解不出量子引力，就不算真正的 AGI
物理学家给 AGI 划了一条高线：解出量子引力才算数。这场对话还讲清量子材料与 AI 的真实关系——搜索到的材料要过了可合成一关，结果可能剩零个。
核心论点 · 点时间戳可跳到原声
学太多反而瘫痪，敢天真才敢问原始问题
从学生到研究者最难的不是读懂知识，而是提出能把知识边界往前推的原始问题。Gopakumar 用「天真加经验」来形容这个跃迁：学太多反而会瘫痪，你需要保留一点 naive，才敢问那些看似无从下手的题；导师的作用是教你把大问题拆成当下就能推进的小步骤，又不丢掉终极目标。他的导师 David Gross 很擅长这件事——按他的说法，Gross 的第一个学生做出了师生一起拿诺奖的工作，Witten 也曾获 Fields 奖。现在他带学生复刻同一套方法：头一两个题目由他布置、连他自己也没有答案，陪学生慢慢解到三四年级，再让他们独立提问。
— Rajesh Gopakumar时空不是背景，而是涌现出来的近似
用「水由离散原子组成」来理解弦理论：我们摸到的连续时空，很可能只是某个更深结构在宏观尺度上的低分辨率近似。Gopakumar 强调这不是纯思辨——量子力学本身不允许把时空当作无限可分的光滑背景；加上黑洞（霍金等人发现它有许多反常性质）和大爆炸在奇点处的失效，物理学家必须回答「时空从哪里来」。弦理论恰好给了一个自然框架：时空从更基本的东西里涌现，引力与已知相互作用也能装得进去。这解释了他为什么把「解出量子引力」当作很高的智能标尺：它要求的不只是会做题，而是建立新的概念框架。
— Rajesh Gopakumar材料该反过来设计：先定性能再找结构
先给一个长周期标尺：量子力学最初只为理解原子，现在支撑的各类器件按他的估算约占美国 GDP 的 35%-40%，而商业涟漪要到理论出现四五十年之后才明显展开。他把眼下的阶段叫第二次量子革命：石墨烯这类「偶然发现」的量子材料已在商业化，下一步是用 AI 做逆向材料设计——先定义材料要有什么性能，再搜索什么结构能实现、怎么合成，绕过传统试错化学。他还透露了和 Demis Hassabis 的一段对话：DeepMind 的下一个圣杯是找室温超导体，Hassabis 一开始就叮嘱他别谈量子引力。
— Rajesh Gopakumar卡住是常态，手里要同时押三四个问题
被卡住不是例外，是研究者的日常；尤其从学生转研究者的时期，卡住会让人有 crush 感（被压垮的感觉）。Gopakumar 的策略先是组合对冲：同时推进三四个问题，一个死了就换另一个，按概率总有一个能挪半步。第二招是去上课——学生眼里出现闪光的瞬间，那种满足感能把人从低谷里捞回来，他多次遇到「讲完课回来，卡着的题目突然开了」。第三招是专门学一件一直想学而没时间碰的新东西，换一个新的参考系再回到老问题。
— Rajesh Gopakumar人才是乘法不是加法，缺的从来不是人头
为什么顶级科学集中发生在少数几个地点，而不是均匀分布？Gopakumar 给出了机制：同处一地的交谈、互相拿对方当回音板，即使没有正式合作，大脑也一直处于被刺激的状态；一旦真的合作，两个人带来的不同技能是乘数关系而非相加。他还借物理比喻：普通灯泡里的光子杂乱，激光里的光子彼此相干，一群人形成 coherence 之后也会像激光一样产生激射（lazing）效应。他说许多印度机构的表现其实配不上人才，缺的不是人头而是这种共振氛围；因此 ICTS 的办所原则很简单——只招一流的人，给他们资源和自由度，别让他们把抱负调低。
— Rajesh GopakumarAI 能加速科研，但做不出概念跃迁
AI 刚连着拿了两个诺贝尔奖，但 Gopakumar 把「AI for science」和「science for AI」拆成两件事：前者他认可是超速档，AI 正在加速科研里某一类很窄的任务；可眼下 AI 做的「理论」离他的概念层标准还远，最好的物理靠的是概念跃迁而非模式识别。反过来，science for AI 更被他看好——在 Anthropic 发现 scaling laws 的人里有物理学家出身；Hopfield 本身就是统计物理学家，拿简单物理模型去模拟大脑。沿着这条路，物理学家有可能跟计算机科学家、神经科学家一起，把 AI 从语言模型带到受物理启发的世界模型。这个分野值得记住。
— Rajesh Gopakumar过了可合成性这关，AI 新材料剩零个
