Anthropic上市在即:创始团队多为物理学家,募资最高约904亿美元
今晚敲钟的,是一群物理学家。
当年总觉得自己“晚出生了一百年”,没赶上物理学大发现的年代;如今这批人却在AI里碰上了属于自己的黄金期。
史上规模最大的一次IPO背后,站着一批半路转行的物理学家。
美东时间11月19日,
Anthropic将以代码“ANT”登陆纳斯达克。公司这次除了公开发行,还会同步做私募配售,两块加起来募资最高约904亿美元;若按发行价区间上限算,完全稀释后估值约1.4万亿美元。这个体量已经超过SpaceX今年6月创下的纪录,有望成为史上最大规模IPO。
翻一翻这家公司核心创始人的履历,有个细节挺有意思:这支大模型团队里,物理背景的人实在不少。CEO达里奥·阿莫代(Dario Amodei)本科读的是物理,博士阶段转向神经回路;首席科学官杰瑞德·卡普兰(Jared Kaplan)做过理论物理学家;首席架构师萨姆·麦坎迪什(Sam McCandlish)也是理论物理学博士出身。
这和外界对大模型公司的惯常印象并不吻合。提起这类公司,人们往往先想到计算机科学家、机器学习研究者;可在Anthropic,物理学家不只是在创始团队里露面,还撑起了公司人才的一大块。
这种情况甚至有点普遍。从硅谷的大模型实验室到中国的AI创业公司,越来越多有物理背景的人正走到AI浪潮的中心。数智前线了解到,今年国内甚至有互联网公司创始人招AI人才时,点名要面试物理出身的人。
物理学的训练到底给了他们什么?这一轮AI浪潮里,物理学家又为什么会成为重要的参与者?
01
万亿Anthropic,挤满了物理学家
2021年初,七位研究人员离开OpenAI,决定另起炉灶办一家AI公司。那会儿正赶上疫情,几个人想碰个面,只能约在其中一人的后院,隔着六英尺距离、戴着口罩聊。
一年后,Anthropic的两位联合创始人在回忆这段经历时,又补了个挺有意思的细节:这帮人除了在OpenAI共事过、部分成员还在Google Brain合作过,还有一个共同点——“我们中有不少人是现任或前任物理学家。”达里奥说,大家早就在物理学界认识了。

达里奥自己的经历,就是个缩影。
达里奥24岁那年,2007年春天,人还在普林斯顿念物理博士。盖约特楼地下室有间办公室,他就在那儿跟神经科学教授迈克尔·贝里(Michael Berry)有过一次交谈。那次聊完,转行做生物物理这件事,他第一次真正上了心。读到博士二年级,他进了贝里的实验室,课题是动物视网膜的神经细胞如何处理并传递视觉信息。
新方向很快就甩来一道难题:实验室要同时记录大量神经细胞的电信号,可手头没有趁手的设备。
达里奥干脆自己上手,搭了一套多电极阵列。贝里后来管这叫“相当有野心的技术开发项目”。达里奥泡在无尘室里做器件、调设备,这项活儿最终在2012年发表成论文。这大概就是物理学训练留下的底色:习惯从基本原理出发看问题,缺工具就自己造工具。
为什么从物理学转向神经科学?达里奥后来的解释是,“一直对两个问题感兴趣,智能究竟如何运作,以及能否通过科学和医学改善人类生活”,说白了就是去找智能的“物理定律”。
博士读完后,达里奥又去斯坦福大学做博士后,跟着教授帕拉格·马利克(Parag Mallick)研究癌症检测及其机制。马利克后来回忆,达里奥此前几乎没碰过癌症研究,但他会利用周末时间,把某个课题上已经发表的论文全部啃完,很快就把进度追上来。
也正是在博士后阶段,2012年至2013年前后,Google Brain等团队在深度学习上的成果陆续冒出来,尤其是AlexNet在图像识别上的表现,让他看出这项技术开始显露真正的潜力。
2014年底,达里奥加入百度,进入吴恩达领导的团队,参与的第一个项目就是端到端语音识别系统Deep Speech 2的研发。不到一年,他又转入Google Brain,担任高级研究科学家,并在2016年加入OpenAI。

Athropic另一位关键人物、首席科学官杰瑞德·卡普兰,最早盯上的却是宇宙本身。
卡普兰的母亲是科幻小说作家。打小他就迷上一个问题:人类有没有可能造出超光速飞行器?
