Anthropic团队物理学家扎堆:从学术后院到万亿IPO
当年觉得自己“晚出生了一百年”,没赶上物理发现大爆发年代,当下在AI里找到了黄金时代。 文|周享玥 编|赵艳秋 史上最大IPO背后,站着一群“转行”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密集的年代,如今这批人在AI里找到了属于自己的黄金期。
编|赵艳秋
史上规模最大的IPO背后,站着一群半路转行的物理学家。
美东时间11月19日,
Anthropic将以代码“ANT”在
翻看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,物理学出身的人格外多。CEO达里奥·阿莫代(Dario Amodei)本科读的就是物理,博士阶段研究
这跟人们对大模型公司的惯常印象不太一样。提起这类公司,大家想到的往往是计算机科学家、机器学习研究者;可在Anthropic,物理学家不光出现在创始团队,还撑起了公司人才的一大块。
这种现象其实有一定普遍性。从硅谷的大模型实验室到中国的AI创业公司,越来越多有物理背景的人正走到AI浪潮的核心位置。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。
物理学的训练究竟给了他们什么?这一轮AI浪潮里,物理学家为什么成了重要的参与者?
01
万亿Anthropic,挤满了物理学家
2021年初,七位研究人员离开OpenAI,打算创办一家新的AI公司。那会儿正值疫情,几个人想碰面,只能约在其中一人的后院,戴着口罩、隔着六英尺交谈。
过了一年,Anthropic 的两位联合创始人再谈这段往事时讲出一个挺有意思的细节:这些人不光都在 OpenAI 待过,其中一部分成员还有过
达里奥自己的经历,就是个缩影。
2007年春天,24岁的达里奥还是
新方向很快抛来一道难题: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。
达里奥干脆自己动手,搭了一套多电极阵列。贝里后来称这是“相当有野心的技术开发项目”。他泡在无尘室里做器件、调设备,这项工作最终在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理解问题,缺工具就自己造。
为什么从物理学转向神经科学?达里奥后来解释,“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”。
博士毕业后,达里奥又去到
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研究成果陆续出现,尤其是AlexNet在图像识别上的表现,让他看到这项技术开始展现出真正的潜力。
2014年底,达里奥加入百度,进入
Anthropic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?
他最后选了物理学来追这个问题。接下来许多年,他走的是一条理论物理学者常见的路:本科念斯坦福,博士读哈佛,之后去了斯坦福大学运营的
但在
与达里奥、卡普兰背景相似的,还有首席架构师萨姆·麦坎迪什。他曾在斯坦福攻读理论物理博士,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
这就是后来著名的“Scaling Laws”。
“物理学训练最有用的一处,是让我养成先去找最宏观、最要紧的趋势,再尽量精确地把它描述出来。”多年以后回看那段研究岁月,卡普兰这样说道。
Anthropic 成立之后,这种跟物理学的牵连也带进了公司,影响到它怎么搭团队、挑人才。
联合创始人兼总裁丹妮拉·阿莫代(Daniela Amodei)在一次访谈里提到,公司刚起步时最早的约 15 名员工中,三分之二有物理学博士学位。公司内部还渐渐长出一套自己称作“的人才培养机制,先招那些极聪明、擅长定量分析、能宏观思考的人,再把他们培养成做机器学习研究的人。
2023 年 8 月播出的一档节目里,达里奥讲道:“物理学家掌握新知识特别快。我们常看到,招来一位物理学博士,他多半能迅速上手机器学习,并做出成绩。”据他回忆,当时 Anthropic 团队里的物理学家大概有 30 到 40 人。
当然,AI 还是个相对年轻的领域。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,让熟悉
02
物理学家其实从没在 AI 里缺席过。
2024 年的
物理学家和 AI 的交情,比这轮大模型热潮早得多。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“
