物理学

当代人工智能已经从传统的数据拟合模型逐步发展为能够完成复杂感知、生成与推理任务的大规模学习系统，在训练动力学、参数耦合及集体行为等方面，呈现出典型的复杂系统特征，其运行规律、演化逻辑可以借助能量、信息、对称性、动力学等物理理论获得新的分析视角。

长期以来，大众与学界普遍形成固有认知：人工智能是纯粹的工程技术、算法工具，物理学是研究自然规律的基础科学，二者各司其职、互不隶属。

因此，本文提出物理第一性AI的核心概念，从最基础的物理学规律和思想出发重构人工智能的模型设计、训练目标与计算推理，推动科学智能迈入新发展阶段。

现代机器学习中的概率建模、能量模型与优化方法，其重要思想可以追溯到玻尔兹曼和吉布斯建立的统计力学体系。

物理学的结构化研究思路，本质就是识别系统的不变性，挖掘不随外界变换而改变的核心本质。

这一系列模型设计形成了物理赋能神经网络架构设计准则：首先识别任务对应的对称变换规律，确定模型所需的不变性、等变性特征，将物理结构前置嵌入模型，替代传统的人工正则化约束。

物理学研究从分子束的单原子研究和电子显微镜两个方向向纳米科学合拢，进入到最后的物理学。

最后的物理学最后的物理学---纳米科学精选

至此（1930年代），物理学的尺度从宏观向微观方向进入到0.1微米尺度，从微观向宏观方向进入到原子尺度（0.1纳米），0.1纳米-100纳米之间的尺度称为纳观nanoscopic，在单一维度上大约为1-1000个原子，这一尺度的颗粒为纳米颗粒，这一尺度上的研究为纳米科学。

在结构层面，物理学的对称性、守恒律、几何约束、因果结构，定义了AI模型的基础架构先验。

物理第一性AI的研究范式，有望为通用人工智能的理论建构与技术突破奠定底层理论根基，从物理学底层构建新一代AI。