Gemini核心贡献者演讲：未来会有数十亿超人级AI爱因斯坦

编辑｜Panda

「我们的核心文明已掌握将沙子转化为硅芯片、硅芯片转化为神经网络、贡献神经网络转化为人工智能的讲未级技术。过去五年，数亿大型语言模型（LLM）的超人能力从蹒跚学步的幼儿跃升至国际数学奥林匹克金牌得主水平，如今更已超越这一界限。核心」

近日，贡献Gemini核心贡献者、讲未级DeepMind Blueshift团队负责人Adam Brown在圆周理论物理研究所发表长篇演讲《训练沙子思考：通用人工智能与物理学的数亿未来》，引发学界与科技界广泛关注。超人在这场演讲中，核心Brown回顾了自己见证AI从“幼儿园水平”狂飙至“博士水平”的贡献全过程，并据此推演：若此趋势延续，讲未级物理学乃至整个科学界将发生何种范式转移。数亿

视频链接：https://mp.weixin.qq.com/s/p3l4kSgB0k2I11ji3kkBLQ

演讲标题：Training Sand to Think: Artificial General Intelligence & Future of Physics
演讲地址：https://www.youtube.com/watch?超人v=Mw60FH5iflI&t=3s

该演讲获得了诺贝尔物理学奖及图灵奖得主Geoffrey Hinton的高度推荐，他评价其“精彩绝伦（amazingly good）”。

在深入解读这场演讲之前，有必要先了解演讲者Adam Brown的背景。

Brown的履历堪称“理论物理学家如何被AI重塑命运”的典型案例。他拥有牛津大学物理与哲学联合学位，后在哥伦比亚大学获博士学位，并曾在普林斯顿大学和斯坦福大学物理系任教。在斯坦福期间，他讲授爱因斯坦广义相对论，研究领域涵盖大爆炸、宇宙暴胀、多重宇宙、黑洞、量子计算，乃至“太空电梯”、“虚无泡泡”及宇宙终极命运等前沿话题。同时，他长期关注物理学与计算机科学的深层交汇。

2018年，Brown加入谷歌。如今，他领导DeepMind内部专注于提升AI科学与推理能力的Blueshift团队，并作为核心贡献者参与Gemini大模型的研发。

演讲伊始，Brown提到自己职业生涯撰写了约40篇理论物理论文，但近年已停止手写论文。原因并非笔力衰退，而是他认为逐篇手写论文更像是一种“罪恶的享受”，而他当下的使命是参与制造一台能“以工业规模”产出知识的机器。这一开场白奠定了整场演讲的基调：身处“AI+科学”风暴中心的人，试图向同行描绘风暴的真实形态。

我们借助AI辅助，对Brown的精彩演讲进行了深度归纳与总结。

从沙粒到会思考的机器

Brown用一句话概括了人类文明当下的特殊坐标：我们已经学会将沙子提纯为硅，将硅制成芯片，将芯片组装为神经网络，并学会了训练这些神经网络去思考。

他强调，这与以往任何“计算工具”截然不同。从算盘到袖珍计算器，人类曾拥有多种辅助科研的工具，但它们仅是“单点工具”，只能完成流程中的特定环节，其余仍需人工介入。

而大语言模型（LLM）不同，它具备完成理论物理学家全部工作流程的潜力，这正是“通用智能（General Intelligence）”的核心含义。Brown判断，LLM极有可能是人类构建通用人工智能的底层基质。

他提醒听众，虽然大众已熟悉ChatGPT、Gemini或Claude等聊天机器人，但往往忽视了一个静默发生的事实：这些系统早在几年前就已悄然通过图灵测试，且未引发专门庆祝。

