对话刘子鸣：从MIT回到清华，给AI找一套“务实的理论”

如果你关注过深度学习圈，大概率 2024 年时听过一个三个字母的缩写——KAN。这篇叫做 Kolmogorov–Arnold Networks(柯尔莫哥洛夫–阿诺德网络) 的论文在 arXiv 挂出后，几天之内席卷了各路技术社群，有人宣称 MLP（多层感知机）这个统治了深度学习几十年的基础砖块可能要被改写，也有人质疑它只是又一个“看起来很美”的架构。近两年之后，KAN 的 GitHub 仓库已经攒下了超过 1.6 万颗星，相关的跟进论文从生物物理到金融建模，铺了一大片。

这篇论文的第一作者叫刘子鸣，当时还是 MIT 物理系的博士生，导师是以“数学宇宙假说”闻名的 Max Tegmark。几个月前，他和合作者关于表示叠加（Superposition）的工作又拿下了 NeurIPS 2025 最佳论文亚军。如今他 MIT 博士刚毕业，在斯坦福做了一段短暂的博士后回到国内，即将入职清华大学人工智能学院担任助理教授。

有意思的是，如果你翻他的主页，会发现他给自己挂的标签既不是“深度学习研究者”，也不是“大模型研究者“，而是三个交错的方向：Science of AI（AI 的科学）、Science for AI（服务于 AI 的科学）、AI for Science（AI 服务于科学）。在这之上，他最想推动的事情有一个更具体的名字，叫 Physics of AI（AI 的物理学）。

用他自己的话说，今天的 AI 处境有点像大航海之前的天文学，大家仰着头看到很多东西，但连把这些观测整理成一张像样星图的“研究语言”都还没有，连第谷（Tycho Brahe）的阶段都还没到，更别提开普勒和牛顿。

最近他在闭关，想做的事正是把 Physics of AI 本身自动化。

以下是 DeepTech 和他的对话。

从物理到 AI：一路试错之后的转向

DeepTech：你本科在北大读物理，去 MIT 也是读物理，后来怎么走到 AI 这条路上来的？

刘子鸣：其实挺早的，大二下我就开始转向 AI 了，不过当时做的还是 AI 和物理的结合。

触发点是我了解到了 GAN（生成对抗网络）。当时就觉得，这玩意好像也没有多难，但它的 formulation（问题构建方式）非常巧妙。我那时就觉得，这就是一个研究的“重点”，我就想做这样的工作。

再一个，那个时候我在物理上的探索，说实话也不太顺利。一方面，理论觉得挺难的，另一方面，做实验、动手也挺难的。所以我当时考虑过计算物理，反正不管计算物理还是 AI，都是在电脑上搞，但觉得 AI 的问题和机会更多一点，就开始往 AI 上看。不过形式上我仍然挂在物理学院，找的也是物理学院的老师做 AI 和物理的交叉，主要是 AI for Physics。

后面读博跟 Max Tegmark，他早就在做 AI for Physics 和 Physics for AI，所以我们早期主要也是 AI for Physics，比如用 AI 去找物理系统中的守恒量、对称性这些东西。到 2022 年底 ChatGPT 出来之后，我们就觉得，AI 好像不再只是一个工具了，它本身变成了研究对象。从那时候起，我们开始把更多精力花在“理解 AI”上。

DeepTech：你这个路径让我想到杨振宁先生，他当年是因为实验不顺利才转去做理论物理，然后找到了自己擅长的方向。

刘子鸣：我可能要更惨一点（笑），理论和实验物理都不顺利，连数论也试过。数论后来觉得太理论了，也放弃了。

DeepTech：你博士跟的 Max Tegmark 是一位典型的 polymath（通才），他的思维方式对你最大的影响是什么？

刘子鸣：Max 是那种什么都懂的人。

之前 Freeman Dyson 把数学家和科学家分成两类，一类叫 bird person（鸟人），一类叫 frog person（蛙人）。鸟人飞得很高，能看到整片山河的图景，喜欢能把不同领域串起来的宏大概念；蛙人则扎在泥里，看得到花朵的细节，一次解决一个具体问题。而 Max 就是绝对的鸟人。

