AI4Physics · Invited Talk 01 · Michael Brenner

来源： Invited Talk 01 · Michael Brenner 播客： ICML 2026 · AI4Physics 分类： 科学 原文发表： 2026-07-11 纪要生成： 2026-07-13

基本信息

• Workshop：ICML 2026 Workshop on AI for Physics (AI4Physics)
• 类型：Invited Talk（远程 Zoom）
• 题目：Building a Science Assistant（构建科学助手）
• 讲者：Michael Brenner（哈佛大学应用数学、物理与应用物理教授；Google Research 研究科学家；AAAS Fellow，哈佛 George Ledlie Prize 得主；工作横跨物理、生物、材料科学与科学发现）
• 真实时段：约 08:15–08:45（KST，7/11）

一句话概括

以"scoreable tasks（可打分任务）"为核心方法论，在 Google 用 LLM + sandbox + 打分函数的树搜索系统大规模采样、排序、反哺 prompt，做出一台"加速科学家日常工作"的科学助手——在 CDC 流行病预测竞赛中实盘拿下 flu/covid/RSV 三项第一，并让 LLM 自动求出理论物理里的积分闭式解与渐近展开。

背景与动机

Brenner 用"导师-研究生"的日常模式点题：学生进办公室说"给我一个问题做"，导师给方向、让读文献；学生做一学期，每周带着图和计算回来，导师本质上是个 pattern matcher（"去画个 log 图""去读这篇论文"）；若师生都足够专注，约半年后就产出"我们称之为科学"的东西。核心问题是：自动化能否加速这一过程？ 他反复强调目标定位：不是加速"做出重大发现"（重大发现是另一回事），而是加速我们的普通日常工作、让研究推进得更快；也不是取代科学家，只是帮我们更快。他还坦承因日历时区错误（invite 写成 8:00 Eastern 而非 7:00）迟到，全程被自己孩子 Max 打断，气氛轻松。

主要内容

核心方法：Scoreable Tasks（可打分任务）

几年前团队决定聚焦"能被算法打分的科学问题"——即给定一个解，能以某种无歧义方式对它打分，且打分函数本身就是对解质量的评估。这样框定会把问题限制到一个较小的子集，但仍很有意思。举例：

• 给定过去、预测未来：打分 = 预测未来有多准。虽然只有未来发生后才能打分，但总能"把过去当作未来"、假装不知道结果去回测。
• 理论物理问题（他自己最爱）：如非线性偏微分方程（PDE）的渐近近似（asymptotic approximation）。表面上没有打分函数，但写这类论文时结尾总有一张图——把推导的数学与数值模拟对比，必须吻合、必须理解误差，否则不相信结果。这就是打分函数（近似有多准）。统计力学计算可对比蒙特卡洛模拟，同理。
• 寻找最优：如本讲后面会讲的"寻找最优太阳能收集器（solar collectors）"。
• 为数据找最佳模型（他认为最有意思、但本讲没展开）：给定数据找最佳机制模型（mechanistic model）拟合神经回路，可在约束下发明模型（例如符合 Hodgkin-Huxley 神经元理论、已知离子通道密度），打分 = 拟合得多准。

为什么可打分任务如此强大

一旦有打分函数，就能大规模从 LLM 采样：同一个 prompt 跑 100 次会得到答案的分布。平时不这么做，一是成本，二是"你怎么读完并排序这么多样本"。但有了打分函数，就能拿到 1000 个、10000 个解，高效排序、排名，更进一步——把排名中学到的原则反哺回 prompt，改善 conditioning，从而更有效地采样。这正是整个研究计划的中心。

算法与开发过程（Kaggle 起步）

相关工作发表在约一个月前的一篇论文（Nature）。系统架构在当下已不新奇：agent + LLM + sandbox + evaluation engine → 产生 score → 迭代。开发时（约两年前，LLM 远不如现在）他们刻意从最简单可打分的问题入手——选了 Kaggle 的 playground competitions（纯练习用的分类/回归任务，每月上千人参加，自带打分函数）。Google Research + DeepMind 一群人组队竞赛、各造算法。最终胜出的是一个多臂老虎机（multi-arm bandit）策略，略像蒙特卡洛树搜索（MCTS）但因实现方式不同而有别。他强调这是经验性发现（试了很多东西、竞争数月后冻结）。该算法在 Kaggle 上稳定进到约85 百分位（目标本想进 99.9 百分位，为何进不去是个有趣讨论）。约一年半前，他们转而把它部署到科学问题上——"真正有意思的地方"。他视这个系统为 science assistant 的一部分：它尝试大量东西，比人快。

案例一：流行病预测（Epidemiological Prediction）

美国 CDC 每年约 11 月至次年 6 月运行预测竞赛（forecast hub），让各队预测 covid、flu、RSV 的未来病例。任务：预测每周新增住院数，提前 0/1/2/3 周，覆盖 52 个地点（50 州 + 2 属地）、预测 23 个分位数（quantiles），每周按时上传。各队的预测文件是公开的（但代码不公开），另有一份 metadata 文件含 methods_long 字段——对方法的简短描述，这是关于其方法唯一可得的信息。CDC 提供打分函数 weighted interval score (WIS)（对分位数加权，类似 CRPS）。

