数字艺术家Julius Horsthuis使用分形和人工智能创作了这幅作品《引力波》。

ChatGPT、Bard 和其他大型语言模型（LLM）的出现自然而然地使每个人都感到兴奋，包括整个物理学界。对于物理学家们来说，关于 LLM 尤其是人工智能（AI）的问题正在不断演化。这些庞大数据技术的巨大发展对物理学意味着什么？它们如何融入物理学？机器学习（ML）在物理学发现过程中将起到什么作用？

在探讨这些问题的影响之前，我应指出，毫无疑问，AI 和 ML 将成为物理研究和教育的组成部分。即便如此，与 AI 在人类社会中的作用类似，我们不知道这种新兴和迅速发展的技术将如何长期影响物理学，就像我们的前辈在20世纪50年代初开发晶体管或计算机技术时不知道它们将如何影响物理学一样。我们所知道的是，AI/ML 对物理学的影响将是深远的，并且会随着技术的发展而不断演化。

其影响已经开始显现。仅仅对 Physical Review 期刊进行一次快速搜索，以查找标题、摘要或两者中包含“机器学习”关键词的文章，在2015年至今共返回了1456个结果，而在 Physical Review 自1893年创刊至2014年的整个时期只有64个！文章中关于 ML 的使用趋势也在逐渐增加。同样的搜索在2022年的 Physical Review 文章中发现了310篇使用了 ML 标题、摘要或两者的文章；在2023年上半年，已经有189篇类似的发表物。

机器学习（ML）在物理学中已经得到广泛应用，这并不令人意外，因为物理学处理的数据通常非常庞大，这也是高能物理学和天体物理学实验中的情况。实际上，物理学家在很长一段时间内一直在使用一些形式的 ML，甚至在 ML 这个术语变得流行之前。神经网络作为人工智能的基本支柱，也在理论物理学中有着悠久的历史，从1985年开始在理解自旋玻璃模型的背景下，"神经网络"这个术语就出现在无数《Physical Review》论文的标题和摘要中。AI/ML 使用神经网络的方式与自旋玻璃模型中神经网络的出现方式非常不同，但使用神经网络来表示复杂系统的基本思想在两种情况下都是共享的。40年前或更早，机器学习和神经网络已经融入到物理学的基本领域中。

改变的是现在大型计算机集群和强大计算能力的可用性，这使得 ML 可以以实际方式应用于许多物理系统。对于我所研究的领域——凝聚态物理学来说，这些进展意味着 ML 在分析涉及材料属性和预测的大型数据集方面的使用越来越多。在这些复杂的情景中，AI/ML 的使用将成为每个专业物理学家的常规工具，就像矢量微积分、微分几何和群论一样。事实上，AI/ML 的使用将很快变得如此普及，以至于我们将不再记得它曾经是一个大问题。到那时，我这篇观点文章将显得有点幼稚，就像20世纪40年代关于使用计算机进行物理学研究的言论一样。

除了将 AI/ML 用作日常工具外，物理学中是否存在更深入使用 AI/ML 的可能性？它们能帮助我们解决重大问题吗？例如，如果在1950年，物理学家是否可以利用 AI/ML 提出巴丁-库珀-施里费尔超导理论？AI/ML 能否通过寻找想法和概念（如广义相对论或薛定谔方程）彻底改变理论物理学的方式？我与大多数物理学家交流时，他们坚信这是不可能的。数学家们也持有相同观点。我不知道有哪位数学家相信 AI/ML 能够证明黎曼猜想或哥德巴赫猜想。然而，我自己并不确定。所有的想法都深深扎根于积累的知识中，我不愿意断言我已经知道 AI/ML 永远无法做到什么。毕竟，我还记得曾经普遍认为AI永远无法击败复杂的围棋游戏大师。一个学术上的例子是 DeepMind 的 AlphaFold 能够预测蛋白质的氨基酸序列将采取的结构，这在20年前被认为是不可能的壮举。

这就引向我的最终观点。使用人工智能/机器学习进行物理研究已经开始，并且很快将变得常态化。但是，对于人工智能/机器学习以及特别是 LLMs 的有效性是否能理解，我们应该思考一下。

如果我们将 LLMs 看作是一个复杂系统，经过大量数据训练之后突然变得极具预测能力，一个物理学家自然要问的问题是这种转变的本质是什么？它是在某个训练阈值点上发生的真正的动力学相变吗？还是仅仅是已知数据之间的插值的例行结果，即使在外推时也仍然有效？后者，也就是大多数专业统计学家似乎相信的，不涉及深层原理。但前者涉及了可能被称为人工智能/机器学习物理学的内容，并且在我看来是最重要的思想问题：为什么人工智能/机器学习有效，以及何时它会失败？在某个阈值处是否存在相变，使得人工智能/机器学习算法仅仅正确预测一切？还是该算法只是某种巨大的插值，它之所以有效是因为被插值的数据量非常巨大，以至于大多数问题都落在其有效范围内？

作为物理学家，我们不应该只是被动地使用人工智能/机器学习，而应该深入研究这些问题。借用前美国总统的一句著名名言，我们不仅应该问人工智能/机器学习能为我们做些什么（实际上是很多），还应该问我们能为人工智能/机器学习做些什么。

关于作者

Sankar Das Sarma 是马里兰大学理学院的 Richard E. Prange 物理学职位的教授，也是该校的杰出教授。他还是马里兰大学的联合量子研究所和凝聚态理论中心的研究员。Das Sarma博士毕业于罗德岛的布朗大学。自1980年以来，他一直是马里兰大学物理学系的成员。他的研究兴趣包括凝聚态物理学、量子计算和统计力学。