不管是物理、AI、神经科学，还是各种应用领域，他懂的都非常多。他本科其实学的是经济学，在斯德哥尔摩经济学院读的。所以我们经常聊着聊着一个话题，他就能延伸到别的在一般人看来毫不相关的地方。他能看到那些表面不同的问题底下共通的结构，这对我的 research taste（研究品味）影响非常大。

另外还有一点，他特别擅长把一个很难理解的东西解释给别人。这背后其实就是费曼技巧的那个核心判断，如果你不能用简单的话向一个外行讲清楚一件事，说明你自己也没真正理解它。传播学上也是一样，你要让别人知道一个东西，它至少得是一个你能讲清楚的东西。这个也是我跟他学得比较多的。

DeepTech：博士后去斯坦福跟 Andreas Tolias，从物理又转到了神经科学。为什么做这个决定？

刘子鸣：两方面。一方面是我也想做鸟人。神经网络最开始其实就是神经科学那一拨人搞起来的，我想了解一下那帮人的脑洞到底是什么样的。另一方面是有一个具体的项目，我之前做 AI for Physics 时搞过一个找守恒量的工具，他们说有一个神经科学的数据集很合适。虽然后来发现其实也没那么合适，但至少是合作的一个起点。

DeepTech：这么看，你的整个学术路径其实可以概括为在研究“智能的底层原理”？

刘子鸣：对，而这种底层原理需要从非常多角度去触摸和理解，有点像盲人摸象，所有学科都只是摸它的一部分。

关于 Science of AI、Science for AI、AI for Science

DeepTech：能不能用最简单的话说说，这三个方向各自在回答什么问题？

刘子鸣：看研究的主体是什么。前面是工具，后面是研究对象。

Science for AI 和 Science of AI 都是以 AI 为研究对象，science 是研究方法。两者挺像的，但还是要做个区分。Science of AI 更被动，研究的是现有的那些 AI 模型；Science for AI 更主动、野心更大，是用 science 去重构现在的 AI 模型，祈求能造出下一代的 AI 模型。AI for Science 大家已经讲得比较多了，就是用 AI 去推动科学发现。

DeepTech：KAN 应该算 Science for AI？

刘子鸣：我自己很喜欢 KAN 的原因就是它同时包含这三个方面。它主体是 Science for AI，用 science 去重构 AI，但也有 Science of AI 的部分。比如我们解释了为什么 MLP（多层感知机）的 scaling law（缩放律）没有达到理想值，而 KAN 可以比 MLP 更快，所以这个工作也包含对 MLP 的某些理解。同时它也是 AI for Science，因为 KAN 工具做出来之后，最适合它的场景往往是那些你期待背后有某种动力学、有紧凑规律的任务，而不是大语言模型那种你不太指望背后会有紧凑规律的任务。

图丨KAN 的架构（来源：arXiv）

DeepTech：你最初因为 GAN 进入 AI，后来 KAN 又引起那么大关注，这么看似乎有点呼应。

刘子鸣：某种意义上确实是一次 call back。从高层次上看，我的一些代表作（除了 KAN，还有 Poisson Flow 等）它们跟 GAN 的风格都很像，技术上没有多难，工程上也不需要多少算力，但能找到一个比较巧妙的 formulation（问题构建方式），或者说找到一种合适的语言。一旦你找到了合适的语言、合适的结构，问题就变得非常简单。有点像爱因斯坦研究广义相对论的时候找到了黎曼几何，当语言对了，很多东西就自然而然通了。

DeepTech：回头看，KAN 对你意味着什么？是一个架构创新，还是一种思维方式的创新？

刘子鸣：我的很多工作，有些人看着觉得乱七八糟、东搞一下西搞一下，但背后其实是同一个逻辑，我想在神经（neural）和符号（symbolic）这两个世界之间架一座桥。现在的 AI 主要是神经的，而科学主要是符号的。

KAN 对我来说很特别的地方在于，它是第一个让我觉得存在一种类似波粒二象性的东西。在量子力学里，粒子既是波也是粒子。而 KAN 同时是网络，也同时是符号公式，同时是神经的东西，也同时是符号的东西。在它之前，没有这种例子，要么就是神经的，要么就是符号的，要么是 neural-symbolic（神经符号方法），但那往往是用某种比较硬的方法强行把两者拼接起来，不是那么兼容。KAN 很优雅地体现了这种二象性。

