未来会有数十亿超人级AI爱因斯坦机器之心

「我们的文明已经学会了如何将沙子转化为硅芯片，将硅芯片转化为神经网络，再将神经网络转化为人工智能。在过去的五年里，大型语言模型人工智能（如 ChatGPT 和 Gemini）的能力从蹒跚学步的幼儿跃升至国际数学奥林匹克金牌得主，如今更超越了这一水平。」

前些天，Gemini 核心贡献者、Blueshift 团队负责人 Adam Brown 近日在圆周理论物理研究所的长篇演讲《训练沙子思考：通用人工智能与物理学的未来》吸引了广泛关注。在该演讲中，他讲述自己如何亲眼看着 AI 从「幼儿园水平」一路狂奔到博士水平，并由此推演：如果趋势延续，物理学会变成什么。

演讲标题：Training Sand to Think: Artificial General Intelligence & Future of Physics

演讲地址：https://www.youtube.com/watch?v=Mw60FH5iflI&t=3s

该演讲还得到了诺贝尔物理学奖、 图灵奖得主 Geoffrey Hinton 的大力推荐，赞其「精彩绝伦（amazingly good）」。

在介绍这个精彩绝伦的演讲之前，有必要先介绍一下演讲者亚当・布朗（Adam Brown）。

布朗的履历堪称一部「理论物理学家如何被 AI 改变命运」的样本。他在牛津大学读的是物理与哲学的联合学位，随后在哥伦比亚大学拿到博士学位，又先后在普林斯顿大学和斯坦福大学的物理系任教。在斯坦福，他教授爱因斯坦的广义相对论，研究范围从大爆炸、宇宙暴胀、多重宇宙、黑洞、量子计算，到听起来像科幻小说情节的「太空电梯」和「虚无泡泡（bubbles of nothing）」，以及宇宙的终极命运，同时他也长期关注物理学与计算机科学之间的深层联系。

2018 年，布朗加入谷歌。如今他领导着 DeepMind 内部一支名为 Blueshift 的团队，专注于提升 AI 的科学与推理能力，同时也是 Gemini 大模型的核心贡献者之一。

在演讲开场，他提到自己职业生涯里写过大约四十篇理论物理论文，但近年已经停笔，不再手写论文，但原因不是写不出来，而是他觉得一篇一篇地手写论文，更像是一种「罪恶的享受」，因为眼下他真正该做的事，是参与制造一台能够「以工业规模」产出知识的机器。

如此开场白，也为整场演讲定下了基调：一个身处「AI + 科学」技术风暴中心的人，试图向同行们描述风暴的真实形状。

我们也在 AI 的辅助下，对布朗这份精彩演讲进行了归纳总结。

从沙粒到会思考的机器

布朗用一句话概括了人类文明此刻所处的特殊位置：我们已经学会把沙子提纯成硅，把硅做成芯片，把芯片组装成神经网络，现在又学会了训练这些神经网络去思考。

他特别强调，这一次和以往任何一种「计算工具」都不一样。从算盘到袖珍计算器，人类早就拥有过各种辅助科学研究的工具，但那些都是单点工具，只能替你完成流程里的某一步，剩下的仍需要人来做。

大语言模型（LLM）不同，它具备完成理论物理学家全部工作流程的潜力，这正是「通用智能」（general intelligence）这个词的含义所在。布朗判断，LLM 很可能就是人类用来构建通用人工智能的底层基质。

他提醒听众，大家可能已经用过 ChatGPT、Gemini 或 Claude 这类聊天机器人，却未必意识到一个安静发生的事实：这些系统早在几年前就已经悄悄通过了图灵测试，而几乎没有人为此专门庆祝。

神经网络是「养成」的，不是「编写」的

要理解大模型为什么和传统计算机程序完全不同，布朗给出了一个核心比喻：LLM 不是被 programmed 出来的，而是被 grown 出来的，即它们更像被培育长大，而不是被编写出来。

具体过程分为两个阶段。

第一阶段叫做「预训练」。工程师们从一组随机连接、近乎乱语的人工神经元出发，让它不断尝试预测一段文本里「下一个词」会是什么。猜对了，就强化对应的神经通路；猜错了，就削弱它。这个过程极其漫长：看过一百万词时，模型说出来的话基本还是胡言乱语；读过几千万到几十亿词后，它已经能写出语法正确但略显生硬的句子；直到读完整个互联网（几十万亿词）它才能就几乎任何话题进行流畅、连贯的对话。

第二阶段叫做「后训练」，布朗形容这是把模型「送进礼仪学校」。刚结束预训练的模型只会机械地预测下一个词，说话粗鲁且不服管教，后训练的任务就是教它变得礼貌、变得愿意配合用户，而不是单纯地接龙文字游戏。如今主流大模型的参数量已经从十年前的十亿级跃升到几万亿级，尽管仍远低于人脑大约百万亿个突触连接的规模，但这个规模已经足够让奇迹发生。

物理学家不务正业：Scaling Law 点燃了这场革命

布朗特别提到，物理学家在这场 AI 革命的起点上扮演了一个意想不到的角色：带来了「Scaling Law」的思维方式。

物理学家天生痴迷于寻找简单的幂律关系：把爱丽丝的身高翻一倍，她的体表面积会变成四倍，体重则变成八倍，这是最简单的量纲分析；而克莱伯（Kleiber）在近一百年前发现的动物代谢率与体重的幂律关系，则是一个更微妙的例子 —— 直到许多年后，物理学家才用血管系统的分形维度解释了它背后的原理。

更别说著名的摩尔定律了：

2020 年，几位具有物理学背景的研究者把这种思维方式搬到了神经网络上，发现只要把训练用的算力、数据量和模型规模按比例放大，模型在「预测下一个词」任务上的表现会沿着一条对数 - 对数坐标系下的直线稳步提升。

这条曲线后来被拓展了整整八个数量级，依然成立。

布朗调侃说，这张图「简单到连风险投资人都能看懂」，而它能直接告诉资本市场：把钱（也就是算力）投进去，就能换来更强的模型。

这条简单的曲线，正是过去六年 Scaling 时代的起点。

但布朗也指出，算力堆量只是故事的一部分。过去十年，前沿 AI 训练所消耗的算力每年增长约四倍，训练投入的资金每年增长约 2.7 倍。