为了弄明白这件事,他选了物理学。此后多年,他走的是一条标准的理论物理学术路线:斯坦福读本科、哈佛读博士,到斯坦福大学运营的SLAC国家加速器实验室做博士后,最后进约翰·霍普金斯大学任教,成了理论物理学教授。
但在大型强子对撞机物理、粒子物理、宇宙学和弦理论等多个领域辗转多年后,他慢慢觉得沮丧、倦怠。“这些领域的进展没有我期待的那么快。很多朋友都告诉我,AI正在成为一个非常重要的领域。”卡普兰后来回忆道。2018年初,他开始抽出一部分时间学习和做机器学习研究。
首席架构师萨姆·麦坎迪什的经历跟达里奥、卡普兰有几分像。他也在斯坦福读过理论物理博士,方向是量子引力和全息理论。2018年,他同样进了OpenAI,从那时起投入机器学习研究。
2020年1月,卡普兰、麦坎迪什、达里奥与其他研究者共同发表论文《Scaling Laws for Neural Language Models》。通过一系列实验,他们发现语言模型的性能提升并非完全无法预测,而是与模型规模、训练数据量和计算资源之间存在相对稳定的幂律关系。
这套规律后来被冠以“Scaling Laws”之名,成了大模型领域的金科玉律。
卡普兰多年后回望这段研究时说,物理学的训练给他最大的帮助,是让他习惯去抓最宏观、最重要的趋势,再尽量精确地把它们描述出来。
Anthropic成立之后,这种与物理学的渊源也被带进了公司,影响到团队怎么搭、人才怎么挑。
公司联合创始人兼总裁丹妮拉·阿莫代(Daniela Amodei)在一次访谈中讲过,创立初期最早的约15名员工里,三分之二拿着物理学博士学位。内部甚至跑出了一套被叫作“Physicist Pipeline”(物理学家输送管道)的机制:先吸引那些极聪明、擅长定量分析、能从宏观层面思考的人,再把他们培养成机器学习研究者。
达里奥在2023年8月的一档节目里说,物理学家学新东西特别快,招进来一位物理学博士,往往很快就能掌握机器学习并且做出成绩。他当时提到,Anthropic团队里大约有30到40位物理学家。
话说回来,AI终究还是个年轻的领域。Anthropic团队里除了软件工程师和机器学习研究员,还有物理学、伦理学、神经科学背景的人,以及政策和运营人员。专业边界在这里并不管用:做研究的人写代码,工程师也掺和研究;公司还会办小型培训,熟悉Transformer的人按不同基础开课,运营和政策团队同样能来上入门课。
02
物理学家,从未缺席AI
2024年的诺贝尔物理学奖多少有点出人意料,颁给了两位研究人工神经网络的科学家——约翰·霍普菲尔德(John Hopfield)和杰弗里·辛顿(Geoffrey Hinton),理由是“为利用人工神经网络进行机器学习作出的基础性发现和发明”。诺贝尔物理学委员会还特别指出,物理学为机器学习的发展提供了重要工具。
其实物理学家和AI的缘分,比这波大模型浪潮早得多。神经网络理论成型那会儿,他们就在场。
霍普菲尔德本人就是凝聚态物理学家。1982年他提出“霍普菲尔德网络”,把物理学里的能量函数、稳定状态等概念搬进了神经网络研究。1985年,辛顿与戴维·阿克利(David Ackley)、特伦斯·谢诺夫斯基(Terry Sejnowski)等人又往前推了一步,用统计物理的方法做神经网络学习,搞出了玻尔兹曼机——这名字本身就出自统计物理。
谢诺夫斯基的经历尤其有意思。他在普林斯顿大学读物理学博士,起初研究广义相对论,导师正是霍普菲尔德。后来他去旁听了一门神经科学课,从此被大脑与行为背后的复杂问题迷住,慢慢转向神经网络研究,用他的话说,“宇宙的奥秘比起行为的奥秘都黯然失色。”
一批受过物理学训练的研究者,开始把概率、统计和信息论的工具用到机器学习问题上。上世纪80年代,物理学家用统计物理研究神经网络的记忆机制和存储容量;90年代,这种交叉又延伸到贝叶斯推断、统计学习、模式识别和核方法等领域。
