在2025网易经济学家年会·夏季论坛上，中国科学院院士、高能物理研究所研究员王贻芳发表“物理为AI及AI为物理”的主题演讲，深入探讨了人工智能与物理学的深度融合，指出二者正引发双向革命，并表明AI虽能取代很多人，但难以取代最聪明的人。
人工智能与物理学双向革命
由中国企业改革与发展研究会、网易财经、网易财经智库联合主办的2025网易经济学家年会·夏季论坛于7月在北京举行，主题为《智驭未来 应势图新》。中国科学院院士王贻芳在此次论坛上带来“物理为AI及AI为物理”的主题演讲，他指出，人工智能与物理学的深度融合正引发双向革命。物理定律为AI算法提供底层约束，AI则成为破解复杂物理难题的新工具，学科边界不断被打破。
AI发展历程回顾
王贻芳表示，人类很早就梦想理解大脑工作机制、通过机器重复大脑工作过程或做出人工大脑。回顾AI发展历史，上世纪40年代，人工神经网络概念开始萌芽；80年代，专家系统与模糊数学推动符号运算，但未形成主流，同期John Joseph Hopfield从凝聚态物理与生物物理交叉领域出发，构建具有非线性响应函数的神经元网络，通过能量最小值法训练参数，虽有容错性，但受限于局部极小值问题，1986年Hinton提出分层前馈网络与反向传播算法，规避计算缺陷，引发80年代末AI研究高峰；90年代，因算力限制陷入低谷，本世纪随着计算能力提升与深度神经网络（层数从2 - 3层扩展至数百层）的突破，结合大数据与概率生成参数，AI在模式识别（如高能物理信号提取）、生成能力（如AlphaGo棋局推演）等领域实现跨越式发展。
AI在物理研究领域的渗透
王贻芳指出在物理研究领域，AI已渗透多个层面。其一，数据处理与模式识别，在高能物理实验中，AI可精准区分信号与本底噪声，提升粒子鉴别与物理仿真效率，例如通过深度学习重建复杂粒子轨迹，使原本模糊的信号清晰呈现；其二，自动化控制与程序生成，AI可优化大型装置（如加速器、托卡马克核聚变装置）的参数调控，DeepMind团队已实现等离子体精准操控，国内同步辐射平台通过AI微调生成用户指导内容，提升设备使用效率；其三，物理知识融合的探索，将量子力学、相对论等理论输入大模型，辅以对称性约束，尝试推动AI从数据拟合转向规律发现。
AI在物理知识应用上的差距
王贻芳表示，AI虽能高效计算理论物理中的高阶圈图，却难以像牛顿从开普勒数据中提炼万有引力定律那样，实现从序列预测模型到深层理论认知的跨越。有实验将开普勒所有行星轨道的预测模型和数据输入人工智能网络，模型能很好地预测行星运行轨道，却给不出牛顿定律。还有研究将高中到本科及奥赛的物理习题输入，结果显示，人工智能专家能得71分，不同人工智能网络仅能得四五十分。这说明AI在掌握和应用物理学知识规律方面还有相当差距，目前最强的推理模型仍落后于人类专家。大语言模型推理能力有限，主要依赖已知的数据，而且需告知数据大致符合的规律，否则很难发现物理规律。
AI的影响力及对人类的取代性总结
王贻芳最后总结道，人工智能已有80多年历史，人工神经网络，特别是深度人工神经网络的发明和反向传递作为计算方法的发明，奠定了现在整个的人工智能方法的基础。计算能力的提升，让人们能做很多人工智能的事情，一定程度上实现了过去的人工智能梦想，也改变了人类生产生活方式，其影响力将来肯定会超过互联网，年轻人大概都会依赖它。但人工智能虽然可以取代很多人，却不会取代最聪明的人。
以上文章由 AI 总结生成