清华听诺奖得主聊AI,颠覆了我对顶尖科学家的认知
看到这场演讲海报时，我脑海里浮现出三个想法。
第一个很实际：诺贝尔奖获得者，从未近距离接触过，必须去现场看看。
第二个有些不安：引力波，听上去深奥又神秘，但我完全不懂其中门道，曾经觉得和自己八竿子打不着。
第三个，才是真正促使我报名的原因：站在人类科学最前沿的顶尖学者，究竟怎样看待 AI？
整场分享结束，我没记多少笔记。
真正烙印在记忆中的，是三个格外鲜活的片段。
我深挖了一下，才发现他的成就有多了不起。
Barry Barish，2017年诺贝尔物理学奖获得者。
他主导的 LIGO 项目，在 2015 年首次直接探测到了引力波。
爱因斯坦 1916 年的预言，100 年后，人类终于真正“听见”了它。
这意味着什么？
我们不再只能用光来观测宇宙，还可以用引力波来“聆听”——黑洞碰撞、中子星并合，这些事件在时空中泛起涟漪，LIGO 就是那只能捕捉涟漪的耳朵。
人类等待了一个世纪，才长出了这只耳朵。
演讲中最吸引我的，是 Barish 回忆初次看到引力波信号的情景。
有听众问他，那一刻是否如同跨越百年的对话，仿佛在与爱因斯坦隔空交谈。
这个问题问得真浪漫。
但 Barish 的回答，和我预期的截然不同：
「至少有一位同事把那一刻称为盛大的庆祝时刻。但我的反应更接近 panic——恐慌。」
恐慌？
在我的想象中，诺贝尔奖级发现的瞬间应该是：屏幕上出现信号，大家欢呼雀跃，有人热泪盈眶。电影里都是这么拍的。
但他说的是恐慌。
为什么？
因为那是刚升级的新探测器，他们还没完全掌握它；他们本来就能人为制造模拟信号来测试；第一次看到信号的人在德国，信号已经通过互联网传输过。
所以他担心：会不会是假的？会不会有人入侵了？会不会是计算机模拟的事件？
「我的“尤里卡时刻”并没有发生。它更像是一个恐慌时刻。我是在一个月极其艰苦的工作之后，才被说服我们真的看到了引力波。」
整整一个月，从德国追到加州，从路易斯安那查到 Hanford，最后回到原始数据——只为确认这不是假信号。
我想起自己做实验：数据一漂亮，第一反应是“太棒了！”然后直接提交。心里总有个声音在说：万一验证了，结果就没了呢？
我是怕好结果是假的，所以不敢验证。
他是怕好结果是假的，所以非要验证到底。
现场有听众问：AI 这么厉害，物理学家怎么看？
Barish 说：
「在这件事上，物理学家反而是最后一批上车的人，而不是第一批。」
物理学家不是应该最前沿吗？
他给出了一个我从未想过的原因——物理学有一套从 16、17 世纪传承下来的方法：提出假设，设计测试，通过实验检验。后来这套方法被统计学替代。今天探测引力波，会计算概率：我们偶然看到这个信号的概率是多少？
但 AI 呢？
「困难在于，它是一个黑箱。嵌套神经网络给出一个答案，但它不告诉你这个答案有多可靠。判断它的可信度，变成了我们的问题。」
作为理工科研究生，我当然知道 AI 是黑箱。但 Barish 让我意识到的是：知道它是黑箱是一回事，真的去查它靠不靠谱，是另一回事。
我想起这学期用 AI 的状态。它给一段回答，第一眼很漂亮，我就直接用了。因为看起来没问题。
物理学家不能这样。在物理学里，你不能说“AI 告诉我这个信号是引力波”，然后就发论文。你必须能回答：这个判断的置信度是多少？是 99% 还是 99.9999%？误差来自哪里？
这不是物理学家保守，这是他们做科学的方式——从 16、17 世纪的科学方法，到后来的统计学，一直到今天，他们习惯的是：每一个结论，都要能说清楚它有多可靠。
但 AI 是黑箱。它不告诉你。
所以物理学家成了最后一批上车的人——他们还在等一个能让 AI 告诉他们“我有几分把握”的方法。
这个问题，现在还没解。
Barish 也说：
「AI 的潜力会远远超出我今天能想象的东西。至于它能不能做出根本性发现，我不知道。但它可以帮助我们比现在更好地做科学。」
我很喜欢这个“不知道”，我看到了科学家对边界的尊重。
物理学家还在等 AI 学会说“我不确定”。
而我们大多数人，早就心照不宣地爱上了这种不负责任的幻觉。
现场有听众问了个很现实的问题：很多物理专业学生，毕业后会转去金融或计算机。在中国是这样，在美国也类似。
我自己也有过这种焦虑。我本科学电子通信，现在研究生做自动驾驶，未来不确定。本科学的那些东西，我现在基本都忘了。有段时间我会想：那我本科那几年是不是浪费了？
但 Barish 的回答很直接：
「这完全是好事。物理训练你去做世界上几乎任何困难的事情。你可以做工程，可以做金融，可以编程，可以去华尔街，也可以继续寻找磁单极子。世界对我们是开放的。」
他没在回答“转行对不对”。他换了一个视角：专业知识会变，但训练会留下。
我听到这里突然想起前两天看到的一句话：教育最后留下来的，不是你学了哪些知识，而是你系统学习一个领域后，锻炼出来的能力、性格和韧性。
那些公式现在确实忘了，但我系统啃过一个领域的感觉还在——怎么把复杂问题拆解成可以计算的模型，怎么从混乱数据里找到规律，怎么在不确定中保持耐心。这些东西不会因为你换了行业就消失。它们不是以知识点的形式存在，而是变成你大脑里的底层操作系统。
而且，我在科研开悟课（我给这门课起的昵称，哈哈）上学到一个让我印象很深的观点——老师用了整整一节课，系统拆解了“创新常常来自跨界”。那节课对我冲击很大，后续我也会尝试拆解分享出来。
AI 时代，多学科交叉变得越来越重要。你在 A 领域学到的思维方式，放到 B 领域，可能就是突破口。
原来转行不是抛弃过去，而是让过去在新的土壤里重新生长。
演讲结束后，我看到很多人排队合影与交流，命运的齿轮刚好卡在我前面那个人，工作人员无情宣布“时间到”。
我不死心凑过去：“最后一个可以吗？”
Barish 教授笑眯眯地转过身，不仅欣然同意，还极其熟练地冲我的镜头比了个超大的“耶”。
第一件事：我开始“恐慌式验证”。
以前，代码跑通了，我第一反应是“成了”，然后直接提交。
现在，我会先告诉自己要“淡定”，确认一下是不是真的没问题。上周有段代码跑得特别顺，我正准备提交，突然想起 Barish 说的“恐慌”——我回去检查了一遍，发现是因为我把测试数据写死了。
AI给的答案看起来没问题，不等于真的没问题。
第二件事：我让 AI 标注出处。
以前，我让 AI 帮我查一个东西，我一般会直接用。
现在我的提示词里会加一句：“请标注所有引用