正因为这样，我现在思考的另一些问题是沿着这个逻辑继续走。KAN 说的是符号公式和神经网络的二象性，但符号公式本身仍然是一类比较局限的结构。

比如经典算法，像排序这种算法，跟神经网络之间能不能构建二象性？再往前一步，大家现在都在说的 world model（世界模型），它背后可能有物理引擎或物理模拟器，这种东西又该怎么和神经网络之间构建二象性？所以 KAN 其实只是第一步，后面第二步、第三步、第四步都会按照这条逻辑发展下去。

DeepTech：也有一些人觉得 KAN 在大规模任务上可能用处没那么大。你怎么看这种评价？

刘子鸣：这是 no free lunch theorem（没有免费午餐定理)）没有一个模型能在所有任务上都比另一个更好。所以对待模型的正确态度，是找到它的应用场景，然后在它有优势的场景下诚实地发挥这个优势。

具体一点，如果你关心可解释性，尤其是想拿符号形式的表达，你就应该用 KAN；如果你有大量数据，又关心高精度的预测，那你也应该用 KAN。什么时候不应该用？数据量特别小的时候别用，因为 KAN 的 Spectral Bias 更弱，更容易过拟合。大规模大模型场景下，努力调参的话工程上都是能做到的，也许能调得比 Transformer 更好，但我不会一开始就预设 KAN 有一个很强的理由一定比传统 Transformer 更好。

DeepTech：作为 KAN 的提出者，你怎么看它现在的生态？

刘子鸣：我昨天还看到一篇文章，用 KAN 去学生物物理（biophysics）里的一个动力系统，这是我想象中比较“小而美”的理想应用场景。也有一些场景是我一开始没预料到的，比如金融和医疗，这些场景特别需要可解释性，大家就自然用上了 KAN。一个东西对现实世界到底能产生什么影响，作为创造者，很多时候你在创造的时候是想象不到的。

DeepTech：你们去年的 Superposition 论文拿了 NeurIPS 2025 Best Paper Runner-up，核心发现是什么？

刘子鸣：核心发现是，当模型宽度变宽的时候，它的 loss（损失）和宽度之间是一个反比关系。

为什么这个发现令人意外？因为在我们这篇论文之前，甚至包括我自己之前一篇 paper，大家主流的看法是，scaling law 和数据分布有很强的关系。你的数据本身遵循某种幂律（power law），所以是幂律进、幂律出，数据幂律决定了模型幂律。但我们这篇文章打破了这个观点，我们发现，即使你的数据不是幂律、是任意分布，输出仍然呈现出一个类似物理学里“普适类（universality class）”的东西，它把数据的细节全部抹掉，模型永恒地给你一个 1/宽度 的缩放律。

解释这个结果用的是非常简单的理论。方法论上有一点我自己觉得比较独特，也是 Physics of AI 区别于其他理论方法的地方，它是一种“务实的理论”。它的目的是解释甚至改进实验，所以会特别紧贴实验结果，这是形式化（formal）理论做不到的。但同时我们又构建 toy model（玩具模型）去解释背后的机理，这又是纯做实验做不到的。我们在两者中间找到了平衡，而且在玩具模型上的分析，竟然可以迁移到大模型上。

这篇文章的主要贡献其实是来自一作、MIT 的合作者刘逸舟。我的角色差不多就是每周跟他约一次啤酒，一边喝一边在白板上写写画画，讨论实验结果。逸舟最近也准备博士毕业，在考虑下一步计划了。

DeepTech：另一篇《Neural Thermodynamic Laws》把热力学语言用到了大模型训练上，这个想法是怎么来的？

刘子鸣：这篇我个人觉得偏课程项目一点，因为没有太多特别新奇的发现，但作为J人，总是喜欢能有一个统一的框架把很多小而繁琐的观察给整理清楚。出发点是一个非常简单的观察，现在训大模型，大家会用学习率调度（learning rate schedule），先 warm up（升温）、再 stable（稳定）、再 decay（衰减）。我们发现一个事情，最终的 loss 和它最终衰减到哪个学习率，存在一个线性关系。

