先训练视频生成模型,再接入动作模型;王昊想把视觉和动作放进同一个框架联合建模,模型不仅要预测环境接下来会发生什么,还要理解自己的动作将如何改变环境。2026年4月,自变量发布具身智能基础模型WALL-B,采用其所称的“世界统一模型”架构。

Physical Intelligence(简称PI)联合创始人布莱恩·伊希特(Brian Ichter)则试图把通用能力推得更远:同一个模型能不能学会完成尽可能多的任务,并适应不同形态的机器人?

他本科兼修航空航天工程与物理学,之后在斯坦福读到航空航天博士,在Google Brain和DeepMind都待过。2024年,他与几位研究者共同创办PI。同年10月推出首个通用机器人基础模型π0,把互联网规模的视觉语言预训练和多种机器人平台的操作数据结合起来,同一个模型可以叠衣服、收拾餐桌、打包杂货。后来推出的π0.5,又尝试让机器人适应从没见过的厨房和卧室。

机器人也不是AI进入物理世界的唯一入口。真实道路上,自动驾驶早已跑通了数据采集、模型训练、车辆验证的闭环。

Momenta创始人曹旭东的AI之路,起点是一门统计物理课。他本科就读于清华大学工程力学系,大二时因这门课对统计学产生兴趣,进而接触统计学习,读博时逐渐意识到人工智能才是自己想长期投入的方向,于是离开学校,加入微软亚洲研究院做计算机视觉。2016年,他创办Momenta,把AI带进自动驾驶。在他看来,汽车只是载体,真正要解决的,是让机器感知环境、理解环境、作出决策。

如今,他也将目光投向机器人,并认为自动驾驶是物理AI的序章:这个领域已经逐步形成规模化的数据闭环和商业闭环;机器人要在真实世界里抓取、移动、操作,数据获取和验证的难度都高得多。

AI 与现实世界的结合也不止于此:科研中,AI 正与自动化设备结合,尝试把计算、设计和实验连成闭环。

2014 年,赖力鹏与另外两位有物理背景的研究者共同创办晶泰科技,探索将AI、量子物理计算和自动化实验结合起来,做药物和材料研发。AI辅助设计分子、预测反应,自动化设备执行称量、移液和样品分析,实验结果回传给模型,调整下一轮方案。这恰好应了姚顺宇那句话:在 AI 里,理论和实验又不分家了。只是这一次,动手的除了人,还有机器。

一百年前,物理学家在实验室里一点点撬开世界的规律。一百年后,当年离开物理学的那批人,带着AI又回到了真实世界。黄金是不是遍地都有,还不好说,但至少,他们手里换了一把新铲子。

参考链接:

1、《Daniela and Dario Amodei on Anthropic》,Future of Life Institute,2022年3月4日

2、《‘Very sharp, very ambitious’: Inside Anthropic CEO Dario Amodei’s Ph.D. at Princeton》,The Daily Princetonian,2026年10月16日

3、《Generative SF: How Anthropic is building better, safer AI models》,2024年12月11日

4、《 Dario Amodei (Anthropic CEO) — The hidden pattern behind every AI breakthrough》,Dwarkesh Patel,2023年8月8日

5、《Scaling and the Road to Human-Level AI | Anthropic Co-founder Jared Kaplan》,2025年6月16日

6、《Suno's Mikey Shulman: Everyone Can Make Music Now》,2026年5月13日

7、《对姚顺宇的4小时访谈:请允许我小疯一下!在Anthropic和Gemini训模型、技术预测、英雄主义已过去》,张小珺商业访谈录,2026年5月11日

8、《Reflection co-founders Ioannis Antonoglou and Misha Laskin》,Manifold,2025年3月13日

9、《ChatGPT核心贡献者归国创业:把LLM的Scaling带到具身智能》,DeepTech深科技,2026年5月22日

本文来自微信公众号“数智前线”(ID:szqx1991),作者:周享玥,编辑:赵艳秋,36氪经授权发布。