Host: Jin-Peng Liu 刘锦鹏

Abstract: 今天的 AI 已经展现出了惊人的能力，但我们对 AI 本身的理解仍然处在一个非常早期的阶段。本次报告将讨论一个基本问题：我们能否像研究物理世界一样，建立一门关于 AI 的科学，并最终用这门科学反过来创造更好的 AI？

我将首先介绍 Physics of AI 的两条路线。第一条路线是从 AI 的复杂现象中寻找简单的数学规律：通过 symbolic regression 等方法，从大量实验数据中自动提取可解释的符号公式，寻找隐藏在神经网络背后的“定律”。第二条路线则更接近现象学：在寻找定律之前，我们首先需要建立一套描述 AI 的语言，对训练过程中反复出现的现象进行定义、分类和组织。我将以 grokking 等训练动力学现象为例，展示如何从观察现象出发，逐渐建立关于 AI 的可积累知识体系。

最后，我将讨论如何从 Physics of AI 走向 AI for AI。如果我们能够描述 AI、发现 AI 的规律，并预测 AI 的行为，那么下一步自然是让 AI 自己完成这些过程。我将介绍我们在 元模型（Meta Model） 等方向上的探索：让模型学习“模型本身”，预测不同架构和训练配置的行为，设计实验、发现规律，并最终形成一个能够自动研究和设计 AI 的闭环。

Bio：

刘子鸣，清华大学人工智能学院助理教授、上海期智研究院 PI、元环智能创始人。本科毕业于北京大学物理学院，博士毕业于 MIT 物理系，师从 Max Tegmark，曾于 Stanford University 从事博士后研究。
研究方向聚焦于 Science of AI、AI for AI 与 AI for Science，致力于理解人工智能系统背后的基本规律，并利用 AI 自动发现和设计更好的 AI。代表性工作包括 Kolmogorov-Arnold Networks（KAN）、PFGM/PFGM++、AI Poincaré、Grokking 等。目前重点探索 AI 训练动力学、模型架构自动发现、元模型（Meta Model）与世界模型，希望推动 AI 研发从依赖人工经验的试错范式，走向可理解、可预测、可自动化的科学范式。
曾获 Google PhD Fellowship，研究成果发表于 NeurIPS、ICML、ICLR 等国际会议，并受到 Quanta Magazine、Scientific American、MIT News 等媒体报道。