进入新世纪,物理学出身的人照样出现在关键节点上。本科在普林斯顿读物理的李飞飞,2007年前后开始推动建立ImageNet数据集,让机器头一回有了海量带标注的图片可以“看”。
但让一批年轻物理学家真正坐不住的,是2016年的一盘棋。
那年3月,AlphaGo对战李世石,第二局下出的第37手让不少职业棋手都大感意外。人们第一次直观地感觉到,机器也许能通过学习找到人类没想到的解法。
当时还在芝加哥大学读理论物理博士的米沙·拉斯金(Misha Laskin),也被这场比赛触动了。博士快毕业时,他开始重新掂量自己的职业选择。他后来回忆,这不是因为他不喜欢物理了,而是他慢慢意识到,自己已经成了非常狭窄领域里的专家,就算研究做成了,可能也得等上几十年才知道它有没有真正产生影响。“也许我只是缺乏耐心。”他说。
他试了不少方向,直到看见AlphaGo。他撂下手头所有事情,一头扎进深度学习和强化学习:先去伯克利做博士后,之后加入Google DeepMind,参与Gemini奖励模型方向的研究。2024年,他和同事创办AI公司Reflection AI,想做OpenAI、Anthropic这些“封闭前沿实验室”的开源替代者,外界也称它是“美国版DeepSeek”。
姚顺宇也做了差不多的决定。名字上他跟腾讯的姚顺雨只差一个字,可这个“宇”不是那个“雨”;两人同样出自清华,同样在大模型这条路上走。清华物理本科、斯坦福理论物理博士,这份学历在外人眼里足够亮眼,他自己却不买账:“没有人会说我博士期间的文章不好,但摸着良心说,对这个世界有多大的影响?我觉得几乎没有。”
“我想寻找一个对年轻人机会更多的方向。”量子计算和AI都进过他的候选名单,可量子计算的主要瓶颈在实验实现,这既不是他最擅长的,也不是他最感兴趣的部分。AI反倒让他看到了熟悉的研究方式:“更多是你有一个想法,可以用一些数值去验证。这个数值在AI里面,可能就是训练一个模型。”
在他看来,今天的AI很像18世纪的物理学,理论和实验还没明确分家,“你自己可以做实验,也可以做理论推测。”
于是2024年,他在伯克利的理论物理博士后岗位上只待了两周,就转身加入Anthropic,参与Claude模型研发。2025年9月底,他又加入Google DeepMind,继续做大模型研究。

AI带来的机会,正越来越超出基础模型。
2022年,几位在金融科技公司共事过的物理学家决定把AI带进音乐行业。起初他们只是想让机器听懂、分析声音,结果一次下班后的实验让他们发现,AI居然能直接写歌。模型做成Discord机器人后,意外攒起了一批热情的用户。AI音乐公司Suno就这么诞生了。
几年过去,Suno已经是全球AI音乐赛道跑出的第一只独角兽,估值54亿美元。2026年5月的一期播客里,主持人把问题抛给CEO迈基·舒尔曼(Mikey Shulman):一个研究量子计算的物理学博士,怎么跑来做面向消费者的音乐公司?舒尔曼的回答是,物理学训练给他上的重要一课在于,机会常常藏在不同领域的交叉地带。音乐与技术,就是Suno找到的那个交叉点。
姜旭盯上的是另一类机会。本科到博士他读的都是物理,读博那几年换过好几个研究方向。用他自己的话说:“我觉得人生是要去坐一次火箭的。”
只是书越念到后面,他越觉得自己“晚出生了差不多一百年”。20世纪初那几十年才算物理学的黄金年代,大量基础规律还空着,“二流的物理学家都能做一流的工作”。反观今天,容易摘的果子基本被摘完,剩下的全是硬骨头。
2016年AlphaGo让姜旭头一回接触深度学习。他自学Python和机器学习,刷了吴恩达在Coursera上的公开课,也动手做过一些开源项目,之后顺利在硅谷拿到第一份AI工作,一年后进入OpenAI。
