Anima Anandkumar
立场时间线 8 条 · 8 个议题
同一议题按时间排列，说法变化一目了然。
语言模型虽然成功，但领域内仍然缺少面向物理世界的基础模型，物理科学AI需要新的建模范式。
“"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。”
来源访谈 →连续物理系统模拟所需的分辨率会把上下文长度推到数千亿甚至万亿级别，远超现有Transformer的处理能力。
“"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。”
来源访谈 →神经算子将数据与物理定律结合、直接对函数而非网格建模，在保留深度学习有效做法的同时使其更有原则性。
“"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。”
来源访谈 →融入物理结构能提升模型稳定性：直接在网格上做全球天气预测会很快失效，而基于球面谐波自然基函数的Fourier Neural Operator可保持长期稳定。
“以全球天气预测为例，直接在网格上建模会很快失效，而利用球面谐波这一自然基函数的Fourier Neural Operator（如FourCastNet）则能保持稳定，实现长期预测。”
来源访谈 →物理世界比想象中更宽容，在聚变等复杂系统中只需几千个样本，AI就能以比传统模拟快百万倍的速度预测等离子体破裂。
“在聚变等复杂系统中，仅需几千个样本，AI模型就能以比传统模拟快百万倍的速度预测等离子体破裂，这为快速模拟和设计提供了可能。”
来源访谈 →构建通用物理基础模型不是抛弃扩展思路，而是另辟一条路：靠嵌入物理世界固有的结构，而非等待永远无法满足的海量数据。
“这并非要抛弃扩展思路，而是开辟一条不同的道路：通过构建物理世界固有的结构来达成目标，而非等待永远无法满足的海量数据。这是通往覆盖多种现象、兼具模拟与设计能力的物理基础模型的起点。”
来源访谈 →TorchLean框架把PyTorch式网络引入证明助手Lean实现形式化验证，这对聚变反应堆控制等关键系统中神经网络的可靠性至关重要。
“Anandkumar的TorchLean框架将PyTorch式网络引入证明助手Lean，实现了形式化验证。这对确保用于聚变反应堆控制等关键系统的神经网络的可靠性至关重要。”
来源访谈 →作为联合国科学咨询委员会新任成员，她要把基于证据的科学观点带入政策制定，用科学领域的AI改善全球人民的生活。
“Anandkumar近期被任命为联合国科学咨询委员会成员，她致力于将基于证据的科学观点带入政策制定，并利用科学领域的AI改善全球人民的生活。”
来源访谈 →金句墙 3 条
“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。
用AI物理基础模型：从天气预测到聚变控制 · 2026/8/26“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。
用AI物理基础模型：从天气预测到聚变控制 · 2026/8/26“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。
用AI物理基础模型：从天气预测到聚变控制 · 2026/8/26