• 第一阶段（回测）：直接采用 WIS 作打分函数。用 Gemini 2.5 Flash（当时尚可、如今平庸），不加任何方法指令，对 2024–25 赛季回测，击败了所有参赛队伍（含官方 ensemble）。按地区看误差图：橙点（他们）系统性优于蓝点（Covid Hub ensemble），且分数的相关结构相似（在别人基础上略微改进）。
• 插入方法：可要求"最小化 WIS 且使用某方法"。LLM 擅长遵循指令，于是在没有作者代码的情况下，系统产出的代码能复现作者方法，分数与原作者相关、且通常更好；再请专家核查代码确实遵循了指令，大体如此。
• 重组方法：他"某天半夜"发明了一个 prompt——"我们已对两类代码做过实验，这是 method 1 的代码计划、method 2 的代码计划，请找到比较它们的方式、创造一个真正精彩的混合策略（truly wonderful hybrid strategy）"。产出的混合代码通常优于前两者。综合下来，找到 14 个击败 CDC ensemble 的方法（其中一个来自纯树搜索，其余来自重组）。
• 第二阶段（实盘）：今年 9 月起，实盘参加 flu、covid、RSV 三项竞赛，把最佳模型直接提交 CDC 打分，并用带时间戳的 GitHub 为每个提交者产出复刻预测。这一切由两人完成——Zara（Google 研究科学家）与 Sarah（哈佛研究生），加上流行病学专家 Nick Reich。结果：三项全部第一。flu 竞赛 5 月 6 日快照显示 58 支队伍中排第 1，赛季结束仍居首；covid 和 RSV 也都第一。他强调这是"用自动系统做真正的前瞻性预测，对阵专业团队"。

案例二：应用数学 / 渐近分析（Asymptotics）

理论物理与应用数学问题是可打分任务：计算可在 Python 里写成一个返回答案的函数，与 numerics 对比即可打分。他们做了一个来自宇宙学的难积分（源自某篇 OpenAI 论文），是两个参数 n 和 α 的函数，α 是两个单位向量 e₁、e₂ 的夹角。两问：(1) 求关于 n、α 的精确解；(2) 求 n 大时的渐近。都框定为可打分（与 numerics 吻合），打分函数随机取 n、α 并平均以防过拟合/作弊。

• 树搜索很快产出一个可用公式。随后他做了件"有趣的事"：把已得公式放进 prompt，要求"你必须解此问题，但不许用得到该公式的那个方法"，再跑；如此反复，最终得到 6 个不同方法。最优雅的是高斯幂多项式展开（expansion in Gaussian power polynomials）——数学相当优美，且与 numerics 完美吻合。约一个月前他"图个乐"重跑（模型更好了），又找到第七个解，比前六个都好。作为应用数学家他觉得"惊人"——这些是他毕生"血汗"才做出的东西，系统毫不费力就吐出来。
• 渐近展开：以高斯幂展开为打分基准，要求"推导一个尽可能精确、且必须与精确公式一致的渐近展开"。因为没告诉它要多少项，按原理它应先求 leading order 再逐项加，于是 loss 呈阶梯式下降（先领头项、再次领头项、持续下去）。他展示领头项；第二项含 cos α · log(tan(α/2))，这本质上需要意识到该积分可约化为量子场论中已存在的东西、并用了一个 Feynman 的技巧，系统把它做对了。输出为代码（不透明），但可转成公式（Python→LaTeX）。

未展开的方向：搜索 + 编码 agent

他跳过的最后一例是把这种搜索与编码 agent 结合——他认为这是未来：他描述的搜索本质上就是编码 agent 的一次 tool call，这样用时"能发生的事情很惊人"。

关键结论 / Takeaways

• Scoreable tasks 是杠杆：只要问题能算法打分，就能大规模采样、排序、把排名原则反哺 prompt，用一个统一的 agent+LLM+sandbox+树搜索系统去攻。
• 实盘验证：在 CDC 流行病预测中，两人小队用该系统实盘拿下 flu/covid/RSV 三项第一（flu 58 队第 1）。
• 理论物理同样适用：把 PDE 渐近、难积分闭式解框定为"与 numerics 吻合"，LLM 能自动产出多种优雅解法与渐近展开（含用到 QFT/Feynman 技巧的项）。
• 哲学定位：目标是加速普通研究工作、而非取代科学家或直奔重大发现；打分函数提供"针对 harness 的正确性过滤"，这是相对纯 LLM 采样的关键增量。

Q&A / 讨论亮点

• Q1（John，主持/组织者）： 你为积分渐近做的这套，能否推广到理论物理里更通用的研究流程（相当于机器学习里的 auto-research，但用在物理）？ A1： 这非常通用。每次我写含计算的论文，末尾都有一个数值分数来验证——现在把它反过来当作打分函数。我完全"着迷"于此，现在就在用它寻找此前未被发现的非线性 PDE 解，包括在一些颇有名的问题上。据我所知，还没有真正"大写的 Result（结果）"由此产出，但作为攻击"可打分的理论物理未解问题"的方式，这是我见过最有意思的之一，机会很多；社区里也有很多人在用 harness 做本质相近的事。

名词 / 引用

• Scoreable task：能被算法打分、且打分即质量评估的科学问题（预测未来、PDE 渐近、找最优、拟合模型等）。
• Multi-arm bandit / MCTS 变体：经 Kaggle playground 竞赛调出的树搜索策略，系统的核心算法。
• CDC forecast hub / Weighted Interval Score (WIS)：CDC 的 covid/flu/RSV 预测竞赛与其分位数加权打分函数。
• Gemini 2.5 Flash：案例一回测所用模型。
• Nick Reich / Zara / Sarah：流行病学专家与两位完成实盘工作的研究者。
• Gaussian power polynomial expansion：案例二中最优雅的积分解法；渐近第二项用到 QFT 中的 Feynman 技巧。
• Nature 论文：约一个月前发表、承载本讲主要方法与结果的工作。

原文发表：2026-07-11  ·  纪要生成：2026-07-13