沒有 AI 讓我印象深刻：Stephen Wolfram 談宇宙的機器碼與人工智慧的極限

本文整理自 New Scientist 2025 年 12 月播出的專訪。

一個科技公司老闆的「副業」

在倫敦數學科學研究所裡，有一間法拉第當年用過的書房。New Scientist 的主持人就在這裡訪問了 Stephen Wolfram，開場問了一個有意思的問題：做出好的科學研究，一定要待在學術體制裡嗎？

Wolfram 的回答很直接：看你做的是哪種科學。如果是一個已經累積了大量知識的成熟領域，你得先搞懂前人做了什麼，才有可能推進前線。但如果是一個剛興起的領域，門檻就低得多。他自己 1970 年代末投入粒子物理時，正好趕上那個領域的方法論突破期，到處都是容易摘的果實。十幾歲的他就能寫出被引用至今的論文，不是因為他特別天才，而是因為時機對了。

這位 20 歲拿到 Caltech 博士、21 歲成為麥克乍瑟天才獎史上最年輕得主的英裔美國人，後來選擇了一條非常不典型的路。他沒有留在學術界，而是創辦了 Wolfram Research，打造出 Mathematica 和 Wolfram Alpha 這些全球科學家每天都在用的計算工具。物理學研究？那是他的「副業」。

但這個副業的野心，可能比多數全職物理學家一輩子的目標都大：他想找到宇宙的機器碼。

用程式取代方程式

要理解 Wolfram 在做什麼，得先理解他提出的一個新學科：ruleology，簡單規則的科學。

傳統上，我們理解自然世界的工具是數學方程式。從 1600 年代末開始，微分方程和積分就是精確科學的語言。但 Wolfram 在 1980 年代初做了一件看起來很簡單的事：他用電腦跑了一堆極度簡單的程式規則，看看會發生什麼。比如一排黑白格子，每個格子根據鄰居的顏色決定下一步要變黑還是變白。規則只有一行就能寫完。

結果讓他自己都不敢相信。這些簡單到不能再簡單的規則，跑出來的圖案卻複雜得令人窒息。他最喜歡的 Rule 30，規則極短，卻能產生看起來完全隨機的複雜行為。他花了好幾年才接受這個事實：自然界製造複雜性的秘密，可能就藏在極簡單的規則裡。

這就是 ruleology 的核心。它不是去寫一個有特定目的的程式，而是在「計算宇宙」中探索：把所有可能的簡單程式都跑一遍，看看裡面藏了什麼。Wolfram 說，這是「計算的自然科學」，跟一般的電腦科學完全不同，後者更像是工程學科，目標是讓電腦做我們想做的事。

但從「簡單規則能產生複雜行為」到「這就是宇宙運作的方式」，中間的跳躍很大。Wolfram 坦承，他花了很長時間才看到這條路。

空間是由什麼構成的？

人類爭論宇宙到底是離散的還是連續的，可以追溯到古希臘。到了 19 世紀末，物質被確認是由分子構成的離散結構，光也是。當時多數物理學家直覺認為，空間也應該是離散的。但沒人能讓這個想法跟相對論相容，於是這條路就卡住了一百多年。

Wolfram 的想法很激進：空間不是一個讓物質存在的「背景」，空間本身就是唯一的東西。粒子、電子、夸克，全部只是空間結構的特徵，就像流體中的漩渦是分子運動的特徵一樣。

具體來說，他的模型把空間想像成一個超圖（hypergraph），由大量的節點和它們之間的關係組成。我們的宇宙可能有 10 的 400 次方個這樣的節點。而「時間」不是跟空間並列的東西，而是超圖不斷改寫自身的過程。每一步改寫，就是宇宙的一個「運算步驟」。

這個想法在 1990 年代就有了雛形，但真正的突破在 2018 年到來。Wolfram 說，兩個年輕物理學家推了他一把，讓他認真投入這個方向。到了 2019 年底、2020 年初，也就是疫情剛開始的時候，他取得了重大進展。

最讓他興奮的發現是：從這個微觀的超圖改寫出發，當你把尺度拉大，看整體行為，得到的竟然是愛因斯坦的廣義相對論方程式。就像流體中無數分子的微觀碰撞，在宏觀尺度上會表現為 Navier-Stokes 方程式描述的流體力學，超圖改寫的宏觀極限就是廣義相對論。