神经网络是“养成”的，而非“编写”的

要理解大模型与传统计算机程序的本质差异，Brown提出了一个核心比喻：LLM不是被programmed（编程）出来的，而是被grown（培育）出来的。

这一过程分为两个阶段：

1. 预训练（Pre-training）：工程师从随机连接、近乎乱语的人工神经元出发，让模型不断预测文本中的“下一个词”。预测正确则强化神经通路，错误则削弱。这一过程漫长且充满噪声：阅读百万词时，输出仍为胡言乱语；阅读数千万至数十亿词后，能写出语法正确但生硬的句子；直至读完整个互联网（数十万亿词），模型才能就任何话题进行流畅、连贯的对话。
2. 后训练（Post-training）：Brown将其形容为“送进礼仪学校”。预训练后的模型仅机械预测下一个词，往往粗鲁且不服管教。后训练旨在教导模型变得礼貌、配合用户，而非单纯进行文字接龙。如今主流大模型参数量已从十年前的十亿级跃升至万亿级，虽远低于人脑约百万亿突触连接规模，但已足以引发奇迹。

物理学家不务正业：Scaling Law点燃革命

Brown指出，物理学家在AI革命起点扮演了意想不到的角色：带来了“Scaling Law（缩放定律）”的思维方式。

物理学家天生痴迷于寻找简单的幂律关系。例如，身高翻倍，体表面积变四倍，体重变八倍；又如Kleiber定律揭示的动物代谢率与体重的幂律关系，直到多年后才由血管系统的分形维度解释。更著名的则是摩尔定律。

2020年，几位具物理学背景的研究者将这种思维引入神经网络，发现只要按比例放大训练算力、数据量和模型规模，模型在“预测下一个词”任务上的表现，会在对数-对数坐标系下沿直线稳步提升。

这条曲线后来被拓展了整整八个数量级，依然成立。Brown调侃道，这张图“简单到连风险投资人都能看懂”，它直接告诉资本市场：投入算力（钱），即可换取更强的模型。

这条曲线正是过去六年“Scaling时代”的起点。

Brown指出，算力堆叠仅是故事的一部分。过去十年，前沿AI训练算力每年增长约4倍，资金投入每年增长约2.7倍。

目前一次顶级训练需耗费数亿美元，而美国全年GDP近30万亿美元，这意味着增长空间依然巨大。

但比堆算力更重要的，是算法层面的持续打磨：研究者不断识别并改进训练流程中的低效环节，这是过去十年AI进步背后真正的“第一引擎”。

基准测试的“短命史”：从学前班到博士

如果说Scaling Law解释了“AI为何变强”，那么基准测试的兴衰则记录了“AI究竟强到了何种程度”。Brown通过一组测试成绩，描绘了一条令人目眩的曲线。

四年前，高中数学基准测试MATH问世。一名普通CS博士生得分约40%，三届IMO金牌得主得分90%。当时最先进的大模型仅得6%，近乎瞎猜。

预测市场认为，2025年模型达到50%已是“狂妄乐观”，甚至基准测试创建者表示若真实现将“相当震惊”。

然而，50%的门槛几乎被Minerva系统“瞬间”跨越。2024年中，Brown团队系统在MATH上取得90%成绩，团队甚至举办九十年代轮滑迪斯科派对庆祝。但仅六个月后，市面现成大模型近乎满分解决该题目。MATH基准测试就此“死亡”，从“太难”直接跳至“太易”。

随后倒下的是研究生水平的GPQA测试，模拟博士资格考试，人类专家平均分约70%。模型从随机猜测起步，在2024-2025年间冲过专家水准，如今近乎满分。为排除“死记硬背”嫌疑，Brown团队设计了互联网未收录的同分布新题，模型表现未降。

Brown甚至拿出自己在斯坦福批改的广义相对论和量子力学研究生期末考题（从未上网），模型同样在一年半内拿到满分。他半开玩笑地说，连自己的考题也“不幸阵亡”。

此后倒下的基准测试名单不断延长，包括被称为“人类最后考试”的超难度综合测试。

最具标志性的跨越，发生在国际数学奥林匹克竞赛（IMO）。

跨过奥数的门槛

一年多前，一位图灵奖得主曾断言大模型无法解决IMO题目，因其需要真正的创造力而非死记硬背。IMO题目以“高中数学范畴内最难”著称，全球最聪明的少年需训练一两年，六题得金牌者凤毛麟角。

