AI 研究的下一個突破：先給 AI 建立物理學，再讓它自己發現架構
劉子明提出真正的AFAI不是寫論文或改訓練管線，而是用物理學方法先把研究結構化，再訓練原模型預測訓練曲線，最終讓AI自己發現下一代架構。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
從物理到AI的轉型
劉子明本科在北大讀物理，後到MIT師從Max Tegmark，早期做AI for physics。ChatGPT出現後，他決定將AI與物理的角色互換，轉向physics of AI，即用物理學的方法論理解與設計AI。他把自己和Max都歸為“鳥人”，善於在不同領域間遷移方法，這為他對AFAI的獨特定義奠定了基礎。
— 劉子明用可視化說服Max
KAN是劉子明的成名作，但Max一開始反對，因為1989年論文證明柯爾莫哥洛夫-阿諾德定理的最壞情況下無法變成算法。劉子明作為物理出身，認為不必關心最壞情況，實際宇宙不是最壞的宇宙。他花兩週做出原型，再用一週做可視化，Max看到網絡內部結構後才驚歎認可。這體現了他“先做出東西再解釋”的研究風格。
— 劉子明語言是自然饋贈
劉子明同意謝賽寧的觀點：大語言模型是反bitter lesson的。LLM成功的關鍵在於語言本身，語言是人類演化百萬年形成的壓縮結果，模型只要能把這份饋贈“吃下去”就能成功，因此對架構要求不高。相反，視覺等模態沒有被壓縮好，世界模型需要設計能學習抽象表徵的架構，這正是後LLM時代模型設計重新重要的原因。
— 劉子明嫁接神經與符號世界
劉子明把自己的研究總結為一條主線：嫁接神經和符號兩個世界。AI for science是用神經方法捕捉符號化的科學規律；science of AI反過來用符號和科學方法去理解、改進AI黑盒。他指出大家常說的AFAI大多是從神經到神經，沒有閉環到符號部分；他的AFAI是“AI for physics of AI”——用AI加速對AI本身的理解，再指導設計更好的模型。
— 劉子明neo labs湧現的本質
劉子明認為，中美同步出現大量neo labs，根本原因是頂尖人才的選擇變了：學界、大廠當大頭兵、自己單幹之間，越來越多人選擇後者。同時當前範式（transformer+scaling）存在明顯夠不著的窪地，比如AutoResearch和世界模型，需要大量早期研究而非純堆工程，這些方向恰好是新實驗室的生存空間。
— 劉子明資本湧入的兩大方向
劉子明判斷，當下資本最活躍的方向是世界模型和AutoResearch。世界模型本質是給機器人一個“腦子”，服務機器人賽道；AutoResearch就是訓練一個AI研究員去做研究。而AFAI目前多被投資人劃到AI for science一類。他親歷融資的體感是“太瘋狂了”，投資人相互打探消息、投項目動作極快，種子輪後可以無限加輪。
— 劉子明與RSI的路線差異
劉子明對比田淵棟的Recursive Superintelligence（RSI）和自己的想法。他認為RSI目前的路線更像是一個“勤奮”的coding agent，強調行動力和迭代次數；而他想做的是“聰明”的AFAI，強調提出想法的命中率。他舉例說coding agent提100個想法可能只有1個work，而他想讓模型提3次就有1個work。兩者是正交方向，最終需要整合。
— 劉子明原模型的頓悟時刻
劉子明從今年年初開始把自己當成模型訓練：每天隨機拉一個數據集和模型，先預測訓練曲線再做實驗。前四五十天預測能力很差，之後突然變準。這個“人體實驗”讓他相信原模型（meta model）存在，即輸入模型架構等條件，輸出訓練曲線的模型。有了原模型，AI就能在事前對想法排序、預測實驗，大大加速AI研究。
— 劉子明最終產品：training autopilot
劉子明設想的最終產品是一個"training autopilot"。用戶不需要知道transformer、不需要懂訓練，只要說清需求（比如預算只有100塊錢），系統就能端到端地設計、訓練、部署模型並交付。他類比說，現在coding讓不會寫程序的人也能寫程序，未來training autopilot讓不會訓模型的人也能訓模型，並孵化各垂直領域的"OpenAI"。
— 劉子明原話 · 已逐字校驗
語言是我們人類演化了百萬年，相當於是自然給我們的一種饋贈。
語言是我們人類演化了一百萬年，相當於自然給我們的一種饋贈。
劉子明18:40
我們這裡想做的是AFAI是一個更聰明的FAI。 比如說我提三次想法，可是你們有一個就work了。
我們這裡想做的AFAI是一個更聰明的AI。比如我提三次想法，其中有一個就能成功。
劉子明47:41
但我說stop就中間其實還有一步，我們是先要做physics of AI這個東西能夠幫助我們去設計AI。
但我說停一下，中間其實還有一步：我們要先做AI的物理學，它能幫助我們去設計AI。
劉子明1:10:46
數字與實體
| 自我訓練天數 | 60天 | 49:49 |
| 預測能力開始變準所需天數 | 四五十天 | 50:56 |
| 結構化良好的AI論文佔比 | 約1% | 59:07 |
| 預計每日可採集思維鏈條數 | 200條 | 1:01:12 |
| 預計兩個月可採集數據量 | 1萬條 | 1:01:12 |
| ResNet相對第二名在ImageNet上的性能優勢 | 10% | 1:16:06 |
| 回國時間 | 2026年3月 | 44:35 |
| 融資啟動時間 | 2026年5月底 | 44:35 |
術語
- Physics of AIAI的物理學
- 用物理學的思想和方法研究AI，理解其行為並指導設計。
- Mechanistic Interpretability機制可解釋性
- 通過拆解網絡內部神經元和表徵，理解模型內部工作機制。
- Meta Model原模型
- 以模型為輸入、輸出訓練曲線的模型，用於預測AI實驗結果。
- Recursive Superintelligence (RSI)遞歸超級智能
- 讓AI不斷自我改進，遞歸地提升自身智能的路線。
收聽指南
AI創業者、關注AGI路線和機制可解釋性的投資人，以及想理解AI研究前沿的工程師。
開頭的個人經歷和結尾的愛好問答可跳過，重點聽中段關於原模型的路線和融資觀察。