物理学界流传着一个古老的笑话：物理学家无所不能，除了物理。

虽然是句调侃，但在当今的 AI 浪潮中，这似乎成了某种预言。当你剥开 ChatGPT、Claude 或是 Llama 的外衣，往最核心的算法层和决策层看去，会惊讶地发现：怎么满屋子都是学物理的？

从 OpenAI 的分裂到 Anthropic 的崛起，从 Scaling Laws 的发现到 Transformer 的优化，这群曾经天天琢磨量子态、黑洞和宇宙学的聪明脑袋，似乎集体决定换个赛道——不再纠结上帝掷不掷骰子，而是教 GPU 怎么掷出下一个 Token。

今天，我们就按「学术背景 → 核心贡献 → 现状」的结构，盘点一下这几位“稍不留神”就改变了 AI 历史进程的物理学家。看完你或许会明白，为什么说物理学才是 AGI 的“新东方烹饪学校”。

1. Dario Amodei

(Anthropic 联合创始人 & CEO)

  • 物理背景：普林斯顿大学物理学博士。硬核的理论物理与量子计算方向，还顺手在斯坦福和加州理工做了博士后。典型的“谢尔顿”式学术履历。
  • 核心贡献：
    • Scaling Laws (缩放定律)：在大模型还是玄学的年代，他和团队搞出了 Scaling Laws，告诉世界：别瞎猜了，算力、数据和参数量之间有铁律。这直接给“暴力美学”奠定了理论基石。
    • Claude 之父：从 OpenAI 出走后创立 Anthropic，死磕“宪法 AI (Constitutional AI)”，试图给 AI 装上安全阀。
  • 当前状态：Anthropic CEO。正忙着让 Claude 更聪明、更安全，同时思考怎么不让强 AI 把人类带沟里去。

2. Jared Kaplan

(Anthropic 联合创始人 & 首席科学家)

  • 物理背景：约翰霍普金斯大学理论物理学教授。研究了 15 年的量子引力、场论和宇宙学。正儿八经的教授下海，降维打击。
  • 核心贡献：
    • Scaling Laws 的奠基人：他和 Dario Amodei 的名字几乎和缩放定律绑定。把研究宇宙膨胀的劲头拿来研究模型膨胀，结果发现规律竟然出奇地一致。
    • GPT-3 & Codex：在 OpenAI 期间是这两个大杀器的核心参与者。
  • 当前状态：Anthropic 首席科学家。继续在 LLM 的基础理论和安全对齐的无人区里探索。

3. Ilya Sutskever

(OpenAI 联合创始人 & 前首席科学家)

  • 物理背景：多伦多大学计算机科学博士（师从 Hinton），但本科是物理学。早年深受量子计算和统计力学的影响，这种物理直觉贯彻了他的整个研究生涯。
  • 核心贡献：
    • 那个男人：参与了 AlexNet（深度学习爆发的原点）、Seq2Seq、Transformer。几乎踩中了过去十年 AI 所有的关键节点。
    • GPT 系列的主祭司：主导了 GPT-1 到 GPT-4 的研发。是他坚信“无监督预训练 + 微调”能通向通用智能，并用事实打服了所有人。
  • 当前状态：2024 年离开 OpenAI，创办新公司 SSI (Safe Superintelligence)。现在他一心只想搞出安全的 AGI，颇有一种“功成身退，闭关修仙”的意味。

4. Andrej Karpathy

(Eureka Labs 创始人)

  • 物理背景：UBC 物理学硕士（物理仿真/强化学习），斯坦福 CS 博士。他在物理仿真方面的功底，让他对 AI 理解世界的方式有着独特的视角。
  • 核心贡献：
    • AI 布道师：那门著名的 CS231n 课程，大概是全球一半 AI 工程师的启蒙课。
    • OpenAI 早期核心：不仅参与了 GPT-4 的训练，还在特斯拉搞了几年自动驾驶。是个既能写底层 CUDA，又能写高层博客的全栈大神。
  • 当前状态：创立 Eureka Labs。致力于打造 AI 原生的学习平台，看来是想把“老师”这个副业转正，用 LLM 重塑教育。

5. Dan Roberts

(OpenAI 研究科学家)

  • 物理背景：MIT 物理学博士（量子物理），普林斯顿高等研究院 (IAS) 博士后。研究过隐形斗篷和量子信息。这背景，去拍科幻片都够了。
  • 核心贡献：
    • 物理 AI 理论家：合著了《The Principles of Deep Learning Theory》，硬是用统计物理和场论的方法去解析神经网络。把黑盒当物理系统来研究，他是认真的。
    • 用物理学解释 LLM：将平均场理论、中心极限定理应用到 LLM 行为分析上，试图搞清楚“涌现”背后的物理本质。
  • 当前状态：OpenAI 研究科学家。继续在数学和物理的层面，寻找 LLM 的“第一性原理”。

6. 朱泽园 (Zhu Zeyuan)

(Meta FAIR 研究员)

  • 物理背景：清华物理系本科，MIT 博士。IOI 两届金牌，Google Codejam 全球第二。属于那种“智商溢出”的天才型选手。
  • 核心贡献：
    • LoRA 核心合作者：现在谁微调模型不用 LoRA？这项工作大幅降低了微调成本，功德无量。
    • 语言模型物理学：发起了 Physics of Language Models 项目，用可控实验去揭示 LLM 的架构极限。他用 10% 的算力就训练出了超越 Llama3-8B 的基线模型，证明了“脑子好使比卡多更重要”。
  • 当前状态：Meta FAIR 研究员。专注优化算法和科学范式革新，试图把炼丹变成化学。