去年夏天，这道门槛被跨越。Brown团队系统在IMO级别测试中六题对五题，达到金牌水准。该系统并非靠堆砌晦涩的形式化证明蒙混过关。IMO主席公开评价其解答“在许多方面令人惊讶”，评卷人认为其清晰、精确、易于理解，且使用了与人类相似的数学抽象方式。

Brown也坦率展示了大模型的“翻车现场”。

经典脑筋急转弯：“父子车祸，父亡，子送医，医生见男孩说‘我不能给他动手术，他是我儿子’，问怎么回事？”（答案：医生是母亲）。大模型对此类训练数据中常见的题目游刃有余。但当题目反转：“母亡，医生注明为‘男孩父亲’”，模型却未察觉反转，机械套用“医生是另一位家长”的答案。

Brown指出，这暴露了模型训练方式留下的特有“癖好”。

人马合作：AI写出数学家愿意联名的证明

跨过IMO门槛十个月后，Brown团队完成了一项更具里程碑意义的工作：真正的、此前无人知晓答案的数学研究。

去年九月，Brown团队与职业数学家合作，采用他称为“半人马式（Centaur）”的协作模式——半人马是半人半马生物，此处“非人的一半”由LLM担任。

过程是一场持续对话：模型提出候选证明思路，人类专家判断价值并引导深入，最终在人类指导下完成完整论文。合作者之一为斯坦福大学教授、美国数学学会现任会长。该教授评价Gemini提出的论证绝非现有证明的简单重包装，而是一种令他本人自豪的洞见。

Brown强调，这在当时已是数学领域大模型的巅峰。但他随即补充：距离“最高水准”的真正含金量，仍有差距。

真正的转折点：AI独立攻克尘封八十年的猜想

进入2026年，局势急转直上。Brown以一句近乎挑衅的玩笑开场：“就在上周，LLM尚未做出过真正重大的数学突破。”现在，这句话已不成立。

这一事件广为人知：埃尔德什（Erdős）于1946年提出的“单位距离猜想”，八十年来数学界普遍认为正方形网格构型为最优解。OpenAI内部一个大模型独立给出了反例，借助代数数论工具，构造出一系列点集，其单位距离对数量超过此前公认上限，从而推翻了这一长期被信以为真的猜想。

此题并不冷门，此前许多人尝试过，但数学家们长期徘徊在“证明”而非“反证”方向。Brown特别提到，菲尔兹奖得主高尔斯（Gowers）参与了复核并给予高度评价。

Brown判断，这是大模型在数学领域取得的第一个真正意义上的重大突破，且绝非最后一个。“闸门已开”，随着模型实力持续超越“制造突破所需的门槛”，更多类似成果将接连出现。

他半开玩笑地补充，此题率先被攻克，大概是因为其结构恰好踩在大模型的“舒适区”；接下来，模型将先解决“对AI友好”的难题，再逐步攻克“不那么友好”的难题。

国际象棋给出的预言

为证明曲线将持续上扬，Brown展示了一张看似随手绘制实则源自国际象棋计算机棋力真实数据的曲线图：一条持续攀升的直线。纵轴为Elo等级分，横轴为年份。

Brown梳理出国际象棋AI发展的四个阶段：

1. 玩具时代：计算机能走出一步合理棋步即为奇迹。
2. 工具时代：计算机仅在残局计算或开局记忆等特定环节发挥作用。
3. 半人马时代：最强组合是大师与计算机深度搜索能力的协作。
4. 超人时代：人类全面进入此阶段，顶尖棋手与计算机合作时，最优策略是放手让计算机自己下。