在大模型研发里泡了一阵,姜旭把注意力转向具身智能,回国创办亮源新创,专攻具身智能基础模型。他的判断是,AI的能力会从数据最多、最易获取的文本,一点点铺到别的领域去。眼下的AI好比一百年前的物理学,大把问题没人碰过,“遍地都是黄金”。
03
绕了一大圈,物理学家又回到了物理世界
2026年11月,Anthropic发布Claude Fable 5.2,最抓眼球的演示是模型跟一只瓶盖较上了劲——直接操控机器人解魔方、拧瓶盖。
更早之前,OpenAI也展示过GPT-6 Astra怎么参与电子设备设计:功能定义、外壳设计、电路板布局到软件集成,模型都能搭把手,但原型制作和验证还是得交给工程师和制造商。
大模型的能力,正从屏幕里往屏幕外伸。
产业端的热情同样在涨。11月18日的IDC FutureScape 2027上,IDC全球及中国副总裁王吉平给出一组数据:16.7%的企业把物理AI列为未来24个月第二大AI投资优先级,35%的CEO将其放进前三大新兴技术投资。“我们正处于物理AI周期与AI超级大周期双频共振的时代。”
对物理学家而言,这事多少有点命运的幽默。当年他们从物理学出走,扑向AI;现在AI要迈进物理世界,重力、摩擦、碰撞、空间与时间这些老朋友,又一个接一个回来了。
AI想在现实世界里动手,先得看懂世界。
李飞飞创办World Labs,把筹码压在“空间智能”上。她要的不只是AI认出图里有只杯子,而是清楚它在三维空间中的位置、跟桌子的关系,以及随时间会怎么变。
2025年,World Labs首款产品Marble落地,用户拿文字、图片或视频就能生成可探索、可编辑的三维场景。2026年又推出世界模型Atlas,可从图像重建三维空间并模拟场景变化;公司还收购了机器人仿真团队SceniX,试着让机器人在虚拟环境里训练、再回现实世界验证。到了9月,AMD宣布以约82亿美元收购World Labs,李飞飞将出任AMD执行副总裁兼首席科学家。

北大物理本科、MIT物理博士靖礼,参与过DALL·E 3、Sora和GPT-4o等模型的研发,现在加入杨立昆创办的AMI Labs,担任联合创始人兼预训练负责人。
AMI Labs想做的事,是让模型从视频和真实观察中习得世界规律。技术路线建立在JEPA之上:不学画家那样一像素一像素地画下一秒,而是学抽象的世界表征,再结合记忆与规划,预判动作会带来什么后果。这跟物理学家的路子很像——不记每个细节,只抓支配变化的规律。
看懂了,接下来得会动手。
姜旭把机器人看作通向Physical AGI的重要方向:输入和输出都能用多模态模型的数据表征来处理,而多模态模型如何训练、如何scale,恰好是他最熟的部分。把陌生问题转成解过的问题,差不多是物理学家的本能。
2026年9月,亮源新创开源通用导航模型LightNav-0。训练前,团队采集了2000多个真实室内外场景转成仿真环境,合成4000多小时训练数据,再把训好的模型放回真实机器人上检验。姜旭的看法是,具身智能不能只靠真机一条条采数据,还得找到能规模化生产训练数据的办法。
计算物理博士、自变量机器人联合创始人兼CTO王昊,琢磨的问题更“物理”:动作和结果之间究竟是什么关系。对机器人来说,拿起一只杯子就是一道完整的力学题——用多大力、怎么抓、杯子受力后怎么动,重力、摩擦、碰撞哪一项算错,杯子都可能摔在地上。高中课本里的受力分析,如今成了最前沿的研究课题之一。
传统方案通常先训视频生成模型,再接动作模型;王昊想把视觉和动作塞进同一个框架联合建模,模型不光要预测环境下一步会怎样,还得明白自己的动作会如何改变环境。2026年4月,自变量发布具身智能基础模型WALL-B,用的是其自称的“世界统一模型”架构。
Physical Intelligence(简称PI)联合创始人布莱恩·伊希特(Brian Ichter)想把通用能力推得更远:同一个模型,能不能学会尽可能多的任务,还能适配不同形态的机器人?
