Max Welling在访谈中提出，AI的下一次重大突破可能并非单纯依赖算力与数据增长，而是源于物理学思想的注入。他以CuspAI利用生成式AI设计新材料为例，阐述了物理学如何既为AI提供新问题（如材料发现），又为其构建提供新范式（如借鉴热力学、对称性破缺等概念）。他认为波、对称性破缺等物理概念有望成为神经网络的新计算基元，启发超越当前扩展范式的AI架构。
在AI发展普遍追求更大模型与更多算力的今天，一场关于未来方向的深刻对话正在展开。本期TWIML AI Podcast邀请了CuspAI联合创始人兼CTO、阿姆斯特丹大学教授Max Welling。他挑战了行业惯性思维，提出物理学可能是驱动AI下一次质变的关键。Welling不仅以CuspAI利用生成式AI加速新材料（如半导体、电池材料）发现的实践为例，更深入探讨了机器学习与热力学、统计物理之间深刻的联系，认为波、对称性破缺等物理概念有望重塑神经网络的设计哲学，为AI架构带来超越“扩展”范式的全新可能。
展开「深读」看每一段讨论的问题与论据。
讨论的问题：生成式AI如何具体应用于材料科学，并加速新材料发现？
论据 / 案例：CuspAI公司业务；提及具体应用领域：半导体、电池、碳捕获、清洁能源；使用化学基础模型与智能体工作流。
讨论的问题：除了提供科学问题，物理学还能如何启发更好的AI构建？
论据 / 案例：嘉宾Max Welling为CuspAI联合创始人兼CTO，阿姆斯特丹大学教授；访谈主题提出物理学可能是AI下一个飞跃的来源。
讨论的问题：热力学概念（如自由能、不可逆性）如何从理论层面与机器学习模型的训练和推理过程相联系？
论据 / 案例：提及资源文献《Generative AI and Stochastic Thermodynamics: A Tale of Free Energies》；探讨波作为计算原语；对称性破缺与统计物理。
讨论的问题：哪些具体的物理学原理（如对称性破缺）可能催生全新的、非缩放驱动的AI架构？
论据 / 案例：提及资源文献《Spontaneous Symmetry Breaking and Goldstone Modes for Deep Information Propagation》；ICLR 2026主题演讲《From Physics to AI to Materials》。
讨论的问题：有哪些具体的工具或论文展示了物理学方法在AI中的应用实例？
论据 / 案例：提及资源文献《kUPS: A Molecular Simulation Engine for the AI Era》；《Deep Unsupervised Learning Using Nonequilibrium Thermodynamics》；《Irreversibility and Heat Generation in the Computing Process》。
讨论的问题：跨学科的数据集、奖项和合作如何共同推动AI与物理学的交叉发展？
论据 / 案例：提及《The Materials Project》；《The Open Molecules 2025 Dataset, Evaluations, and Models》；《The Nobel Prize in Chemistry 2025 — Development of Metal–Organic Frameworks》；提及嘉宾另一期关于无线通信神经增强的访谈《Neural Augmentation for Wireless Communication with Max Welling — #398》。
