先说结论
这是一期机器之心对东方理工教授陈云天的访谈。他给自己研究的定义是一句话：让领域知识和AI模型融合，具体拆成两个方向——知识嵌入（把物理知识教给AI，做"有物理常识的AI"）和知识发现（用AI从原始观测数据里找出背后的控制方程），两者构成闭环、持续迭代。这场对话最有价值的不是技术细节，而是一个身处AI for Science一线的亲历者，把行业里被热钱和叙事推着走的部分，和真正能改变科研生产力的部分，清楚地区分开了：他认为"AI scientist 一定是到了这个时间节点"，但当下很多玩家因为资本市场的要求"知道该怎么做，但不能那么做"；他从no free lunch出发论证"通用模型每个行业都很浅"；而整个范式最雄心勃勃的判词是——AI真正的价值是"知道我们不知道的东西"，目前的惊喜还停留在"我们不知道我们知道"。
一、范式本身：知识嵌入与知识发现的双向耦合
陈云天把两个方向讲成了一个逻辑闭环。知识嵌入一侧，他做了十年，从博士期间就开始；知识发现一侧，是从工业落地受阻后"倒着"推回来的。他反复强调这两个词在他读博士时还没有那么fancy的说法，他自己叫"知识跟数据的双向耦合"和"闭环迭代"——和现在流行的"自演化"“递归"是类似的逻辑。
支撑这个判断的证据有两个，都来自他自己的研究。
第一个是方程隐空间。找方程有一个长期困难：不同形式的方程在符号空间里的距离和数学意义上的距离不一致。他举例说，假设四阶导数的方程是正确解，二阶不一定比三阶差，但按编辑距离（edit distance）来看，二阶离四阶明显更远——这就没法做梯度优化，只能用启发式方法，效率很低。他和朱军老师2019年底就尝试找一个能把各种方程嵌入进去、在里面做优化的隐空间，“做了好久没做出来”，直到招了一个数学系学生，一起研究一年后在去年年底投了arXiv，做成了"形式上相近的方程在数据分布上也相近"的隐空间，可以直接做梯度优化。
第二个更有说服力——第一次用真实实验数据找到人类未知的方程。他们和牛津、帝国理工合作，对方有一个大水槽，海浪传播和破碎（wave breaking）这个过程至今没有控制方程。他们用三台摄像机拍摄，提取水气界面，从视频里算出空间和时间导数，进而找出一个方程，“效果还特别好”。他的原话是：以前都是已知一个方程、生成数据、验证AI能不能把它找回来，“你找到东西你还是知道的，这还是一个玩具”，而现在AI"真的可以把它当做一个探索的工具了”。
一个补充的背景判断：他认为数学是AI快速对接的领域（OpenAI和DeepMind近期在数学猜想上的进展是"必然的"），但他自己选择物理，理由坦率——“数学做的好的人太多了”，而他的相对优势是物理直觉。
二、自动化实验：机械臂、高通量数据与"替代实验的方程"
知识发现要落地，瓶颈在数据。陈云天和东方理工朱晨教授、北大朱荣教授、莫凡洋教授等合作做自动化实验平台，主要偏化学，路径是"机械臂做实验→高通量收集数据→从数据里找方程→用方程替代实验"。
具体成果上，2022年与莫凡洋团队合作在Chem（他口中的"Cam"，化学领域顶级期刊）发了封面文章，用机械臂自动化做薄层色谱实验，之后又做自动化柱层析。积累的数据规模是：4900多组薄层色谱、5900多组柱层析数据——“这如果让博士生去做，我不知道要做多久”。基于这些数据，去年他们有一篇子刊和一篇Advanced Science封面文章，内容是从色谱实验数据里找出新方程，使得判断物质极性与保留体积、保留时间不再需要耗时实验，“把物质放进去，在一定精度下直接算出结果”。
这里有一个容易被忽略的行业判断：为什么AI for Science和具身智能结合，湿实验闭环成了稀缺品。他的解释是，干湿闭环实验室里有大量know-how，“你调一个机械臂做一个化学实验，绝对不是像代码里调几个参数那么简单”，天然很慢的东西不符合AI初创公司（甚至要上市的公司）的节奏和叙事——“未来半年到一年甚至两年内，会产生一个非常大的gap，这个gap也许是学术界的另外一个机会”。
三、行业批判：通用叙事、benchmark逻辑与"挑软柿子"
这是整期访谈里最锋利的部分。陈云天的批判不是否认AI，而是指出当下主流做法的结构性问题。
第一层：AI scientist到了节点，但方法未必对，宣传肯定过了。 他承认AI处理问题的能力"已经不亚于一个博士生"，又有规模化、7×24实验能力，所以"一定是下一步的方向"。但当下做法大多还限在大模型架构里"读文献、分析分析"，本质还是"一个大脑"。他点名了某公司的宣传翻车：说数学上多大突破，“后来被打假”，实际是"一个非常懂的人跟AI合作"，却宣传成"啥都不懂的人在AI加持下发现什么"。