这个线性关系特别像物理里“热容”的概念。当一个物体有恒定热容的时候，你要升多高的温度，就得吸多少热。这里 loss 类似于“热”，学习率类似于“温度”。一开始观察到这个事情的时候，我就意识到，这可以和物理里的能均分定理（equipartition theorem）建立联系。

从这个对应出发做下去，越做越发现很多东西都能映射到热力学。比如你在一个陡峭的河道里走，在峭壁上弹射的过程中会产生某种“熵力（entropic force）”，算了一下，和物理里的熵力形式是一模一样。这可能不是巧合。物理中的很多理论，本身就是在寻找简单而普遍的东西，很多看起来不同的体系经过一定抽象之后，会变成同一个东西。我们这篇文章就是把优化动力学和热力学，做了一个更显式的联系。

DeepTech：这种视角对训练策略有什么用？

刘子鸣：我们推导出了一个最优的衰减策略，是 1/t（关于训练步数 t 的倒数）。我们没在大模型上试过，但有一些别的文章经验上找出来的最优策略，其实跟我们理论上算出来的 1/t 非常像。可能不严格相同，但至少特征是一致的，一开始掉得快，后面慢慢停掉。

Physics of AI：什么是一种“务实的理论”

DeepTech：你经常说 Physics of AI，但不同人对这个词的理解很不一样。有人觉得是用物理的数学工具分析神经网络，有人觉得是找 AI 版的牛顿定律，还有人觉得是机制可解释性（mechanistic interpretability）换了个马甲。你自己说的 Physics of AI 到底指什么？

刘子鸣：这里需要区分两件事。第一，我们最终的目标是什么？第二，我们用什么方法到达这个目标？

最终的目标（我们的“North Star”）是，我要为 AI 找到一种“务实的理论”。这和传统的理论是有区别的。传统的理论可能是自下而上的，类似数学，从一些第一性原理出发，去推演出东西来。这种做法的坏处是，可能跟现实没那么相关。但另一方面，我也不相信现在的 AI 背后是没有理论的，就是无脑调参。所以我追求的是一种务实的理论。

那怎么达到这个目标？我觉得物理学的方法论本身就是这样一种务实的理论。物理最终是要描述和预测实验现象，所以是务实的。但同时它又是理论，可以定量地预测。要兼顾两者，物理采取的方式是，对真实系统做抽象和简化，研究这个简化后的模型，它可能仍然很复杂，但至少把无关的变量简化掉了。

先在一个更小的模型上研究清楚，再把它迁移回更大的模型，中间肯定有 gap（差距），再一步一步解释这个 gap 是怎么加上来的。不管是机制派、现象学派，还是 Physics of LLMs 那派，目的其实都是找到一种务实的理论。

DeepTech：那你和朱泽园（Zeyuan Allen-Zhu）做的 Physics of LLMs、Anthropic 做的机制可解释性，具体差别在哪？

刘子鸣：大家目的都差不多，硬说区别的话，我比他们更关心训练动力学（training dynamics），他们可能更关心模型最后的结果。朱泽园更关心的是相图，即改这些超参数，最后的指标怎么依赖于这些超参数。Anthropic 关心的是，给我一个模型，我去理解它内部怎么工作。

我关心的层面稍微不一样，比朱泽园稍微更微观一点，但比 Anthropic 又更宏观一点。我关心的是，当我们训练一个模型的时候，它的各种观测量，比如 loss，比如权重的范数，是怎么随着训练演化的？所以有点像是一种“关于曲线的科学”，你训练一个东西，可以同时画 100 条曲线，从曲线里获得洞察，再根据这些洞察去迭代。

但最终，我不会觉得做 Physics of AI 就不认可别人的做法。我的态度是八仙过海、取其精华去其糟粕，不同的叫法、不同的方法，只要能为我所用，我就把它吸纳进来。

DeepTech：你在博客里说 AI 目前还处在“第谷阶段”，有大量的观测数据，但没有开普勒定律，更没有牛顿力学。你觉得 AI 领域积累的“认知债务”有多严重？

刘子鸣：首先纠正一下，那篇博客是我几个月前写的。我现在的认知更悲观一点，可能连第谷阶段都还没到。

虽然互联网上有大量文章、数据，但我现在想做的一件事，是把 Physics of AI 本身自动化，这也跟我闭关的项目有关，因为人做研究还是太慢了。开始做之后我才意识到，我没有太多数据可用。

