核心内容总结
这篇文章探讨了AI领域从奠基者（如诺奖得主Hopfield、Hinton）到前沿团队成员（如Anthropic的Dario Amodei、xAI的庄君堂），很多关键人物都是物理出身的现象。文章指出：这不是巧合，也不是物理人更聪明，而是物理训练培养的“做事品味”（偏好第一性原理、最小模型、理论与实验校准），刚好适配AI当前的发展阶段——AI介于纯理论（数学）和纯工程之间，像物理一样需要“用有效理论指导实验、再用实验修正理论”。同时，物理出身的人往往没有AI领域的师承成见，这种“局外人自由”让他们更敢提根本问题，助力基础突破。
详细拆解解读
1. 不是智力碾压，是“做事品味”踩对了时代
文章明确说：“物理出身更强”是误区——深度学习半壁江山（如LeCun、Transformer作者）都不是物理背景。真正的原因是物理训练给了一套特定的“品味”：
- 第一性原理：从最根本的规律出发，不依赖现成经验（比如不用“别人都这么做”来决定方向）；
- 最小模型：用最简单的模型抓住核心本质（比如用一个公式概括复杂现象）；
- 相信涌现：认为大量简单单元（如神经元）相互作用，会突然出现单个单元没有的复杂行为（比如大模型的语言理解能力）。
这套品味正好和现在AI的玩法对上：AI既不是纯证明定理的数学，也不是纯拼技术的工程，需要“抓本质+实验验证”的思路。
2. AI现在的“位置”，就是物理人的“主场”
文章把学科比作一条光谱：
- 纯数学端：靠证明定理（比如“这个公式一定对”）；
- 纯工程端：靠造东西跑赢测试（比如“这个模型能比别人快10%”）；
- 物理在中间：用理论预测实验，再用实验修正理论（比如先猜“苹果落地是引力”，再用望远镜看行星轨道验证）。
现在的AI正好在中间：比如大模型有“Scaling Laws”（规模规律）这样的理论直觉，但最终要靠跑数据、测loss（误差）来验证。物理人干了几百年这种“理论+实验”的事，自然轻车熟路。
3. 物理思维在AI里的“具体操作”
文章举了多个例子，把抽象的“品味”变成看得见的做法：
- 统计力学→神经网络：两者都研究“大量简单单元涌现复杂行为”——磁体里的自旋、神经网络里的神经元，Hopfield网络、玻尔兹曼机的名字和数学都直接从物理搬来；生成图像的扩散模型，也是从热力学里借的“先打乱再逆转”思路。
- 对称性→等变网络：物理相信“底层有守恒规律”（比如能量守恒），AI里有人把这个做成“等变网络”——不管图片怎么旋转平移，模型都能认出它（比如旋转后的猫还是猫）。
- 把模型当“自然对象”：就像科学家研究新星球一样，AI里有人测量模型的行为（比如“模型为什么会犯这个错？”），给它建理论——这就是“神经网络的实验物理学”。
- 何恺明的细节：他想做物理逻辑的世界模型，找不到合适的人，直到遇到物理背景的合作者——因为共享一套“语言”（比如懂物理仿真），才快速合流，说明这种跨学科思维很稀缺。
4. Scaling Laws：AI里最像物理的“经验规律”
Scaling Laws是AI里的关键发现：模型的误差（loss）会随参数、数据、算力按“幂律”下降（比如参数翻倍，误差降多少）。这个规律不是数学证明出来的，而是通过大量实验拟合出来的——就像开普勒从第谷的天文数据里找出行星轨道规律一样，典型的物理玩法。
文章还打了个比方：这就像18世纪的热力学——能用能预测（比如知道烧多少煤能让火车跑多远），但微观机制（分子运动）还没完全搞懂。AI行业底层就靠这些“知其然不知其所以然”的经验规律，很物理。
5. 物理出身的“自由”：没有门派束缚，敢问根本问题
物理跨到AI的人，往往没有AI领域的师承和门派成见：不用维护“我是某某大佬的学生”的身份，不用遵守“大家都这么做”的潜规则。这种“局外人自由”让他们敢：
- 提“幼稚但根本”的问题（比如“大模型为什么能理解语言？”）；
- 对流行做法开炮（比如姚顺宇说“我想喷谁喷谁”）；
- 捡起被冷落的方向（比如Hopfield当年在符号主义当道时，从物理角度重新研究神经网络）。
真正的基础突破，往往来自这种打破常规的自由。
最后一句话总结
物理不是AI的“万能钥匙”，但它培养的“抓本质+实验校准”的品味，以及“局外人自由”，刚好适配AI当前的发展阶段——这就是物理人在AI里发光的核心原因。而未来的突破，会属于能在数学、物理、工程之间自由切换的人。