Anthropic上市在即:物理学家撑起大模型核心团队
万亿Anthropic挤满物理学家:创始团队多物理背景,IPO或成史上最大

他当年觉得自己“晚出生了一百年”,没赶上物理发现集中爆发的年代,如今在AI里找到了属于自己的黄金时代。
编|赵艳秋
史上最大IPO的背后,站着一批“转行”的物理学家。
美东时间11月19日,
Anthropic将以代码“ANT”在纳斯达克挂牌。公司除了公开发行,还会同步做私募配售,两部分加起来募资最高约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。这个规模超过了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,物理学背景的人真不少。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)拿的是理论物理学博士。
这跟人们对大模型公司的惯常印象不太一样。一般人想到的是计算机科学家、机器学习研究者,可在Anthropic,物理学家不只在创始团队里,还撑起了公司人才的一大块。
这种现象还有一定的普遍性。从硅谷的大模型实验室到中国的AI创业公司,越来越多有物理学背景的人正走到AI浪潮的中心。数智前线获悉,今年甚至有国内互联网公司创始人在招AI人才时,点名要面试物理学出身的人。
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
万亿估值的Anthropic,挤满了物理学家
2021年初,七位研究人员离开OpenAI,打算创办一家新的AI公司。当时正值疫情,几个人想碰面,只能约在其中一人的后院,隔着六英尺距离、戴着口罩交谈。
一年后,Anthropic的两位联合创始人回忆这段经历,补上了一个有意思的细节:这群人除了在OpenAI共事过、部分成员在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,大家早在物理学界就认识了。

达里奥自己的经历,就是一个缩影。
达里奥24岁那年是普林斯顿的物理博士生。2007年春天,在盖约特楼地下室的一间办公室里,他跟神经科学教授迈克尔·贝里(Michael Berry)有过一次交谈。聊完这次之后,他第一次动了转行做生物物理的念头。读到博士二年级,他加入贝里的实验室,课题是动物视网膜中的神经细胞如何加工并传递视觉信息。
新方向很快带来一道难题:实验室要同时记录大量神经细胞的电信号,却找不到趁手的设备。
达里奥索性自己上手,做出了一套多电极阵列。贝里后来说,这是个“相当有野心的技术开发项目”。做器件、调设备,达里奥大量时间都花在无尘室里,相关成果最终于2012年写成论文发表。物理学的训练大概留下了这样的习惯:理解问题从基本原理入手,手上没有工具就自己造一个。
从物理转到神经科学,原因是什么?达里奥后来的说法是,“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”,说白了就是去寻找智能的“物理定律”。
博士毕业后,达里奥又去斯坦福大学做博士后,师从教授帕拉格·马利克(Parag Mallick),研究癌症检测及其机制。马利克后来回忆,达里奥此前几乎没有癌症研究背景,但他会利用周末时间,把某个课题上已发表的论文全部啃完,很快跟上进度。
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出现,尤其是AlexNet在图像识别上的表现,让他看到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,最初关注的却是宇宙本身。
卡普兰的母亲是一位科幻小说作家。从小他就对一个问题着迷:人类有没有可能造出超光速飞行器?
为了弄明白这个问题,他选了物理学。此后多年,他沿着一条典型的理论物理学术路径往前走:在斯坦福读本科、在哈佛读博士,到斯坦福大学运营的SLAC国家加速器实验室做博士后,最后进入约翰·霍普金斯大学任教,成为理论物理学教授。
不过在大型强子对撞机物理、粒子物理、宇宙学、弦理论这些方向之间辗转多年之后,沮丧和倦怠感慢慢涌了上来。卡普兰后来回忆:“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。”2018年初,他把一部分时间投到机器学习的学习和研究上。
首席架构师萨姆·麦坎迪什的背景跟达里奥、卡普兰有些相似。他在斯坦福读理论物理博士,方向是量子引力和全息理论。2018年,麦坎迪什也进了OpenAI,开始参与机器学习研究。
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不可预测,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。
这套规律后来被称作“Scaling Laws”,名气不小。
卡普兰多年后回看这段研究时说,物理学的训练给他最大的帮助,是让他习惯先去找最宏观、最重要的趋势,再尽可能精确地把它们描述出来。
物理学的影子也跟着Anthropic的成立走进公司内部,影响了团队怎么搭、人才怎么挑。
Anthropic联合创始人兼总裁丹妮拉·阿莫代(Daniela Amodei)在一次访谈中提到,公司刚创立时最早的约15名员工里,三分之二拿的是物理学博士学位。公司还慢慢形成了一套内部叫“Physicist Pipeline”(物理学家输送管道)的机制:先吸引那些非常聪明、擅长定量分析、能宏观思考的人,再培养他们去做机器学习研究。
