导语
加州理工学院的Anima Anandkumar教授是AI应用于物理科学领域的先驱。她指出，尽管语言模型取得了巨大成功，但我们仍然缺乏用于物理世界的基础模型。她开创了神经算子技术，成功地将AI应用于天气预测、聚变能源等连续物理系统的建模，证明了在数据有限的情况下，通过融入物理结构同样能取得突破性进展。
用AI物理基础模型：从天气预测到聚变控制
加州理工学院的Anima Anandkumar教授分享了她如何利用神经算子等AI技术，为天气、聚变等连续物理系统建模。她指出，物理世界的数据和尺度挑战无法用传统语言模型的扩展方式解决，必须融入物理结构。其团队开发的FourCastNet已能与顶级物理模拟竞争，并致力于构建通用的物理基础模型。
大纲与深读 8 章
展开「深读」看每一段讨论的问题与论据。
01
开场与背景介绍
- Anima Anandkumar 是加州理工学院教授，专注用AI建模物理世界。
- 她团队开发了开源天气模型 FourCastNet，性能媲美传统物理模拟。
- 她的工作挑战了AI领域忽视物理系统的现状，强调结构化方法的重要性。
深读这一段
论据 / 案例：FourCastNet 在一年内开发完成，使用消费级GPU即可进行短期天气预测。
02
物理AI的独特挑战
01:00- 物理系统（如天气、聚变）具有混沌、多尺度特性，难以建模。
- 数据规模有限，传统Transformer方法因上下文长度限制不适用。
- 进展需依赖物理先验知识，而非单纯的数据规模扩展。
深读这一段
讨论的问题：为什么物理建模无法简单套用语言模型的扩展规律？
论据 / 案例：工业级模拟需要数百亿到万亿的上下文长度，远超现有Transformer处理能力。
03
神经算子技术突破
02:00- 神经算子将每层网络建模为函数，支持多尺度输入输出。
- 该方法结合数据与物理定律，突破网格建模限制。
- 是近十年AI理论中优雅且重要的发展之一。
深读这一段
讨论的问题：神经算子如何解决物理建模中的多尺度问题？
论据 / 案例：神经算子直接学习频率域中的函数演化，适用于球面谐波等物理基。
04
FourCastNet与球面谐波
03:00- 地球是球体，传统网格模型易崩溃，球面谐波是更自然的基。
- FourCastNet 3 使用傅里叶神经算子在频域直接学习。
- 该模型能稳定预测全球天气，时间跨度从数天延长至数月。
深读这一段
讨论的问题：如何确保全球天气模型的稳定性与准确性？
论据 / 案例：FourCastNet 3 采用球面谐波基，避免了网格模型的数值不稳定性。
05
物理世界的可学习性
04:00- 物理世界比预期更具可学习性，少量数据即可实现高精度预测。
- 在聚变领域，几千个样本即可预测等离子体不稳定性。
- 预测速度比传统模拟快百万倍，效率显著提升。
深读这一段
讨论的问题：物理建模是否真的需要海量数据？
论据 / 案例：聚变研究中，数千样本实现百万倍加速预测。
06
构建物理基础模型愿景
05:00- 目标是构建跨多种物理现象的基础模型，兼具模拟与设计能力。
- 路径是内置物理结构，而非等待不存在的数据。
- 该领域进展比语言AI慢，但具有根本性价值。
深读这一段
讨论的问题：物理基础模型的实现路径是什么？
论据 / 案例：强调‘tokens从来不是物理世界的答案’，需通过物理直觉构建先验。
07
更广泛的应用与影响
06:00- 开发 TorchLean 框架，支持在Lean证明助手中构建和验证神经网络。
- 该框架对控制循环中的神经网络验证至关重要。
- Anima 被任命为联合国科学顾问委员会成员，推动AI政策。
深读这一段
讨论的问题：神经网络的形式验证如何应用于实际系统？
论据 / 案例：TorchLean 实现了PyTorch风格网络在Lean中的形式化验证。
08
总结与节目预告
07:00- 节目涵盖优雅数学、谐波分析、AI基础发展及物理建模实践。
- 物理AI将成未来重点领域，节目计划增加相关内容。
- 强调该领域融合传统数学与现代AI的跨学科特性。
深读这一段
论据 / 案例：节目定位为‘为每个AI或科学极客准备’，涵盖数学、AI与物理交叉。
金句
- "We have foundation models for language, not for physics" —— 我们有语言的基础模型，但没有物理的基础模型。
- "All of the things that work with deep learning, let's take them, but make them a bit more principled." —— 深度学习中所有有效的部分，让我们都拿来，但让它们更有原则性一些。
- "If each dimension is even a few hundred grid points... we're talking hundreds of billions to even a trillion context length." —— 如果每个维度哪怕只有几百个网格点……我们谈论的是数千亿甚至万亿级别的上下文长度。