从沙子到会“思考”的智能材料，张朝阳与物理学家刘若微揭秘世界的底层逻辑
内容提要
张朝阳与宾大教授刘若微对话，探讨软物质与非平衡统计物理。刘教授介绍阻塞相变理论，解释无序固体形成，并延伸至低功耗类脑智能材料，通过局域规则训练物理网络，无需全局计算，类似人脑学习，耗能极低。她鼓励物理探索，不惧提出“蠢问题”。
延伸解读
阻塞相变：无序固体的普适规律
刘若微教授介绍的阻塞相变理论，解释了为何像沙子、泡沫这样的无序系统能表现出固体刚性。该理论指出，当颗粒密度达到临界值（约64%）时，系统会从流体转变为固体，且这一转变是连续的，遵循幂律标度。这一发现为理解多种无序材料提供了统一框架，其临界指数与伊辛模型等经典系统相似，体现了物理规律的普适性。
局域学习规则：低功耗智能材料的核心
传统神经网络训练依赖全局梯度计算，耗能巨大。刘若微团队提出，物理网络可通过局域规则更新参数，仅需局部信息即可实现学习，类似大脑中神经元基于局部活动调整突触。这种机制大幅降低能耗，为开发低功耗类脑智能材料提供了新思路，并已在弹簧网络和流体网络中验证。
规模效应：智能涌现的关键
刘若微指出，物理学习网络在规模增大时会出现“双下降”现象，即测试误差先降后升再降，这与传统凝聚态系统不同。她强调“many more is more different”，系统越大，能力越强，甚至可能产生定性变化。这一观点挑战了传统物理直觉，也为理解大脑等复杂系统的智能涌现提供了线索。
物理学的文化挑战与应对
刘若微坦言物理学界存在一种“有毒”的竞争文化，常让女性或少数群体感到格格不入。她分享了自己因表达方式而“失分”的经历，并鼓励研究者不惧暴露无知，敢于提出“蠢问题”。她认为，自我怀疑是物理探索的常态，接纳它并保持好奇心，才能取得突破。
Q&A
阻塞相变是什么？它和普通相变有什么不同？
阻塞相变是无序颗粒系统（如沙子、泡沫）从流体变为固体的连续相变。当颗粒密度达到临界值（约64%）时，系统开始具有刚性，剪切模量从零按幂律增长。与普通相变不同，阻塞相变有多个发散的长度尺度，且微观尺度趋于零，被称为随机一阶相变。
刘若微教授在物理领域的主要贡献是什么？
刘若微教授是宾夕法尼亚大学物理教授，非平衡统计物理领域的标杆学者，因在阻塞相变与无序固体领域的开创性贡献，获得2025年美国物理学会Leo P. Kadanoff奖和国际基础科学大会玛丽·居里物理学奖章。
如何用软球模型描述泡沫和沙子等无序固体？
软球模型假设颗粒是球体，当两个球不重叠时没有相互作用，一旦重叠就产生排斥力，类似弹簧。这个简单模型能抓住无序固体刚性的本质，适用于泡沫、沙子、胶体、玻璃甚至山体滑坡中的巨石。
什么是局域学习规则？它如何应用于物理网络？
局域学习规则是指更新网络参数时仅依赖局部信息，而不需要全局计算。在物理网络中，如弹簧网络或电路网络，通过调整弹簧刚度或电阻值，使系统实现特定输入-输出关系。这种规则与梯度下降有正投影，但更接近大脑的学习方式，能耗极低。
为什么物理网络比传统AI更节能？
传统AI训练需要全局梯度计算，极其耗能。而物理网络利用局域规则，仅需局部信息更新参数，且物理系统本身自动满足能量最小化约束，无需额外计算。因此，物理网络在完成类似AI任务时能耗远低于传统AI。
刘若微教授如何将物理网络与大脑学习机制联系起来？
大脑神经元更新突触时仅依赖局部信息，如赫布规则，不需要全局状态。刘若微教授的物理网络也采用局域规则，类似大脑的学习方式。她认为这种局域更新机制是理解大脑和智能材料的关键。
为什么物理网络规模越大性能越好？
物理网络规模增大后，能完成更复杂的任务，精度提高，甚至出现双下降现象。这与传统凝聚态系统不同，因为物理网络保留了结构和信息，规模变化导致定性能力变化。刘若微教授认为这是智能系统的关键特征。
刘若微教授对物理学文化有何看法？
刘若微教授认为物理学文化存在有毒的竞争氛围，偏向男性，导致许多有潜力的人感到格格不入。她鼓励所有人投身物理学，不惧提出“蠢问题”，并强调自我怀疑是正常的，不应因此放弃。