第二层：生物医药和气象的成功，是因为它们"最像计算机"。 这是全场最值得记住的机制解释。气象有ERA5这样的数据基础设施（还有美国NOAA等），生物医药有AlphaFold这类场景，“天然就特别像我们以前的图像识别、自然语言处理”。但一旦进入具体工业场景就完全是另一回事——他做瑞来智慧时的教训：同一型号电机在同样两条生产线上，performance和pattern就不一样，数据天然稀缺、物理机理不一致，“你连数据基础都没有”。
第三层：化学和物理的复杂度结构不同，工具必然分化。 化学的复杂度来自变量个数和特征维度（SMILES编码一百二十多维，但每个映射的非线性不强，需要好的表征方法）；物理的复杂度来自每个量耦合在一起的非线性（湍流的物理量就速度、压力几个，但至今没人能解决）。所以"将来science里面不同领域，它的特征一定导致工具箱里有不同的工具"，而机械臂路线适合化学、未必适合物理。
第四层：no free lunch与通用之辩。 他引周志华书中的no free lunch定理（在某个场景效果好的模型一定有场景效果不好，有数学证明），推论是"没有真正所谓的通用，只有定义范围内的通用"：通用模型的好处是行业跨得多，代价是每个行业都浅；专用模型在行业维度上小，但在行业里够深，“一纵一横的问题”。连数值仿真这个"通用"方法实际也是模块化的——COMSOL有电磁、热、力、流体模块，方程联立、按问题采购，方程本身就不通用，牛顿定律在极小和极大尺度也不OK。至于"通用超级智能"，“可能更多只是一个非科学的词汇，大家总得融资嘛，总要上市”。
四、物理世界模型：从"小学生的世界"到博士生的低维映射
谈到世界模型，他先做了个防御性声明：“当我们讨论世界模型时，我们到底在讨论什么”——不同背景、不同目的的人定义不一样，“容易鸡同鸭讲”。
他的核心比喻：现在用海量自然视频训出来的世界模型，“撑死了是一个小学生的感觉”——在现实世界里跑跳没问题，但"并不理解这个世界，是经验性的"。而受过科学训练的人理解世界的方式是靠抽象理论：方程"本质上是我们对世界的一个非常低维的映射的表达，用很少的参数量表达了一个相对普适的规律"。一个小学生从山里到草坪，世界就颠覆了；学物理的人只要重力加速度类似，两个场景就是同一类。现在的世界模型做不到这一点。
要往"物理世界模型"走，他认为需要相对显式的知识嵌入，甚至神经符号融合（neural symbolic）的方式——而不是常规的"多模态隐空间怎么做就行"。但他也承认一层更深的开放问题：人类现在的理论就是对的吗？从地心说到日心说，“太阳也不是中心”，认知本身在迭代，所以"这个世界模型到底是什么，现在没有一个明确定义"。结论是务实的：先做自然世界的没有问题，但物理嵌入的方法是必须考虑的路径。
这节还有一个精彩的具体问题（来自北大卢策吾老师，2022年提出）：机器人开微波炉门，现在要不停试错积累数据；能不能因为知道物理知识，开几次就算出转轴在哪，力矩力臂一算就知道往哪用力？陈云天说这个问题说明卢老师对领域认识"非常深刻"，但他没解决——“这个问题其实是个非常好的问题，但它其实并没有充分被定义成一个能解决的问题”，至今还在困扰他。
五、工业落地：汽车风阻预测与"混元轮子没有转轴"
陈云天的产业化成绩单比较具体：2020年左右开始产业化的新能源功率预测，去年全国160多个大型电站在用商业化系统，仅这一个产品服务费达千万级别；汽车风阻预测方面，IJCAI某届比赛包揽赛道前三（北大、东方理工、企业三支队伍），之后演化成与车企合作的产品，链博会上英伟达展位把他们作为生态案例介绍，“给企业省了几百万设计费”。
最有信息量的是他的技术分层逻辑。在汽车设计流程里：自然语言对话出二维美学图、二维图生成3D模型这些环节"全都是以商用的为主"（包括腾讯混元等），因为涉及人的意图理解和常见图像，“现有的模型是很好的，我没有必要自己去做”；但3D生成结果"没法用来做仿真"——混元生成的车"轮子没有转轴，轮子是一体的"，而仿真里轮子转与不转对空气动力学影响完全两码事——所以要自己做后处理，保证几何模型工程上真实可用（网格水密、点云、体素齐全）。到核心的流场预测环节，则是完全自研：先用LBM数值模拟造了五万多辆车的高精度数据集，再训基于Transformer的自研架构（带物理一致性模块），一个模型同时输出阻力系数、表面压力场、体积速度场，而不是一个物理场一个模型地堆。
