在人类科技发展历程中，好奇心始终是推动重大突破的关键力量。回溯历史，一个世纪前科学家对原子的探索热情，不仅催生了量子力学这一革命性理论，更为现代计算的核心——晶体管的出现奠定了基础。而蒸汽机这一实用技术的诞生，其真正潜力得以释放，则依赖于热力学领域的基础研究。这种基础研究与实用技术相互促进的模式，在当今人工智能（AI）与数学物理科学（MPS）的交汇处再次显现。
当前AI领域的蓬勃发展，正是得益于MPS领域长达数十年的研究积累。这些基础研究不仅提供了具有挑战性的问题、丰富的数据集，还孕育出深刻的理论洞见，共同推动了现代AI技术的崛起。2024年诺贝尔物理学奖和化学奖的归属，便是有力证明——前者授予了基于物理学原理的基础AI方法，后者则表彰了AI在蛋白质设计领域的创新应用。这一双重认可，凸显了AI与MPS之间日益紧密的联系。
2025年，麻省理工学院（MIT）举办了一场聚焦"AI+MPS未来"的研讨会。这场由美国国家科学基金会资助、MIT理学院及多个院系联合支持的活动，汇聚了AI与科学领域的顶尖学者。他们共同探讨如何最大化利用AI推动MPS发展，以及MPS如何反哺AI创新。会议成果已整理成白皮书，发表于《机器学习：科学与技术》期刊，为学术界提供了重要参考。
MIT物理学教授、研讨会主席杰西·塞勒在访谈中指出，尽管与会者来自天文学、化学、材料科学、数学和物理学等不同领域，但他们在AI应用方面展现出惊人的共性。通过深入讨论，大家达成共识：要实现AI与科学的协同进步，需要在计算基础设施、跨学科研究方法和人才培养体系上进行系统性投入。这种投入不应是单向的——科学不仅能借助AI提升研究效率，AI本身也能通过科学获得改进。例如，科学家擅长从复杂系统中提炼规律，这有助于揭示神经网络的底层原理和涌现行为。塞勒将这种双向互动称为"AI的科学"，它包含三个层面：以科学推理优化AI方法、用科学难题驱动算法创新、借科学工具解析AI运作机制。
塞勒以粒子物理领域为例说明这种互动的价值。该领域研究人员开发的实时AI算法，不仅能高效处理对撞机实验产生的海量数据，加速新物理现象的发现，其算法设计本身也对其他领域具有借鉴意义。他强调，"AI的科学"应成为学术界优先关注的方向，这可能彻底改变我们开发、理解和控制AI系统的方式。
实现AI与科学的深度融合，关键在于培养能够跨越两个领域的复合型人才。与会专家普遍认为，需要更多既精通AI技术又熟悉科学问题的"半人马科学家"。为此，学术机构应在教育体系各阶段提供支持，从设计整合计算与科学课程的本科项目，到开设跨学科博士培养路径，再到实施联合教职聘任制度。
MIT在推动AI与科学融合方面已取得显著进展，其实践与研讨会建议高度契合。在研究层面，该校通过多个协作项目促进双向交流：一方面，各院系研究者积极推进AI驱动的科学项目；另一方面，跨学科机构如AI与基本相互作用研究所（IAIFI）和数据驱动发现的加速AI算法研究所（A3D3）汇聚了不同领域专家，产生更大协同效应。在人才培养方面，MIT苏世民计算学院的"计算教育共同基础"项目帮助学生掌握"计算科学+专业学科"的双重能力；IAIFI与数据、系统与社会研究所合作的跨学科博士项目已吸引约10%的物理学博士生参与，且比例持续上升；专门设立的博士后岗位则为早期研究者提供跨学科探索的自由空间。社群建设方面，MIT通过组织从专题研讨会到大型学术论坛的各类活动，强化了AI与科学交叉研究的领域认同感。
塞勒认为，要在AI与科学领域保持领先，机构需进行系统性规划而非零散尝试。MIT正基于现有基础推进更多结构性举措，包括扩大跨学科教职招聘、增设联合学位项目，以及为"AI的科学"研究提供专项资金。今年，MIT苏世民计算学院与物理系首次联合招聘教职人员，便是这一战略的重要实践。这种有意识的布局，将使MIT在AI发展的下一阶段继续发挥关键作用。