他本科同时修航空航天工程与物理学,后来在斯坦福拿到航空航天博士,在Google Brain和DeepMind都待过。2024年,他与几位研究者一起创办PI。同年10月,首个通用机器人基础模型π0出炉,把互联网规模的视觉语言预训练和多种机器人平台的操作数据合到一起,同一个模型能叠衣服、收拾餐桌、打包杂货。之后推出的π0.5,又试着让机器人适应没见过的厨房和卧室。
机器人并非AI进入物理世界的唯一入口。真实道路上,自动驾驶早就跑通了数据采集、模型训练、车辆验证的闭环。
Momenta创始人曹旭东与AI结缘,最早是因为一门统计物理课。他在清华大学工程力学系读本科,大二时被这门课勾起对统计学的兴趣,随后接触到统计学习;等到读博,他慢慢想清楚,人工智能才是自己愿意长期做下去的事,于是离校进入微软亚洲研究院,做计算机视觉。2016年他创立Momenta,让AI落地自动驾驶。在他眼中,汽车不过是载体,真正要解决的,是让机器感知环境、理解环境并作出决策。

现在他又把注意力放到机器人上,并判断自动驾驶是物理AI的序章:这个领域已渐渐跑出规模化的数据闭环和商业闭环;而机器人要在真实世界里抓取、移动、操作,拿数据和做验证都难得多。
AI与真实世界的结合还有别的方向:在科研场景里,AI正和自动化设备搭在一起,试着把计算、设计、实验串成闭环。
2014年,赖力鹏和另外两位有物理背景的研究者一起创立晶泰科技,尝试把AI、量子物理计算与自动化实验捏合起来,用于药物和材料研发。分子由AI辅助设计、反应由AI预测,称量、移液和样品分析交给自动化设备执行,实验结果再回传给模型,用来调整下一轮方案。姚顺宇那句话恰好对上了:在AI里,理论和实验又不分家了。区别在于,这回动手的不只是人,还有机器。
一百年前,物理学家在实验室里一点点点点撬开世界的规律。一百年后,当年从物理学走开的那批人,带着AI重新回到真实世界。黄金是不是到处都是,眼下还说不准,但至少他们手上换了一把新铲子。
参考链接:
1、《Daniela and Dario Amodei on Anthropic》,Future of Life Institute,2022年3月4日
2、《‘Very sharp, very ambitious’: Inside Anthropic CEO Dario Amodei’s Ph.D. at Princeton》,The Daily Princetonian,2026年10月16日
3、《Generative SF: How Anthropic is building better, safer AI models》,2024年12月11日
4、《 Dario Amodei (Anthropic CEO) — The hidden pattern behind every AI breakthrough》,Dwarkesh Patel,2023年8月8日
5、《Scaling and the Road to Human-Level AI | Anthropic Co-founder Jared Kaplan》,2025年6月16日
6、《Suno's Mikey Shulman: Everyone Can Make Music Now》,2026年5月13日
7、《对姚顺宇的4小时访谈:请允许我小疯一下!在Anthropic和Gemini训模型、技术预测、英雄主义已过去》,张小珺商业访谈录,2026年5月11日
8、《Reflection co-founders Ioannis Antonoglou and Misha Laskin》,Manifold,2025年3月13日
9、《ChatGPT核心贡献者归国创业:把LLM的Scaling带到具身智能》,DeepTech深科技,2026年5月22日