谢诺夫斯基的经历尤其有看头。他在普林斯顿大学念物理学博士,最早研究广义相对论,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,觉得“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,物理学家就用统计物理去研究神经网络的记忆机制和存储容量;到 90 年代,这种交叉又进一步扩展到
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
可真正让一批年轻物理学家坐不住的,是 2016 年的一盘棋。
那年3月,
当时还在芝加哥大学读理论物理博士的米沙·拉斯金(Misha Laskin),也被那场比赛触动。博士快毕业时,他重新掂量起自己的职业选择。他后来回忆,这不是因为他不喜欢物理了。只是他慢慢意识到,自己已经成了一个很窄领域里的专家,就算研究做成了,可能也得等上几十年才知道它有没有真的产生影响。“也许我只是缺乏耐心。”他说。
他试了各种方向。直到看见 AlphaGo,他撂下手头所有事,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,他和同事创办 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”。
姚顺宇面对的也是差不多的抉择。他名字里的“宇”和腾讯姚顺雨的“雨”并非一字,两人都毕业于清华,方向也都是大模型。清华物理本科加斯坦福理论物理博士,这份履历在外人眼里足够亮眼。但他对自己的研究并不买账:“我博士期间的文章,没人会说不好。可摸着良心讲,它对这个世界的影响有多大?我认为几乎没有。”
“我想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,但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本身。
2022 年,几名在金融科技公司一起干过的物理学家动了念头,要把 AI 引进音乐行业。最初的想法只是让机器听懂声音、分析声音。没想到某天下班后的一次实验让他们发现,AI 居然能直接写歌。模型被做成 Discord 机器人,还意外聚起了一批热情的用户。Suno 这家 AI 音乐公司就这样出现了。
几年过去,Suno 已是全球 AI 音乐赛道的第一只独角兽,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:一个研究量子计算的物理学博士,怎么跑去创办一家面向消费者的音乐公司?舒尔曼的回答是,物理学训练给了他重要的一课——机会常常藏在不同领域的交界处。对 Suno 而言,音乐与技术就是这个交界。
姜旭看到的是另一个机会。他本科和博士都学物理,读博期间试过好几个研究方向。“我觉得人生是要去坐一次火箭的。”他说。
然而越往后读,他越感觉自己“晚出生了差不多一百年”。20 世纪初那几十年是物理学的黄金时代,大量基础规律尚待发现,“二流的物理学家都能做一流的工作”。反观今天,容易找的规律基本已被揭开,剩下的全是难啃的硬骨头。
姜旭第一次接触深度学习是在2016年,契机是AlphaGo。他随后自学Python和机器学习,修了吴恩达在Coursera上的公开课,也动手做过一些开源项目,之后顺利在硅谷拿下第一份AI工作,一年后进入OpenAI。
在大模型研发上干了一段时间,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、最容易获取的文本领域起步,再一点点向外扩。在他看来,眼下的AI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,最吸引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参与电子设备设计的过程:功能定义、外壳设计、电路板布局、软件集成,模型都能插手,只是原型制作和验证仍要交给工程师和制造商。
大模型的本事,正从屏幕里伸到屏幕外。
产业端的热情同样在往上走。11月18日的IDC FutureScape 2027上,IDC全球及中国副总裁王吉平给出判断:“我们正处于物理AI周期与AI超级大周期双频共振的时代。”他同时列出一组数据:16.7%的企业已把物理AI视为未来24个月第二大AI投资优先级,35%的CEO将其列入前三大新兴技术投资。
对物理学家来说,这事多少有点命运的幽默。当年他们离开物理学奔向AI;如今AI要走进物理世界,重力、摩擦、碰撞、空间与时间这些老朋友,又一个个找上门来。
