他把自然当成计算机：Max Welling 给 AI 工程师的材料学警告

如果你以为算力的尽头还是更大的 GPU，这期 Latent Space 可能会让你坐不住。Max Welling 抛出一个反直觉的观点：真正“最快的计算机”不是数据中心，而是自然本身。更重要的是，这个想法正在重塑 AI、材料和工程的边界。

“最快的计算机不是 GPU，而是自然本身”

在节目一开始，Max Welling 就丢出一个让 AI 从业者很难忽视的比喻：把自然看成一种“物理处理单元（PPU）”。如果说 GPU 是为矩阵乘法而生，那自然系统——分子、材料、物理过程——就是在“原生地”完成计算。

他的表述很直接：让自然替你做计算。这不是诗意的说法，而是一种工程视角。通过实验、物理过程和材料行为，自然在并行、低能耗地“算”出结果。代价是什么？难以编程、体量庞大、接口复杂。但收益同样巨大：这是“已知最快、也是最根本的计算方式”。

这个观点的冲击力在于，它直接挑战了 AI 工程师的默认前提——计算一定发生在硅片和服务器里。Welling 不是否定数字计算，而是强调：未来的计算体系，必须让数据中心和自然计算无缝协作。

当 AI 遇上材料：一个正在“爆炸”的交叉领域

在回顾自己研究路径时，Welling 提到一个明显的趋势：这不是一个“正在出现”的方向，而是一个正在加速爆炸的领域。AI 不再只是用来理解数据，而是开始直接参与材料发现与设计。

背后的逻辑并不复杂，却很少被 AI 工程师认真对待——几乎所有技术突破，最终都被材料限制住了。算力、能耗、传感器、存储、制造，没有一个不依赖材料层面的进展。Welling 的总结非常干脆：“几乎一切的底层，都是材料。”

这也是为什么他反复强调，把物理实验视为计算的一部分，而不是计算的下游验证。当你这样看问题，AI 模型、仿真工具和真实世界实验，就不再是线性流程，而是一个闭环系统。

给 AI 工程师的现实提醒：别只会写代码

节目中有一段明显是对 AI 工程师“说的”。如果你的世界只有模型、参数量和 benchmark，那你很可能错过了下一波真正有壁垒的机会。

Welling 指出，让自然参与计算并不“高深到像火箭科学”，但它要求完全不同的能力组合：你要理解物理约束、实验成本、噪声和不可控性。这些东西无法通过多跑几次训练来解决。

也正因为如此，这个方向的门槛反而更高。不是所有人都愿意离开纯软件的舒适区，去面对笨重、缓慢但极其真实的物理世界。但一旦跨过去，竞争格局就完全不同了。

从模型思维到系统思维的转变

在访谈后半段，Welling 多次回到一个隐含主题：AI 的角色正在变化。它不再只是一个“预测器”，而是一个系统组件，需要与实验、硬件和材料共同工作。

这意味着成功不再来自某一个更聪明的模型，而来自整体系统设计：哪些问题交给数字计算，哪些问题交给自然；接口怎么设计；反馈如何收敛。对于习惯端到端深度学习的人来说，这是一次思维方式的升级。

他提到自己正在推进相关的写作计划（节目中被称为即将到来的书），本质上也是在试图把这种系统级视角传递给更广泛的技术人群。

总结

这期对谈真正有价值的地方，不在于某个具体技术细节，而在于它逼 AI 从业者重新审视一个根本问题：我们到底在优化什么？如果计算的终点不是更大的模型，而是更好的现实系统，那么材料、物理和实验就不再是“别人的领域”。一个可执行的 takeaway 是：开始关注 AI 与物理世界的接口——仿真、实验自动化、材料设计——哪怕只是理解其约束。下一个让你在朋友面前显得“很懂行”的话题，可能不在参数量，而在材料。

关键词： Max Welling， 物理处理单元， 自然计算， AI与材料， 系统级AI

事实核查备注： 需要核查：1）人物姓名拼写为 Max Welling；2）视频发布时间为 2026-02-25；3）“物理处理单元（PPU）”为比喻性说法，非正式产品；4）关于即将出版的书仅为节目中提及，未给出书名或日期。