Brown认为，科学研究领域几乎可逐一对应这四个阶段。

他总结出四条规律：

1. 战术与战略的差异：同等综合实力下，计算机在战术和搜索速度上胜过人类，但在战略和“品味”判断上偏弱。这正是当前大模型在数学和物理研究中的特征：擅长套用既有引理和技巧，不擅判断“整体方向”，但短板正在快速缩小。
2. 时间效率：训练AI下棋所需的“对局数量”远超人类一生所能下的棋局，但因机器能不知疲倦地高速自我博弈，实际所需的“日历时间”远短于训练人类棋手。
3. 不可逆超越：计算机棋力一旦超越人类巅峰，便再无停下理由，物理和逻辑上均无理由使其恰好停在人类水平附近。
4. 反向提升人类：国际象棋AI的崛起反而提升了人类棋手整体水平，当今最强人类棋手比历史上任何时期都更强，部分得益于向超强AI学习；且国际象棋运动本身从未像今天这样流行。

Brown的暗示明确：若科学研究重复此轨迹，人类将先迎来完全自主的“AI科学家”，随后是某种意义上的“AI爱因斯坦”……再往后，他坦言已超出预测范围。

即便进步止步，物理学也已被重塑

Brown提出了一个值得警惕的“悲观假设”：若大模型能力从今天起完全停滞，会发生什么？

他直言，目前“行不通”的用法是直接要求模型“发明一套全新的量子引力理论”，结果往往是毫无价值、令人昏昏欲睡的“AI废话”。

更普遍地说，当前大模型仍有四大短板：自主性低、学习速度慢、规划能力差、纠错能力弱。

Brown坦承，这四项短板过去一年均有显著改善，但无一彻底解决。因此，一个能在各学科研究生考试中拿满分的系统，却迟迟未能拿出被称为“重大突破”的成果。

准备演讲时，他甚至画了一条标着问号的“平直曲线”，自嘲这是整场演讲中唯一一张“未持续上涨”的图。但他补充说，等不到2026年底，大家恐怕就要开始争论“重大突破”的定义了。事实证明，这一天比预想来得更快。

不过，即便进步停在此刻，Brown认为大模型已足以彻底改变物理学研究面貌。他列出了几项成熟且持续进步的用法：

• 不带评判色彩的私人导师：凌晨三点随时解答物理学家自身知识盲区，无需打扰世界级专家。
• 编程助手：如今强到“被称为编程助手都显得侮辱”，许多过去被视为“非编程问题”的物理问题，现可重述为代码问题求解。
• 文献检索工具：读完整个领域论文库，直接告知某想法是否已被他人提出；同时充当头脑风暴伙伴。

Brown总结，大模型核心优势在于：速度快、覆盖面广、不知疲倦、可无限复制。培养一名物理学家需数十年，而训练出一个强大模型后可同时运行成千上万个副本——这已足够“彻底改变”这门学科。

结语：物理学的黄金时代

演讲最后，Brown给出了“进步不会停止”的判断。

从宏观看，目前训练资金占全球GDP比例仍小，增长空间充裕；从技术内部看，当前大模型训练方法“远未精妙”，许多显而易见却未被认真尝试的改进思路待挖掘。叠加持续涌入的人才和算力，Brown判断当前模型架构和算力规模已足以通向通用人工智能，即便无全新理论突破。

他也回应了一种悲观论调：大模型只会“模式匹配”，无法产生真正新想法。

Brown认为，若将抽象层次拉得足够高，几乎所有看似“重大突破”的人类创造，本质上也是某种更高维度的模式匹配。该领域反复印证一句行话：“这些模型就是想学”，无论理论上有多少理由说明它们应学不好，其表现总能超出预期。

Brown的结论是，接下来几年，我们将迎来人类与AI协作的“半人马”黄金时代：这些工具将交到物理学家、数学家和各领域专家手中，共同开启科学与数学的新文艺复兴。

再往后，若“造出一个AI爱因斯坦”成为现实，由于复制训练好的模型几乎零成本，人类很可能很快拥有数以十亿计的“超人级AI爱因斯坦”同时运转。这听起来像科幻小说，却正在发生。

Brown表示，长期来看，AI将把物理学带向何方，他与所有人一样难以预测。他甚至认为，AI能力的持续提升正让世界未来变得更难预测。但有一点他敢肯定：接下来的几年，将是物理学历史上最激动人心的一段时光。那些困扰他整个职业生涯的问题，预计将在不远的将来，一一被解答。

(责任编辑：百科)