AI想在现实世界里行动,第一步是看懂世界。
李飞飞创办World Labs,押注的是“空间智能”。她要的不只是AI认出图片里有只杯子,还要知道杯子在三维空间里的位置、与桌子的关系,以及它会随时间怎样变化。
2025年,World Labs推出首款产品Marble,用户输入文字、图片或视频,就能生成可探索、可编辑的三维场景。2026年公司又推出世界模型Atlas,可根据图像重建三维空间并模拟场景变化;还收购了机器人仿真团队SceniX,尝试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,曾参与DALL·E 3、Sora和GPT-4o等模型研发,如今加入杨立昆创办的AMI Labs,任联合创始人兼预训练负责人。AMI Labs的方向是让模型从视频和真实观察中学习世界规律,路线以JEPA为基础:不像画家那样一像素一像素画出下一秒,而是学习抽象的世界表征,再结合记忆与规划,预判动作后果。这就像物理学家的工作方式——不记住每一个细节,只抓住支配变化的规律。
看懂之后,还得动手。
姜旭把机器人看作实现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,而多模态模型怎么训练、怎么scale,恰恰是他最熟悉的事。把陌生问题转化成已经解过的问题,几乎是物理学家的本能。
2026年9月,他创办的亮源新创开源通用导航模型LightNav-0。训练它之前,团队先采集了2000多个真实室内外场景转成仿真环境,合成出4000多个小时的训练数据,再把训练好的模型放回真实机器人上检验。姜旭认为,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、CTO王昊,琢磨的问题更“物理”:动作和结果之间到底是什么关系。对机器人来说,拿起一只杯子就是一道完整的力学题——用多大的力、怎么抓、杯子受力后会怎么动,重力、摩擦、碰撞,哪一项算错了,杯子都可能落地。高中课本里的受力分析,成了最前沿的研究问题之一。
王昊的思路不一样:先把视觉和动作装进同一个框架里联合建模,让模型既要判断环境下一步会怎么变,也得明白自己的动作会把环境改成什么样,而不是先训一个视频生成模型、再外挂动作模型。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)的目标更远:一个模型能否尽量多地学会各种任务,还能适配不同形态的机器人?他的底子是本科兼修航空航天工程与物理学,后来到斯坦福攻读航空航天博士,Google Brain和DeepMind都待过。2024年,他和几位研究者一起创办了PI。同年10月,首个通用机器人基础模型π0问世,把互联网规模的视觉语言预训练与多种机器人平台的操作数据捏到一起,叠衣服、收拾餐桌、打包杂货都由同一个模型完成。再往后推出的π0.5,则试着让机器人应付没见过的厨房和卧室。
机器人也不是AI进入物理世界的唯一入口。真实道路上,自动驾驶早已跑通了数据采集、模型训练、车辆验证的闭环。
曹旭东的AI起点,是清华的一门统计物理课。Momenta这位创始人本科读的是清华大学工程力学系,大二那年被这门课勾起了对统计学的兴趣,由此接触到统计学习;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年他创办Momenta,把AI引入自动驾驶。在他眼里汽车只是载体,真正要解决的是让机器感知环境、理解环境并作出决策。
现在他的目光也转向了机器人。曹旭东把自动驾驶看作物理AI的序章——这个领域的数据闭环和商业闭环已逐步形成规模;而机器人得在真实世界里抓取、移动、操作,数据获取和验证都难得多。
AI与现实世界的结合也不止于此:科研中,AI正与自动化设备结合,尝试把计算、设计和实验连成闭环。
晶泰科技由赖力鹏和另外两位同样有物理背景的研究者于 2014 年创办,方向是把AI、量子物理计算与自动化实验拧在一起,用于药物和材料研发。分子设计交给AI,反应结果由模型预测;称量、移液、样品分析这些活儿则由自动化设备完成,数据回传给模型,用来调整下一轮方案。
姚顺宇那句“在 AI 里,理论和实验又不分家了”,放在这里正合适。差别在于,这回动手的不只是人,机器也上了手。一百年前,物理学家靠在实验室里一点点撬开世界的规律;一百年后,当年从物理学离开的那批人带着AI重返真实世界。黄金是不是遍地都有,眼下还说不准,但至少他们手里的铲子换了新的。
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