Wolfram 甚至認為，他現在搞懂了為什麼廣義相對論和量子力學是現在的樣子。「我以前覺得物理定律只是我們碰巧拿到的東西，因為我們剛好在這個宇宙裡。但現在我覺得，我們可以推導出這些定律。」這句話如果成真，後果極其深遠。

暗物質可能根本不是物質

Wolfram 的模型還提出了一個大膽的猜測：暗物質根本不是「物質」。

他用了一個 19 世紀的歷史故事來說明。當時人們看到熱會從一個物體流向另一個，就發明了「熱質」（caloric fluid）的概念，把熱當成一種流體。基於這個完全錯誤的假設，人們居然推導出了很多正確的理論。後來才搞清楚，熱根本不是流體，而是分子的微觀運動。

Wolfram 懷疑暗物質也是同樣的情況。如果空間是離散的，那麼空間的微觀結構就可能有類似「熱」的行為：空間的「原子」在極小尺度上有隨機的振動和波動。這種時空的微觀熱運動，在大尺度上看起來就像有額外的引力效應，也就是我們現在稱為「暗物質」的東西。

但要證明這一點，困難重重。

知道規則，不代表知道答案

Wolfram Physics Project 面臨的最大障礙，其實不是技術細節，而是一個他在 1980 年代就發現的原理：計算不可約性（computational irreducibility）。

傳統科學追求的是「捷徑」：你知道了規則，就寫一個公式，直接跳到答案，不需要一步一步跑。但 Wolfram 發現，即使你知道了底層規則，要推算出規則的後果，可能需要不可約化的計算量。也就是說，沒有捷徑，你就是得一步一步跑完。

這對他的物理學計畫意味著什麼？意味著從微觀的超圖改寫到我們能做實驗驗證的物理預測之間，有一道巨大的鴻溝。不是理論錯了，而是推算過程本身極其漫長。

Wolfram 用一個比喻來形容：他有了「原始產品」（理論本身），但需要建立「分銷管道」把它連接到可以做實驗的地方。五、六年來，他的團隊已經成功用這個模型做了一些計算，比如黑洞合併的模擬，結果跟已知的物理學完全吻合。而且這五、六年來，模型「零次調整」。每次好不容易算出某個預測，結果都是對的。

但要做出全新的、可以被實驗驗證的預測，還需要大量工作。Wolfram 最希望的情況是：他的理論預測了某種現象，而這種現象其實已經在某個實驗室裡被觀測到了，只是沒人注意。就像 19 世紀的布朗運動：Robert Brown 在 1827 年就觀察到了花粉粒在水中的隨機運動，但一直到波茲曼的原子理論才給了它解釋。如果當時有人能在植物學文獻中搜尋「看起來像物質離散性的證據」，答案早就在那裡了。

物理學界為什麼不買帳

2002 年，Wolfram 出版了巨著《A New Kind of Science》（新科學），講的就是用程式取代方程式來理解世界。建築師喜歡它，社會科學家喜歡它，但物理學家的反應是：「不用了，弦論會搞定一切的。」

Wolfram 說，這讓他意興闌珊，一度停止了基礎物理學的研究。他的日常工作畢竟是經營一家科技公司，做出來的理論如果「市場」（物理學家）不想要，那何必費勁？

但到了 2020 年，情況變了。弦論的熱潮退去，物理學家開始說：「那東西行不通，我們需要別的。」這時 Wolfram 帶著他的新突破回來了，而且效果比他預期的好得多。

不過挑戰依然存在。Wolfram 的方法論跟傳統物理學是「範式級」的不同。多數物理學家擅長 19 世紀的數學工具，微分方程、積分、張量分析。但 Wolfram 的模型是一個完全不同的生物，需要計算思維而非方程式思維。這讓傳統訓練的物理學家很難直接上手。

令 Wolfram 欣慰的是，他的模型能夠給其他幾種抽象的基礎物理學方法（如因果集合論、自旋網路、高階範疇論）提供一個「接地」的基礎。這些理論各自有好的想法，但一直很難真正連結到物理實在。Wolfram 的超圖改寫模型可以作為底層的「機器碼」，而那些其他方法則是不同層次的「近似」。他甚至認為弦論也是他的框架在某個極限下的表現。

沒有 AI 讓我印象深刻

訪問接近尾聲時，話題轉向 AI。主持人問 Wolfram：當年 ChatGPT 出來的時候，你怎麼想？

Wolfram 很坦白：「我不認為它會成功。我從 1980 年代初就一直在關注神經網路，LLM 能做到那種程度，讓我非常驚訝，連做出來的人自己也很驚訝。」

但 Wolfram 對 AI 的評價，比多數科技圈人士冷靜得多。他把 LLM 的成功比作 Alexander Graham Bell 發明電話：人們幾十年前就知道原理上可以用電來傳聲音，但沒人真的做到讓對方聽懂。然後透過一系列技術上的 hack，突然就行了。LLM 也一樣，跨過了某個門檻，突然就能說人話了。