全场最清醒的一盆冷水来自观众问答：Google 声称用 AI 发现了大量新材料，但把可行性和可合成性（synthesizability）这一关滤掉之后，Gopakumar 的说法是「I think left with zero」——剩零个。他的态度不是否定 AI 材料学（同场有人举出微软只用 38.5 万参数的 DFT 模型、绕过传统混合方法的例子），而是提醒整条链还长：预测晶体结构之后还要能长出来、能放大，每一步都能把惊喜筛没。他说印度也应该在这条链上下注。这句话对「AI 发现新材料」的叙事是一个有用的反向校准。
— Rajesh Gopakumar原话 · 已逐字校验
I think I'll believe that there is AGI when it solves quantum gravity.
只有当一个 AI 能解出量子引力，我才相信它是 AGI。
Rajesh Gopakumar0:02
he was asking me what do you think are the big unsolved physics question and he said don't tell me about quantum gravity
他（Hassabis）问我：你觉得物理学里最大的未解问题是什么？然后他说：别跟我提量子引力。
Rajesh Gopakumar40:45
a laser beam is much more powerful than your regular light bulb. The laser beam has a coherent set of photons and that's the Bose Einstein effect.
一束激光比普通灯泡强得多，因为激光里是一群彼此相干的光子——这就是玻色-爱因斯坦效应。
Rajesh Gopakumar55:08
the point was that you you you are not just a cog in the wheel like you are might be in some of the welloiled machines of Stanford or Princeton or Harvard or some places.
重点在于你不是机器里的一颗齿轮；在斯坦福、普林斯顿、哈佛这些运转顺滑的机器里，你很可能只是其中一颗齿轮。
Rajesh Gopakumar58:10
as a nation I mean we are a many millennia old civilization we should be thinking in in in terms of the long term investments and that's what I think is going to to to lift the country.
作为一个有着数千年历史的文明，我们应该用长期投资的思维来思考——而我认为那才是能让这个国家往上走的东西。
Rajesh Gopakumar1:10:19
I think of it as a little genie on my uh table uh which uh I mean I never used to code.
我把它（Codex）当成书桌上的一个小精灵——我以前从来不写代码。
Rajesh Gopakumar1:26:38
数字与实体
| 使用量子力学定律的设备占美国 GDP 比例 | 约 35%-40% | 35:44 |
| 天然存在的元素种类 | 92 种 | 8:17 |
| Princeton 同届理论物理博士生中非美国籍人数 | 18 人中 10 人 | 13:24 |
| Gopakumar 建议研究者同时并行的问题数 | 3-4 个 | 50:59 |
术语
- Quantum gravity量子引力
- 统一广义相对论与量子力学的理论目标，目前没有完整理论；弦理论是候选框架。
- String theory弦理论
- 假定基本粒子是一维弦的不同振动模式，试图统一引力与相互作用并解释时空涌现的框架。
- Bose-Einstein condensation玻色-爱因斯坦凝聚
- 大量玻色子在低温下进入同一量子态，文中被借来比喻人才同频后的激射效应。
- Synthesizability可合成性
- 计算预测出的新材料能否真实被合成，是 AI 材料发现最容易翻车的关卡。
收听指南
做 AI for Science 的创业者和投资人，正在纠结去大平台还是以创业心态做硬核研究的工程师与科学家。
前 25 分钟求学故事可以倍速，想抓论点从中段开始听。