2023年8月,达里奥在一档节目中提到:“物理学家学新东西特别快。我们的经验是,招来一位物理学博士,他通常很快就能上手机器学习,并做出成果。”据他所说,当时Anthropic团队里有30到40位物理学家。
当然,AI这个领域还相对年轻。Anthropic团队里有软件工程师、机器学习研究员,也有物理学、伦理学、神经科学背景的研究者,还有政策和运营人员。专业边界并不框住人:研究人员会写代码,工程师也参与研究;公司还会办小型培训,熟悉Transformer的人按不同基础开课,运营和政策团队也能来听入门内容。
02
物理学家在AI里其实一直没缺席。
2024年的诺贝尔物理学奖有点出人意料,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),理由是表彰他们“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提到,物理学为机器学习的发展提供了重要工具。
物理学家和AI的缘分,远比这波大模型浪潮来得早。神经网络理论成形那会儿,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)等人又往前走了一步,把统计物理的方法用于神经网络学习,做出玻尔兹曼机,这个名字本身就出自统计物理。
谢诺夫斯基的经历挺有意思。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,从此迷上大脑与行为背后的复杂问题,慢慢转向神经网络研究,认为“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;到了90年代,这种交叉又扩展到贝叶斯推断、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,让机器第一次有了海量带标注的图片可以“看”。
真正让一批年轻物理学家坐不住的,是2016年的一盘棋。
同年3月,AlphaGo与李世石对弈,第二局第37手落子,让不少职业棋手都没料到。那是人们头一回直观意识到,机器有可能通过学到的本事,走出人类没想到的招法。
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。博士快毕业时,他开始重新考虑自己的职业选择。他后来回忆,这不是因为他不喜欢物理了,而是他逐渐意识到,自己已经成了一个非常狭窄领域里的专家,就算研究成功,可能也要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。
他开始各种尝试,直到看见AlphaGo。他放下手头所有事情,一头扎进深度学习和强化学习:先在伯克利做博士后,后来又加入Google DeepMind,参与Gemini奖励模型方向的研究。2024年,他与同事创办AI公司Reflection AI,想做OpenAI、Anthropic等“封闭前沿实验室”的开源替代者,外界也称它是“美国版DeepSeek”。
姚顺宇也面临过差不多的取舍。不过此“宇”非彼“雨”:他与腾讯的姚顺雨只差一个字,同样出自清华,同样在做大模型。清华物理本科、斯坦福理论物理博士,在外人眼里这份履历很亮眼,可他对自己博士期间的研究并不买账:“没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。”
“我想找一个年轻人机会更多的方向。”量子计算和AI都在他的考虑清单上,但量子计算卡在实验实现上,那既不是他最强的部分,也不是他最感兴趣的部分。AI让他看到了自己熟悉的做法:“更多是你有一个想法,可以用一些数值去验证。在AI里面,这个数值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,理论和实验还没有明确分家,“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,几位曾在金融科技公司共事的物理学家想把AI引进音乐行业。起初他们的目标只是让机器听懂声音、分析声音,后来一次下班后的实验让他们发现,AI居然能直接写歌。模型被他们做成Discord机器人,没想到聚起了一批热情的用户。Suno这家AI音乐公司就是这么来的。
几年过去,Suno已经坐上全球AI音乐头把交椅,成为这一领域首家独角兽,估值54亿美元。2026年5月的一期播客中,主持人向CEO迈基·舒尔曼(Mikey Shulman)发问:量子计算方向的物理学博士,怎么跑去做面向消费者的音乐公司?舒尔曼的回答是,学物理让他明白一件事——机会常常出现在不同领域的交叉地带。Suno踩中的,正是音乐和技术的那条交界线。
姜旭盯上的是另一条路。从本科到博士,他读的都是物理,读博时换过好几个方向。“我觉得人生是要去坐一次火箭的。”他说。
书读得越深,他越觉得自己“晚出生了差不多一百年”。20世纪初那几十年才是物理学的黄金年代,大量基础规律还没被挖出来,“二流的物理学家都能做一流的工作”。反观现在,容易找的规律基本找完了,剩下的全是难啃的硬骨头。
2016年,AlphaGo让姜旭头一回接触深度学习。他自学Python和机器学习,跟了吴恩达在Coursera上的公开课,也动手做了几个开源项目,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子,姜旭把注意力转向具身智能,回国创办亮源新创,主攻具身智能基础模型。他的判断是,AI的能力会从数据最丰富、最容易拿到的文本,一点点往外扩。今天AI的处境,在他看来就像一百年前的物理学,大量问题等着人去探,“遍地都是黄金”。