肯定会有人反问，互联网上那么多文章，为什么说没数据？因为我真正需要的数据，是一种人脑子里的结构化数据，它应该比自然语言更结构化，但往往我们并不会把这种东西写下来，甚至不知道怎么写下来。

什么数据对研究是有价值的？比如我自己写代码的时候，会不断跟自己对话、自言自语，有时候甚至不用语言，脑子里潜意识在做某种判断和取舍，这些数据都没有。再比如老师和学生讨论一个项目，老师建议这样做、学生怎么回应、为什么，这些过程的数据也没有。

综合来看，其实我们连“第谷阶段”的数据都还没凑齐。我现在闭关就是要做这件事，先把自己推到第谷阶段。而且我们需要先定义一门新的语言。研究本身是一门新的语言，自然语言只是我们用来交流研究的一种方式。日报仍然是自然语言，我需要把每篇日报结构化成这门新语言，才能开始有这门语言的数据，才能进行训练。

DeepTech：这笔认知债务短期内可能还不会影响 AI 发展，但什么时候它会开始阻碍 AI 迈入下一个阶段？

刘子鸣：认知债务是一个连续的东西。你解决得越多，短期风险越大，长期回报也越大。所以我不觉得它是一个相变，而是一个逐渐的过程。

四个月前我写博客的时候，我更极端一点，觉得需要一个相变式的解决方式。现在务实多了，一步步解决。我现在的目标是，在 2 到 3 年内解决掉 10% 的认知债务，而这 10% 可能能产生 90% 的效益。剩下的债务，我觉得得靠新的赛道，否则你就算继续解决，也只能再多拿到 10% 的效益了。

一方面，大家慢慢开始意识到有“认知债务”这件事。另一方面，有没有意义去解决它，是一个路线选择问题。我赌的是，要解决掉这 10%，才能掘到下一个金矿层。再往下掘、把整层凿穿，可能付出的努力又不值得了，除非你能找到新的机会。

DeepTech：你在博客里还提了一个挺尖锐的观点。AI 的现象学（phenomenology）之所以发展不起来，主要是“发表文化”在阻挡，只有能提升性能、或能讲成完整故事的研究才能发表，而很多你觉得有意思的现象，因为包装不成论文就被扔掉了。这个文化需要怎么改变？

刘子鸣：又是那句话，这个领域发展太快了。四个月前你问我，我会说我们需要建一个社区来做这件事。但现在我觉得，做一个 agent（智能体）就可以了，根本不用发表。

我之前的思路是集体智能（collective intelligence），我观察到一件事，别人观察到另一件事，把这些观察汇聚起来，这个领域有一天会出现类似渗流相变（percolation phase transition）的东西。但我现在意识到，这种相变往往是在一个人的脑子里产生的。我需要一个智能体，能日以继夜不停地去做这些小发现。我之前做日报，其实就是在手动做这件事。

现在我的判断是，第一，这件事 90% 可以被自动化。第二，我可以做得更暴力一点。之前我依赖人的直觉去决定“测什么观测量”，但现在我意识到，我可以一次测 100 万个观测量，暴力地测，再根据结果反推哪个观测量是重要的。

这是超越人类的做法。人脑有一些特别的地方，但可能没有我原来想象的那么特别。至少在“测什么”这件事上，人可能真不如机器。因此，我并不反对 scaling，但在 scale 什么的问题上，我希望我们能更多地去 scale up understanding。

我现在觉得，我们应该造一个机器，它甚至不必像智能体那么聪明，就在搜索空间里暴力搜。这件事不需要社区，因为这个过程对人来说太无聊、太耗时间了。

DeepTech：那人在其中扮演什么角色？

刘子鸣：具体说，人和机器的区别在哪？人能够提出“分布外(out-of-distribution)”的想法（训练数据里压根不存在的新点子），而机器是在“分布内”做排列组合，这是机器特别擅长的。

