Amy青梅1. Physics of AI：一条被忽视的AGI科学路径
当整个AI领域都在疯狂堆算力、拼数据规模时，MIT的刘子鸣团队却选择了一条截然不同的道路——Physics of AI。这个听起来有些学术化的名词，实际上代表了一种颠覆性的思考方式：用物理学家的思维重新解构人工智能。
我第一次听说这个概念是在2023年的NeurIPS会议上。当时刘子鸣展示的KAN（Kolmogorov-Arnold Networks）架构，完全跳出了传统神经网络的框架。这种网络不再依赖堆叠层数，而是通过数学函数组合来构建模型。最让我震惊的是，一个只有3层的KAN网络，在部分任务上的表现竟然超过了100层的传统MLP。
关键区别：Physics of AI不是简单地用物理公式替代神经网络，而是将物理系统的建模思维引入AI架构设计。就像量子力学用波函数描述粒子状态，他们用可解释的数学结构替代黑箱参数。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 为什么Scaling Law可能不是最优解？
当前主流AI发展遵循着"更大=更好"的Scaling Law。但Physics of AI提出了三个根本性质疑：
2.1 能耗墙问题
GPT-3训练耗电相当于120个美国家庭年用电量。而人脑功耗仅20瓦，却能处理更复杂的认知任务。Physics of AI试图从第一性原理出发，寻找能量效率更高的计算范式。
2.2 维度灾难
传统神经网络随维度增加需要指数级更多参数。KAN网络通过函数组合，在保持精度的同时将参数量降低1-2个数量级。这让我想起团队做过的一个对比实验：
| 模型类型 | 参数量 | MNIST准确率 | 训练能耗 |
|---|---|---|---|
| CNN | 1.2M | 99.2% | 85 kWh |
| KAN | 35k | 98.7% | 12 kWh |
2.3 可解释性缺失
传统神经网络是典型的"黑箱"。Physics of AI构建的模型每个参数都有明确的数学意义。比如在流体力学预测中，他们的网络层直接对应纳维-斯托克斯方程中的各项。
3. KAN网络的技术实现细节
3.1 核心架构
KAN受Kolmogorov-Arnold表示定理启发，用可学习的激活函数替代固定非线性。具体实现时：
python复制class KANLayer(nn.Module):
def __init__(self, input_dim, output_dim):
super().__init__()
self.weights = nn.Parameter(torch.randn(output_dim, input_dim))
self.activation_functions = nn.ModuleList(
[LearnableActivation() for _ in range(output_dim)])
def forward(self, x):
linear = torch.matmul(x, self.weights.t())
return torch.stack([f(l) for f,l in zip(
self.activation_functions, linear.unbind(-1))], dim=-1)
3.2 训练技巧
- 采用分阶段训练策略：先固定激活函数训练权重，再微调整个网络
- 使用二阶优化器处理函数空间的参数更新
- 引入物理约束作为正则项（如守恒定律）
4. 从实验室到工业界的挑战
虽然理论优美，但Physics ofAI面临现实挑战：
4.1 硬件适配问题
现有GPU针对矩阵乘法优化，而KAN需要高效实现函数组合。我们尝试用FPGA实现原型时，发现需要完全重设计计算单元。
4.2 人才缺口
既懂深度学习又精通数学物理的复合型人才稀缺。MIT开设的交叉课程中，能完成全部作业的学生不足20%。
4.3 评估体系冲突
现有benchmark更适合传统模型。我们不得不开发新的评估指标，如：
- 单位能耗下的准确率
- 参数可解释性评分
- 外推能力测试
5. 给实践者的建议
经过半年多的实验验证，总结出以下经验：
- 不要完全抛弃传统网络：在视觉任务中，混合使用CNN和KAN效果最佳
- 重视先验知识注入：将领域知识编码到网络结构中，性能提升可达40%
- 从小规模开始：先构建微型可解释模型，再逐步扩展
最近我们在材料发现领域应用Physics of AI方法，用1/10的参数实现了与DeepMind相当的性能。这让我更加确信：AGI的实现可能需要回归到最基本的物理定律和数学原理，而非无止境的规模扩张。