但過了門檻之後呢？Wolfram 指出，進步其實相當緩慢。就像 2011 年深度學習突破了影像辨識，之後改善幅度有限。LLM 的核心能力在 2022 年突破門檻後，後續主要是變便宜了、會用工具了、會自我修正了。有用，但不是革命。

他丟出了一個很尖銳的觀察：LLM 真正告訴我們的，是語言比我們以為的更簡單。我們早就知道語言有文法（名詞、動詞、名詞），但 LLM 發現了更精細的規律：什麼樣的名詞會配什麼樣的動詞和名詞。這種語意層面的規律從沒被系統化地整理過，但 LLM 把它學會了。

那些 AI 在國際數學奧林匹亞等比賽中獲勝的新聞呢？Wolfram 的解讀很不一樣：「LLM 的大驚喜是語言比我們以為的更簡單。AI 贏得比賽告訴我們的是，這些比賽比我們以為的更簡單。」

他分享了自己用 LLM 做研究的經驗。有一次，他有一串數字要找公式，傳統演算法找不到，但 LLM 直接給出了答案。為什麼？因為 LLM 把數學文獻都讀過了，在某個角落找到了相關的結果。但一旦碰到真正需要「計算不可約性」的問題，LLM 就直接趴了。這不意外，因為人類遇到這種問題也一樣無能為力。

「目前為止，沒有 AI 真正讓我印象深刻。」Wolfram 說這話的語氣很平靜，沒有輕蔑。他承認 AI 在實務上有用，比如把模糊的想法轉成精確的 Wolfram Language 程式碼。但他接著補了一句：「不是改變遊戲規則那種有用，但確實有用。」

野馬已經馴服了，現在要造馬車

對於 AI 泡沫和 AI 寒冬的問題，Wolfram 的回答可能會讓很多投資人不舒服。

他不認為 AI 的進展是指數型的，而是一系列的「跳躍」。2011 年影像辨識是一個跳，2022 年 LLM 是一個跳。跳完之後，進入的是緩慢的漸進期。

然後他用了一個精妙的比喻：「我們找到了那匹野馬，我們也已經馴服了牠。現在的問題不是去造另一匹馬，而是要造馬車。」找到新的應用場景、建立實際的使用方式，才是當前真正有價值的方向。花大錢去訓練更大的基礎模型？Wolfram 言下之意是，這匹馬已經差不多就是這樣了。

但他也不悲觀。影片生成正在成熟，機器人可能迎來自己的「ChatGPT 時刻」，讓人形機器人突然變得好用。AI 能做的事情還在擴展，只是核心的 LLM 能力不太可能再有量級上的突破。

為什麼不能不做

訪問最後，主持人問了一個很個人的問題：你為什麼要花時間去追求萬有理論？你又不是靠這個吃飯的學者。

Wolfram 的回答出人意料地感性：「因為好玩。」然後他認真了一點：「我覺得有一種義務。有些事情差不多一百年前就有人快要做出來了，但卡住了。現在我們可以把它們解開。如果我不做，可能又要再等一百年。」

他最近幾週才對生物學的基礎有了新的理解。我們的身體不是液體，液體裡的分子是隨機碰撞的。我們是「大規模編排物質」（bulk orchestrated matter），每個分子的運動都被精密地調控。Wolfram 覺得他找到了一個理論框架來描述這種物質。「你沒辦法不去做這件事。因為它太有趣了。」

這大概就是 Wolfram 最特別的地方。他不是為了發論文、不是為了拿獎、不是為了融資。他是一個已經用工具改變了科學界的人，用「副業」的心態去挑戰物理學最大的問題。對自己的理論有信心但不狂妄，對 AI 冷靜但不酸。在一個 AI 被無限吹捧的時代，聽一個真正懂計算的人說「沒有 AI 讓我印象深刻」，反而讓人覺得踏實。

計算不可約性提醒我們，知道規則不等於知道答案。宇宙沒有捷徑，可能 AI 的進化也沒有。但在那些「可約」的縫隙裡，無論是物理定律還是人工智慧，仍然有巨大的空間等待開發。只是別指望一匹馬跑出飛機的速度。