03
兜兜转转,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——它能直接操控机器人解魔方、把瓶盖拧开。
OpenAI这边也展示过GPT-6 Astra参与电子设备设计的全过程:功能怎么定、外壳怎么画、电路板怎么布、软件怎么集成,模型都能插手,只有原型制作和验证还得交给工程师和制造商。
大模型的本事,正在从屏幕里往屏幕外伸。
产业端的热情跟着上来。11月18日的IDC FutureScape 2027上,IDC全球及中国副总裁王吉平给出数据并表态:“我们正处于物理AI周期与AI超级大周期双频共振的时代。”数字显示,16.7%的企业已经把物理AI列为未来24个月第二大AI投资优先级,35%的CEO把它放进前三大新兴技术投资。
对物理学家来说,这里面有点命运的玩笑。当年他们从物理学出走,投奔AI;现在AI要进物理世界,重力、摩擦、碰撞、空间和时间,这些老熟人又一个接一个回来了。
AI要在现实世界里动手,头一步得先看懂世界。李飞飞创办World Labs,押注“空间智能”。她的目标不是让AI只认出图里有个杯子,而是要知道杯子在三维空间中的位置、跟桌子什么关系、随时间会怎么变。
2025年,World Labs推出首款产品Marble,输入文字、图片或视频,就能生成可探索、可编辑的三维场景。2026年又拿出世界模型Atlas,能依据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,试水让机器人在虚拟环境里训练,再回到现实世界验证。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想干的事,是让模型从视频和真实观察里学世界规律。技术路线以JEPA打底:不去像画家那样一像素一像素地画出下一秒,而是学抽象的世界表征,再叠上记忆与规划,预判动作会带来什么后果。说白了,跟物理学家一个路数——不记每个细节,只抓住支配变化的规律。
看懂了,接下来得会动手。
姜旭认为机器人是实现Physical AGI的重要方向,输入输出都能用多模态模型的数据表征来处理,而多模态模型怎么训练、怎么scale,恰好是他最熟的活。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。训练之前,团队采集了2000多个真实室内外场景转成仿真环境,合成出4000多小时训练数据,然后把训练好的模型放回真实机器人上检验。在姜旭看来,具身智能不能只靠真机一条条采数据,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、CTO王昊,琢磨的问题更“物理”:动作和结果之间究竟是何种关系。对机器人而言,拿起一只杯子就是一道完整的力学题——使多大劲、怎么抓、杯子受力后往哪动,重力、摩擦、碰撞,哪一项算错,杯子都可能掉地上。高中课本里的受力分析,如今成了最前沿的研究课题之一。传统方案一般先训视频生成模型,再接动作模型;王昊想的是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怎样改变环境。2026年4月,自变量发布具身智能基础模型WALL-B,用的就是其所称的“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,还能适应各种形态的机器人?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,他和几位研究者一起创办PI。同年10月推出首个通用机器人基础模型π0,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拼到一起,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从没见过的厨房和卧室。
机器人并不是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、车辆验证这一整套流程。
曹旭东的AI起点,是一门统计物理课。本科在清华大学工程力学系读书时,大二的他因为这门课喜欢上了统计学,随后接触到统计学习。读博期间,他慢慢认定人工智能才是自己愿意长期做下去的事,于是离校去了微软亚洲研究院,做计算机视觉。2016年他创立Momenta,把AI用到自动驾驶上。在他眼里,汽车不过是载体,真正要处理的问题是让机器感知环境、理解环境、作出决策。

自动驾驶之外,曹旭东也在看机器人。他把自动驾驶称作物理AI的序章——这个领域已经慢慢有了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跟现实世界的结合还不止这些。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,赖力鹏和另外两位物理背景的研究者一起创办晶泰科技,想把AI、量子物理计算和自动化实验凑到一块,用来做药物和材料研发。分子由AI辅助设计,反应由AI预测,称量、移液、样品分析交给自动化设备去做,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。只是这一回,动手的不光是人,还有机器。
一百年前,物理学家在实验室里一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。黄金是不是遍地都有,眼下还不好说,但至少他们手里的铲子换了新的。