这也联系到我招学生的标准，我要招能提出分布外想法的人。因为分布内的部分，机器就能代替。

DeepTech：可解释性是你很多工作的核心关切。KAN 是为了可解释，BIMT 也是，Superposition 的研究也建立在 Anthropic 的玩具模型之上。在大家都在拼命追求更大、更强模型的当下，可解释性的优先级应该放在哪？

刘子鸣：这还是回到刚才“认知债务”的问题。现在主流路线是关心 0% 的可解释性，追求更强的模型。我关心 10% 的可解释性，目标是在 2 到 3 年内建出更强的模型。所以作为一种务实的理论，最终还是要建更强的模型，只是把时间尺度拉长了一点。

可能有人选择另一种押注，我要理解 50%，那目标可能是 5 到 10 年，或者 100%，目标是 100 年。但作为一种务实的理论，还是要做一些及时的事情。

DeepTech：听说你最近在闭关搞一个项目，说需要连续的时间进入心流。能透露一下在做什么吗？

刘子鸣：其实做的就是刚才说的，创造研究这门语言。

我之前写过一篇日报，说研究不应该以论文为目标，它应该以知识图谱（knowledge graph）为目标。而这个知识图谱本身就是一种语言。人类的自然语言是线性的，但像电影《降临》里外星人的语言，它是图像化的、环形的。我现在想创造的，就是这样一门图像化的语言，而做研究其实就对应着去改这张图。就先透露这些吧。

关于在清华建组和 AI 的“开普勒定律”

DeepTech：你现在正在招 2027 年秋入学的博士生。你想招什么样的人？

刘子鸣：能提出分布外想法的人。而好奇心驱动是这件事的一个必要条件。

你需要一直保持探索，因为很可能你前 100 个想法都已经被别人想过了。这意味着你不仅要理解知识本身，还要理解人脑是怎么思考知识的，然后找到一个东西，它既是某种意义上“人脑的分布外”，又对现实世界是有意义的问题。这需要很强的好奇心，加上韧性（resilience），因为前 100 次你可能都失败了，如果没有好奇心，你就没有动力坚持。

DeepTech：高校系统内的学术环境相对更强调传统意义上的“有用”和实用主义。如果用你的这套标准，好奇心驱动、分布外研究、甚至用博客代替论文，会不会太理想化？你怎么保护学生的好奇心？

刘子鸣：如果学校有硬性的发表规定，我的学生要达到这种基本的规定是很容易的事情。

我觉得做研究的第一性原理，是拓展自己的知识图谱。这个过程需要好奇心驱动，而发文章只是第二性的，是一个自然而然的副产物。当你知识图谱拓展到一定程度，大到溢出的时候，你发现了一些东西，非常想跟别人分享，不得不把它写下来，这个时候自然会出现文章。博客转文章其实也不是太难的事。

我承认自己做研究确实比较理想主义，我感兴趣、学生感兴趣的东西，我就觉得值得研究。但我逐渐觉得，实用主义的思维方式也不一定是坏事。其实两种可以在一个项目的不同阶段交替使用。第一阶段用理想主义的方式去探索，好奇驱动，定义问题。第二阶段当问题定义清楚、拆解成了工程问题之后，就要用实用主义的态度把工程推起来。否则效率太低。所以一句话就是，像科学家一样问有趣的问题，但像工程师一样把它解决掉。

DeepTech：你提到要在清华开一门 Physics of AI 的课，这门课打算怎么教？

刘子鸣：这门课和一般 AI 理论课最大的区别是，我更关心“做实验”。

理想化一点说，我希望让学生感受到牛顿那句话，“我就像一个在沙滩上玩耍的小孩，捡起这些贝壳”。我可能对之前的人发现了什么一无所知，但我仍然能够通过和这个世界的交互去发现一些美。

常规的 AI 理论课是去教“之前的人发现了什么现象、提出了什么理论”，但这样太像教科书了，好像所有东西都定死了。我会反过来，从一些很小的实验出发。我只告诉你这个模型是什么、我们在干什么，然后我给你画一些观测量，让你自己观察，你不需要先有任何先验知识，就去看这些曲线，你会自己意识到背后可能有什么规律。以这个为引子，我再去介绍前人在这上面做过哪些理论解释。

