在近期一场备受瞩目的学术演讲中，人工智能领域资深研究者亚当·布朗深入探讨了通用人工智能的发展轨迹及其对物理学研究的潜在影响。这场以“训练沙子思考：通用人工智能与物理学的未来”为主题的演讲，不仅吸引了科技界的广泛关注，更引发了关于人类与机器协作新模式的深入思考。
布朗的学术背景横跨理论物理与计算机科学，他在牛津大学获得物理与哲学联合学位后，又在哥伦比亚大学取得博士学位，并在斯坦福大学等顶尖学府任教多年。2018年加入谷歌后，他成为DeepMind旗下Blueshift团队的核心成员，专注于提升AI的科学推理能力，同时也是Gemini大模型的重要贡献者之一。
演讲中，布朗回顾了人类文明从将沙子提纯为硅芯片，到构建神经网络并训练其思考的历程。他特别指出，大型语言模型（LLM）与传统计算工具的本质区别在于其具备完成理论物理学家全部工作流程的潜力，这标志着“通用智能”时代的来临。布朗透露，像ChatGPT、Gemini这样的系统，实际上早已在不知不觉中通过了图灵测试，而这一里程碑事件并未引起足够的社会关注。
在解释LLM的工作原理时，布朗用了一个生动的比喻：这些模型不是被“编写”出来的，而是被“培育”出来的。他详细描述了预训练和后训练两个阶段：预训练阶段，模型通过预测文本中的下一个词来不断调整神经通路，最终达到流畅对话的水平；后训练阶段则侧重于提升模型的礼貌性和合作意愿，使其更符合人类用户的需求。
布朗强调，物理学家在这场AI革命中发挥了关键作用，他们带来的“缩放定律”思维方式为神经网络的发展提供了重要指导。通过按比例放大训练用的算力、数据量和模型规模，研究人员发现模型在预测任务上的表现会稳步提升，这一发现直接推动了AI领域的快速发展。
在基准测试方面，布朗展示了一系列令人惊叹的成果。从四年前大模型在MATH高中数学题基准测试中仅得6%，到如今轻松取得满分；从在研究生水平的GPQA测试中从随机猜测起步，到迅速超越人类专家水平；再到在国际数学奥林匹克竞赛中达到金牌水准，这些进步不仅证明了AI的强大能力，也预示着科学研究新时代的到来。
布朗还分享了AI在数学研究中的实际应用案例。他提到，去年九月，他的团队与职业数学家合作，采用“半人马式”协作模式，即人类专家与LLM共同工作，成功完成了一篇具有原创性的数学论文。这一成果得到了斯坦福大学教授、美国数学学会现任会长的高度评价，认为AI提出的论证具有深刻的洞见。
进入2026年，AI在数学领域取得了更为重大的突破。一个由OpenAI开发的大模型独立攻克了埃尔德什在1946年提出的“单位距离猜想”，这一长期被认为难以解决的难题的解决，标志着AI在数学研究中的潜力得到了进一步验证。菲尔兹奖得主高尔斯参与了对这一结果的复核工作，并给予了高度评价。
为了说明AI能力的持续提升趋势，布朗引用了国际象棋计算机棋力随时间变化的真实数据。他指出，国际象棋AI的发展经历了玩具时代、工具时代、半人马时代和超人时代四个阶段，而科学研究领域也正在经历类似的转变。他预计，随着AI能力的不断增强，人类将迎来与AI协作的“半人马”黄金时代，共同开启科学与数学领域的新文艺复兴。
尽管AI在科学研究中的应用前景广阔，但布朗也指出了当前大模型存在的明显短板，如自主性低、学习速度慢、规划能力差和纠错能力弱等。他认为，这些短板在过去一年中都有显著改善，但尚未得到彻底解决。然而，即便进步停在此刻，大模型也已经足以彻底改变物理学研究的面貌。
布朗列举了大模型在物理学研究中的多种应用场景，如作为私人导师随时解答知识盲区、作为编程助手解决复杂的物理问题、作为文献检索工具快速获取相关信息以及作为头脑风暴的伙伴激发新的研究思路等。他强调，大模型的核心优势在于其速度快、覆盖面广、不知疲倦且可以被无限复制，这将为物理学研究带来前所未有的机遇。
