@snowboat84: 补充说明一下，关于AI涌现出来的那些现象，scaling law、emergence、双重下降、表征几何，目前相关讨论的论文已经汗牛充栋。但这里有一个很大的问题：他们都在用计算机科学家的方式思考，而不是物理学家的方式思考。 什么是计算机科…

X AI KOLs Timeline 新闻
ai-emergence scaling-laws double-descent representational-geometry physics-thinking cyberspace

摘要

作者评论当前AI研究过多使用计算机科学的思维方式而缺乏物理学方法，提出需要建立如'Cyber Space'的理想系统来奠定理论基础。

补充说明一下，关于AI涌现出来的那些现象，scaling law、emergence、双重下降、表征几何，目前相关讨论的论文已经汗牛充栋。但这里有一个很大的问题：他们都在用计算机科学家的方式思考，而不是物理学家的方式思考。 什么是计算机科学家的思维方式？看到一个现象，挑一组数学工具，做一个小实验，去凑解释，可能抓到一点，也可能没抓到。然后再换一个工具，换一组数据，再凑一次。你问他们什么叫做充分必要条件，他们是不管的。这不是科学，这是建模。 物理学的方法完全不同。从一堆纷乱的现象里，提炼出你认为最fundamental的那一组，把它理想化，建立一个孤立的、几乎不存在但概念上清晰的"理想系统"。然后在这个理想系统里把规律彻底搞清楚，最后才一步一步扩张到真实世界。 牛顿第一定律就是这样建立的："不受力的物体永远保持匀速直线运动。"但这条定律不是随便在哪里都成立的。地球上不行，因为地球在自转；太阳系里也不行，因为整个太阳系在绕银河系中心运动；你在跑步、在转椅上、在加速车里，都不是好的参考系，因为它们都在加速。牛顿的处理方式是：只有相对于无限远的恒星天空，才存在一个"绝对参考系"，定律在这里才严格成立。这是一个悬在半空的理想态，现实中无法到达，但概念上必须存在。所有真实的力学问题都是"相对于这个理想态的偏离"，重力，离心力、科里奥利力、摩擦力，都是因为我们所在的参考系不是惯性系才产生的。 没有这个悬在半空的理想态，整个经典力学就建立不起来。 这就是为什么我要引入Cyber Space这个概念。把AI现象放在Cyber Space这个独立世界里，我们才能用物理学家的方式问问题：Cyber Space的"惯性参考系"是什么？什么是它的"理想气体"？什么是它的理想态，那个Space中几乎不存在、但概念上必须首先确立的起点？ 这个问题目前没人在认真问。但只有问出这个问题，新的数学和新的理论才有出发点。否则我们就只能继续看着AI论文堆成山，每一篇都"差不多解释了一点"，但永远建不起新的基础理论。
查看原文
查看缓存全文

缓存时间: 2026/05/24 20:37

补充说明一下，关于AI涌现出来的那些现象，scaling law、emergence、双重下降、表征几何，目前相关讨论的论文已经汗牛充栋。但这里有一个很大的问题：他们都在用计算机科学家的方式思考，而不是物理学家的方式思考。

什么是计算机科学家的思维方式？看到一个现象，挑一组数学工具，做一个小实验，去凑解释，可能抓到一点，也可能没抓到。然后再换一个工具，换一组数据，再凑一次。你问他们什么叫做充分必要条件，他们是不管的。这不是科学，这是建模。

物理学的方法完全不同。从一堆纷乱的现象里，提炼出你认为最fundamental的那一组，把它理想化，建立一个孤立的、几乎不存在但概念上清晰的“理想系统“。然后在这个理想系统里把规律彻底搞清楚，最后才一步一步扩张到真实世界。

牛顿第一定律就是这样建立的：“不受力的物体永远保持匀速直线运动。“但这条定律不是随便在哪里都成立的。地球上不行，因为地球在自转；太阳系里也不行，因为整个太阳系在绕银河系中心运动；你在跑步、在转椅上、在加速车里，都不是好的参考系，因为它们都在加速。牛顿的处理方式是：只有相对于无限远的恒星天空，才存在一个“绝对参考系”，定律在这里才严格成立。这是一个悬在半空的理想态，现实中无法到达，但概念上必须存在。所有真实的力学问题都是“相对于这个理想态的偏离“，重力，离心力、科里奥利力、摩擦力，都是因为我们所在的参考系不是惯性系才产生的。

没有这个悬在半空的理想态，整个经典力学就建立不起来。

这就是为什么我要引入Cyber Space这个概念。把AI现象放在Cyber Space这个独立世界里，我们才能用物理学家的方式问问题：Cyber Space的“惯性参考系“是什么？什么是它的“理想气体“？什么是它的理想态，那个Space中几乎不存在、但概念上必须首先确立的起点？

这个问题目前没人在认真问。但只有问出这个问题，新的数学和新的理论才有出发点。否则我们就只能继续看着AI论文堆成山，每一篇都“差不多解释了一点“，但永远建不起新的基础理论。

非常正确

哈哈哈，有点枯燥吧？

谢谢你的总结

相似文章

@snowboat84: 今天讨论点硬核的。一个问题：AI用到了什么程度的数学? 从工具和模型本身看，AI用到的数学平均年龄150岁，绝大部分是19世纪中叶之前就有的：矩阵乘法、梯度下降、链式求导、傅里叶、内积、概率，大都是本科前两年的内容。 但AI涌现出的一些现…

X AI KOLs Timeline

讨论AI用到的数学主要是19世纪之前的线性代数、微积分等，但涌现现象如Scaling Law、涌现能力、双下降、情境学习和表示几何缺乏数学解释，类比1900年物理学的乌云，认为可能推动21世纪数学发展。

@snowboat84: 这是《当物理遇上AI系列》的下篇。物理在AI中的作用，主要可以分为以下四层：（1）第一层为最底层，贡献了计算的骨架，能量、熵、自由能这些嵌进了AI的训练目标里。（2）第二层为中层，物理塑造了网络的形状，Hopfield的Ising能量函数…

X AI KOLs Timeline

本文探讨了物理学在人工智能中的四层作用，从底层计算骨架到方法论层，认为物理学的方法论正从自然界迁移到AI领域。

@Xudong07452910: AI 开始做数学之后，一个更危险的想法可能会出现： 既然机器能证明定理，那人类数学家是不是没那么重要了？ 这篇 essay《Automation Without Understanding》讨论的就是这个问题。 作者的核心观点很直接：数学…

X AI KOLs Timeline

AI系统在数学上取得突破，帮助推翻Erdős关于平面单位距离的长期猜想，但一篇essay警告：自动化越强，人类理解并审计机器推理的能力越重要，而美国数学人才培养管道正因预算削减而退化。