这也是我博客一直想做的事，就是把所有现象都简化成一个玩具模型。这个玩具模型可以在个人电脑上用一块 CPU、5 分钟之内就跑出这个现象，不需要多少算力就能复现大家关心的现象。

这完全是物理学家研究世界的方式。先做实验，先观察，甚至可以先“当民科”，在玩耍的过程中做一些自己的归纳总结，然后再回过头看前人怎么解释。这样学生对知识的印象会更深刻，因为他是真的动手做了一个东西。如果你直接灌输，他就只能被动接受。

受众方面，本科生和研究生都可以上。开这门课我最主要的目的，是推广 Physics of AI 这种方法论。你不一定要在纸上推公式，也不一定要有 1 万张卡去训大模型，你可以在自己电脑上很快训一个小模型，发现里面的有趣现象，而且这些现象还能和现实建立联系。

DeepTech：如果让你预测，5 年之后我们对 AI 的理解会到什么水平？会有 AI 版的“开普勒定律”吗？

刘子鸣：首先像我刚才说的，我们可能还需要 1 到 2 年去收集“第谷的数据”，因为还没到第谷阶段。

开普勒定律什么时候出现，取决于当前的 scaling 范式什么时候停滞(plateau)。我现在瞄准的是 10% 的可解释性，已经算比较深入的了，绝大多数研究可能只做到 0.1%，这是因为现在 scaling 还没停滞，大家没有动机去做更深的理解。

所以一个更近期的问题是，现在的范式什么时候会停滞？我觉得可能是一年内的事情。一年之后我们进入“第谷阶段”，数据也准备好了，人才也开始转向。可能会有一个延迟，一年后大家意识到 scaling 的机会没那么多了，才会开始转，真正的转向可能是第二年的事情。第二年结束之后，数据收集好了、人也有了，就可以开始“理解规模化（scale up understanding）”。

我们现在是规模化模型和数据，但接下来要规模化理解，当然，这个理解也只是 10%。

图丨开普勒模型与牛顿模型（来源：刘子鸣播客）

如果把“从第谷到开普勒”定义为这 10% 的理解，我觉得三年就够了。但从开普勒到牛顿，才是最难的。这又取决于我们这个范式什么时候会到头，大家什么时候意识到 10% 不够，什么时候开始追求更深的理解。

追到 100% 的时候，牛顿级别的东西才会发生。所以我对这一段时间的估计非常长，甚至有可能 AI 这一波过去之后会进入一个冷静期，有才华的人都去做下一个热点了。

所以开普勒可能三年，牛顿可能要一百年。

DeepTech：最后几个快问快答的小问题，你觉得 AI 研究者最该读的一本非 AI 书是什么？

刘子鸣：《人类简史》，对我启发挺大。这也是结合 Max 给我的启发。我之前会觉得“硬核就是一切”，越难、越不接地气，就越显得厉害。但《人类简史》讲的是，人类社会是由故事驱动的，所以你没法否认故事的重要性。

当然现在大家有时候会过度讲故事。你讲出来的价值减去实际的价值，如果这个差值太大，那杠杆就加太多了，这次别人听你的，下次就不信你了。做影响力的工作，不仅要理解技术本身，还要理解人性。这是我作为一个 nerd 理工男活了这么多年，最近才领悟到的事情。

DeepTech：如果没做 AI，你可能在做什么？

刘子鸣：我申博之前跟留学老师聊天，定的方向其实是量子力学理论。那个时候我也是觉得，量子力学非常高深，越硬核越不接地气，越能显得厉害。不过现实是，我认识很多做量子的朋友都在往 AI 转。所以我猜可能 10% 的平行宇宙里我还在坚守量子理论，另外 90% 的宇宙里，最终都会转去 AI，只是迟早问题。

DeepTech：用一句话形容你理想中实验室的文化？

刘子鸣：Netflix的那句，“极致的自由，前提是极致的人才密度”。招到最有才的同学，给他们足够的自由和资源，让他们自己去碰撞、去探索。就像 OpenClaw 之父 Peter Steinberger 说的，你打不过一个用游戏心态做事的人。当然，在早期同学们还没有太多研究经验的时候，我可能还是会多微操一点（笑）。这种务实是为了更长久的理想主义，只有先存活下来才能再谈理想。

运营/排版：何晨龙