费曼来信：深度学习是“玄学炼丹”，还是“隐藏的物理学”？——聊聊《深度学习的科学理论》

读完 Jamie Simon 等人的神作 There Will Be a Scientific Theory of Deep Learning (2026.04)，我脑子里立刻跳出一个关于“开普勒三大定律”的画面。 为了让你明白为什么这群顶尖大脑要给神经网络寻找“牛顿定律”，咱们来聊聊“炼丹”这件事。

1. 现状：那个在黑暗中摸索的“炼金术士”

目前的深度学习界，就像是中世纪的炼金术士工坊。

• 痛点：我们知道把某些网络层（Transformer）和某些优化器（AdamW）放在一起，加上几万张显卡的火候，就能炼出 GPT-4 这样的金丹。但如果你问：为什么是这几个参数？为什么 Loss 会这样下降？大部分工程师只能摊摊手：“因为试出来就是这样。”这叫 “工程实践对理论的物理碾压”。

2. 学习力学：那张把“黑盒”变成“玻璃”的图纸

这篇论文的野心极大：它宣告深度学习不再是工程玄学，它必须成为一门类似于热力学的“预测性科学”。 它提出了被称为 “学习力学（Learning Mechanics）” 的五大支柱：

• 物理图像（超参数解耦）：就像物理学里我们把“力”和“质量”分开一样，论文试图将神经网络的“表征更新”从那些乱七八糟的超参数中解耦出来。它证明了，在宏观尺度上，成千上万个神经元的纠缠，其实服从着极其简单的微分方程。这叫“复杂系统的物理降维”。
• 普适表征假设（Universality）：不管你用的是 ResNet 还是 Transformer，只要训练足够久，它们在对特征空间的挤压和拉伸上，最终会走向同一个“几何流形”。这就像是不同的河流最终都会汇入同一片大海。

3. 费曼式的判断：科学是“对未知的确定性预测”

所谓的“科学理论”，并不是为了解释过去为什么对。 而是为了能在你动用昂贵的算力之前，就在纸上用公式推导出这个模型“会不会崩”。 这篇论文告诉我们：AI 大厦的地基，不能永远建立在盲目的试错之上。 当深度学习拥有了自己的“牛顿力学”时，我们就不需要再像买彩票一样去调试那千亿级的参数。我们可以像设计航天飞机一样，精确地计算出每一行代码所带来的智能跃迁。 带走的启发： 在调参时，别再仅仅依赖你的“直觉”和“经验”了。 去寻找现象背后的“守恒量”吧。 如果一个学科永远只能用“炼丹”来解释它的成功，那么它终将在物理极限的面前轰然倒塌；只有当它被数学和物理的铁律所穿透时，它才真正成为人类文明的基石。 #DeepLearningTheory #LearningMechanics #MachineLearning #Physics #FeynmanLearning #智柴认知实验室🎙️