7. John Hopfield

(普林斯顿大学教授 / 2024 诺贝尔物理学奖得主)

  • 物理背景：正如他的头衔所示，这是一位货真价实的物理学泰斗。他在凝聚态物理领域（特别是自旋玻璃系统）的造诣极深，但他最“出圈”的贡献，却是顺手把物理学的能量概念借给了计算科学。
  • 核心贡献：
    • Hopfield Network：1982 年，他提出了著名的 Hopfield 网络。他天才般地发现，通过定义一个“能量函数”，神经网络的记忆检索过程可以被数学化为一个物理系统寻找“能量最低点”的过程。
    • AI 的物理奠基人：这一思想直接启发了后来的波尔兹曼机 (Boltzmann Machine) 和 Geoffrey Hinton 的深度学习革命。如果不夸张地说，他就是那位把物理灵魂注入 AI 躯壳的普罗米修斯。
  • 当前状态：宗师级人物。2024 年，他与 Geoffrey Hinton 共同斩获诺贝尔物理学奖，这一历史性时刻彻底终结了“物理学和 AI 有什么关系”的争论——关系大到能拿诺奖。

8. 姚顺宇 (Shunyu Yao)

(Google DeepMind 研究科学家)

  • 加戏环节：是的，你没看错，不是腾讯 AI Lab 的姚顺雨！当今 AI 领域有两位拼音同为 Yao Shunyu 的清华天才，切勿混淆。我们介绍的这位姚顺宇，在硅谷的名气更盛。

    2025 年 9 月 29 日，他正式官宣加入 Google DeepMind。在此之前，他在 Anthropic 短暂工作了一年，最终选择离开。据传离职原因很大程度上源于「价值观不合」——矛头直指公司 CEO Dario Amodei（即本文第一位主角）。据悉，Dario 某些近乎偏执的精神状态及令人不适的排华倾向，让这位清华才子最终选择了用脚投票。

  • 物理背景：清华物理系本科特奖得主，斯坦福物理学博士（凝聚态物理/非厄米拓扑）。曾发表 PRL 顶刊，是标准的硬核物理学家。

  • 核心贡献：

    • 跨界降维：从凝聚态物理直接跨界 LLM，将拓扑学和复杂系统的思维引入模型行为研究，用物理视角解构 AI。
    • 物理流对齐：此前在 Anthropic 期间，他致力于用物理学“第一性原理”攻克模型对齐（Alignment）难题，为 AI 安全研究打开了新视角。

  • 当前状态：Google DeepMind 研究科学家。离开 Anthropic 后，正在新的平台上继续他的物理 AI 之旅。

为什么物理学家在 LLM 时代如鱼得水？

看完这份名单，你可能会问：为什么是物理学家？写代码不如 CS 的，搞数学不如 Math 的，怎么就统领了 AI 研究？

其实，物理学背景给了他们四把“隐藏武器”：

  1. 系统思维 (System Thinking)：物理学家习惯看宏观规律。当 CS 工程师盯着该优化哪行代码时，物理学家在看相变、看临界点。Scaling Laws 本质上就是一种热力学定律般的宏观总结。
  2. 数学工具 (Mathematical Toolkit)：统计物理、场论、高维空间几何，这些在物理里算家常便饭的工具，用来描述神经网络这种超高维参数系统简直是降维打击。神经网络的训练动态，在他们眼里可能就是个复杂的能量耗散系统。
  3. 实验范式 (Experimental Paradigm)：物理学是建立在实验基础上的科学。不仅要跑通（Run），更要复现（Reproduce），要探究“为什么”（Why）。这种从现象中提炼理论，再用理论指导实验的闭环，正是当前 LLM 从“炼丹”走向科学的关键。
  4. 跨尺度直觉 (Cross-scale Intuition)：从微观的粒子（神经元/参数）到宏观的宇宙（模型涌现能力），物理学家最擅长处理这种跨尺度的复杂性。如何从简单的单元交互涌现出复杂的智能？这不就是凝聚态物理在干的事吗？

所以，下次如果你在 AI 论文的作者列表里看到一个陌生的名字，不妨去查查他的背景。说不定，他刚刚才关掉了粒子对撞机的控制台，转身打开了 Jupyter Notebook。

写给正在选专业的同学们：别把路走窄了

站在 2026 年回望，计算机科学（CS）依然火热，但“非 CS 不学”的观念可能已经过时了。

如果你的志向是参与下一代 AI 的核心创新，而不仅仅是做一个“调包侠”，那么请记住：AI 的本质是数学和物理的某种投影。

  1. 基础学科的护城河更深：编程语言和框架每三年一换，但微积分、线性代数、统计力学和量子场论的规律恒久不变。掌握这些“第一性原理”，你就能在技术浪潮的更迭中透过现象看本质。
  2. 跨界才是新常态：未来的顶级 AI 人才，很可能是“物理 + AI”、“生物 + AI”或者“脑科学 + AI”的复合体。不要害怕学习那些看似“枯燥”的基础理论，它们是你未来的核武器。
  3. 保持野心与好奇：不要因为自己是学物理、数学甚至是哲学的就觉得离 AI 很远。正如文中这些先驱证明的，当硬核的科学思维遇上强大的计算力，往往能炸出最绚丽的火花。

注：本文梳理的人物任职及研究方向信息收集截至 2026 年 1 月 26 日。在这个日新月异的行业，他们注定持续进化，为 AGI 的未来发光发热。