反向优化时还撞上一个交叉学科问题：优化出的几何结构回到数值模拟器或风洞，结果和AI输出有挺大偏差——本质是对抗样本问题（“把某个点拉高一点拉低一点，就是个对抗样本”）。他们的解法来自行业know-how：FFD自由形变，只用一百多个有物理含义的关键点（类比捏脸游戏的控制点），一致性提高很多，在一定程度上跳出了对抗样本问题。
六、人与AI的分工：合理化方程、美感，以及"把自己skill化给智能体"
访谈后半段转到人和智能体的关系。陈云天提到一个他从某播客听来的判断：未来有一类人会很重要，就是"能够给智能体带来提升"的人——把自己skill化给智能体，让智能体跟人合作后做得更好。他的视角转换很直白：“以人为本变成了以智能体为本”。
那什么样的人是智能体长期需要的？他给出的答案在找方程领域：AI能找方程，但很难合理化方程。一个方程有很多等价形式，什么算好很难定义——准、简洁、物理一致性都可以给指标，“但就算你把这些指标都给了AI，它做出来的方程也不一定是好的”。相对说得清的部分（方程跟已有体系的嵌入、能量守恒的一致性）AI逐渐有能力；说不清的部分是美感——“有的方程你看着就觉得好丑”，很多数学家的直觉跟美有关。所以流程是AI给五个候选，人评估后选一个"特别漂亮的方程"，而"这个不是随便来一个人就能做的"。
一个佐证AI跨界能力的案例：那个海浪方程，预训练模型实际是把一个紧致子理论的表示形式用到了波浪领域——“我们一般人是不会想到把那个东西拿过来的”。他提到DeepMind等最近也有类似研究，AI把无关领域的东西拿过来启发人类。但他划清了边界：这仍是"在已有的人类知识下组合"，紧致子本来就在那里，只是AI比他知道的多；“不知道的东西他还是不知道”——这正是他坚持做知识发现的原因，也是他们早期投稿"各种被拒"（被认为太梳理）而近年子刊频上的领域。
七、方法论：交叉学科是翻译，研究者要"把自己当大语言模型训练"
最后回到个人方法论，有几条可迁移的原则。
交叉学科的本质是翻译。 “不同学科、不同语言体系、不同名词对应的东西转化成同一个东西。“他举的例子是同一件事在不同领域的名字：湍流里叫多尺度问题、LES大涡模拟里的亚格子模型（subgrid scale model），计算机里叫超分辨，气象里叫降尺度——拉齐语言体系后，A领域的方法可以直接用到B、C领域。更进一步的支撑是张钹院士"第三代人工智能"里的概念：符号主义在离散的符号语义空间，现在的AI模型在连续的向量空间，两者天然合不到一起，怎么融合是同类问题。
把自己当大语言模型训练。 多学科的人要学会不同领域隐空间里的关联，再decode到不同语言。他的实操建议是去不同领域的会上听——“虽然听不懂，就跟量子学习法一样”——但听着听着会发现大家关注的问题有共性：多尺度、介观、极端条件、不确定性，“不同领域用不同的词在说同样的事情，因为人类科技进步就到了这一步”。GPT时代这件事可以交给AI帮忙，因为它"了解的领域比我们多多了”。
定义问题>解决问题。 他认为很多AI for Science研究"根本不知道什么是问题”。AI背景的学生做领域问题，前两年没成果是常态（他第一届博士生刘野，前两年零成果，第三年跟GPT磕流体问题，最后一年发三篇CfA、拿国际竞赛冠军、顺利毕业），厚积薄发之后，AI学生在使用工具上的优势才能释放。而放下"拿AI解决领域问题的傲慢"是前提。
带学生的定心丸策略。 他会让学生先摘一两个低垂的果实，“至少完成50%毕业要求”，再去冲重要研究——冲出来皆大欢喜，冲不出来毕业前再摘一两个保底。理由是"当你急迫的时候，有时候甚至都可能会有学术不端的事情出来"。他对"十年冷板凳"叙事也不客气：专家们"后来都是讲故事"，工程领域大部分人靠的不是信念感，是兴趣加坚持，“兴趣这个东西，现在国内做研究的时候变得不那么重要，这是不好的”。
收束
把这场访谈的链条串起来：知识嵌入和知识发现的闭环，在自动化实验平台和真实工业场景里已经跑出了方程级成果和千万级营收；但它的扩张速度天然受制于湿实验的物理节奏和领域know-how，和资本市场要求的叙事速度之间正在形成一个gap。陈云天给出的观察指标很明确：看AI能不能从"我们不知道我们知道"走到"人类群体不知道"，看湿实验闭环什么时候不再挑软柿子，看方程的美感什么时候还需要人来把关。对读者的启发则可以压缩成他自己那句话——能够被规划出来的，一定不是颠覆性的东西。