只不过当时没人能想到，这个物理系新生，会在10年后给整个AI界带来不小的震撼。

进入清华后，姚顺宇的表现开始不一样了。

大二下学期，当大多数同学还在为基础课程焦头烂额时，他已经开始上博士生的凝聚态物理课程。

那一年，姚顺宇被周期驱动系统（Floquet systems）吸引了。

这是个极其前沿的研究领域，涉及复杂的数学和物理概念。他和导师汪忠教授一起，写了篇50多页的长文章，完成了对高维、一般对称性下 Floquet周期驱动系统的拓扑分类。

这项工作为这一研究方向建立了完整的理论框架，是一项非常系统的里程碑式拓扑分类工作。

并且，姚顺宇以第一作者身份，将这篇论文发表在了物理学顶级期刊Physical Review B上。

对一个本科生来说，这几乎是不可能完成的成就。

物理系主任王亚愚教授后来回忆说，在这门主要面向博士生的课程中，姚顺宇是十年来给自己印象最深的两名学生之一。

但真正让姚顺宇在物理学界出名的，是他在非厄米系统方面的发现。

在清华期间，他首次在国际上给出了关于非厄米系统的拓扑能带理论，并准确预测了相关现象。

简单说，他发现在开放量子系统中，电子态会神奇地“挤”到材料边界，这种现象被称为“非厄米趋肤效应”(Non-Hermitian Skin Effect)。这个发现颠覆了传统拓扑物理的理论框架。

这项工作发表在 Physical Review Letters 上，并获得了编辑推荐。

这篇题为《Non-Hermitian Skin Effect and Chiral Damping in Open Quantum Systems》的论文，后来被引用近千次，成为姚顺宇学术影响力最高的作品。

2018年11月8日，清华大学本科生特等奖学金答辩会举行。

这是清华授予本科生的最高荣誉，每年全校不足十人，在这之中便有姚顺宇。

他也成为了物理系当年唯一获此殊荣的学生。

2019年，姚顺宇去斯坦福大学读理论与数学物理博士。

他的导师是Douglas Stanford和Stephen H. Shenker。

前者被同行认为是最有潜力改变物理发展方向的顶尖青年科学家，后者则是弦理论领域的传奇人物。

在斯坦福期间，姚顺宇研究量子引力和量子信息扰乱（quantum scrambling），这是理论物理中最前沿、也最抽象的领域之一。

博士毕业后，他在加州大学伯克利分校做博士后研究。截至目前，他的总引用次数超过5000次，h指数14。

一个学物理的凭什么能研究AI?

虽然很多人大学选的专业，和他们毕业出来后找的工作都没有直接关联，但是像姚顺宇这样一直在钻研物理学的人，理论上应该找个物理相关的工作。

但是姚顺宇偏偏选择了AI。

2024年10月，姚顺宇加入Anthropic，参与大模型Claude Sonnet框架的研发。

一个研究量子引力的物理学者，凭什么能负责起世界顶尖AI公司的研发工作？

答案其实不复杂。

大模型的核心技术本质上是数学密集型的工作。训练大模型需要解决高维空间中的优化问题，这跟物理学中的变分法、统计力学有很深的联系。

姚顺宇研究的拓扑物理、非厄米系统，用的数学工具，比如概率论、线性代数、张量计算、动力系统理论，它们跟深度学习高度重合。

更关键的是，理论物理和机器学习处理的是同一类问题：高维、非线性、涌现性强的复杂系统。

统计物理学中的吉布斯分布，就是机器学习中概率推断的理论基础。深度神经网络的训练过程，可以看作是在高维参数空间中找能量最小值，这跟统计物理中的自由能最小化原理一个道理。

近年来越来越多研究表明，统计物理的工具可以用来理解深度学习中的很多现象。

量子多体系统和大模型在数学结构上很相似。

在量子物理中，大量粒子相互作用时，会涌现出单个粒子层面无法预测的集体行为。

在大模型中，数十亿个神经元参数相互作用时，同样会涌现出超出预期的效果。

事实上现在咱们常说的思维链推理、上下文学习、指令遵循，也都是依靠这种涌现的方式才诞生的。

这种从微观到宏观的涌现现象，也正是物理学家最擅长研究的。

因此，基于物理训练出来的“物理直觉”，恰恰是AI研究最需要的。

从复杂现象中抽象出数学模型，这是物理学家的基本功。

在AI领域，这意味着能理解神经网络的本质，而不是停留在调参层面。

物理学家习惯在不同尺度上思考问题，从微观粒子到宏观宇宙。这种跨尺度建模的能力对应到AI中，就是理解从单个神经元到整体的全景图。

姚顺宇在斯坦福研究的量子信息扰乱（quantum scrambling），关注的是量子信息如何在复杂系统中扩散和混乱化，这套数学框架跟神经网络中信息的传播和处理有相似的结构。

那么当他转去做AI相关的研究时，这些看似抽象的物理理论，就顺理成章地变成了理解大模型行为的工具。

更直接的联系来自强化学习这个概念本身。

姚顺宇在Anthropic主要做强化学习研究，而强化学习的理论基础本身就源于物理学。

最优控制理论恰好是来自经典力学的变分原理，路径积分方法直接借鉴量子力学的费曼路径积分，熵正则化来自统计物理的自由能概念。

对一个理论物理学家来说，这些不是需要学习的新知识，而是已经内化在思维方式里的工具。

这种从物理到AI的转变，不是姚顺宇一个人的个案。

卷积神经网络的发明者杨立昆（Yann LeCun），在进入AI领域之前，学的就是工程物理教育。

深度学习的奠基人杰弗里·辛顿（Geoffrey Hinton），他提出的玻尔兹曼机（Boltzmann Machine），名字就来自统计物理学家路德维希·玻尔兹曼。

而这套系统的核心逻辑，便是用统计物理中的能量函数来描述神经网络的状态分布。

事实上，姚顺宇在加入Anthropic后，深度参与了Claude 3.7 Sonnet与Claude 4系列的强化学习模块研发，是这两代模型能力跃升的关键贡献者。

这不是“跨界”，而是把物理工具应用到新领域。

当AI产业逐渐从“暴力堆算力”的Scaling Law时代，转向新阶段时，反而需要这样的物理学者。

新征程

2025年9月19日，姚顺宇在个人博客上发了篇文章，宣布离开 Anthropic。

在这篇文章里，他很坦诚地说明了离职原因，并给出了一个精确的比例：40%和60%。

40%指的是可以公开的原因，来自于姚顺宇和Anthropic之间价值观上的冲突。

2025年9月5日，Anthropic在内部文件中把中国列为“adversarial nations”（敌对国家），并宣布停止向“中国实体控股的公司”提供AI服务。

姚顺宇在博客中写道：“我强烈反对 Anthropic 发表的***言论。尽管我相信 Anthropic 的大多数人都会反对这样的言论，但我认为我没有办法继续留在公司。”

这段话写得很克制，但能看出他的失望和无奈。

他特别强调“大多数人都会反对”，说明他理解这个政策不是来自公司内部的普遍共识，更多是外部压力和公司高层决策的结果。

60%指的是那些涉及“内部的机密信息”，不可公开的信息。姚顺宇因保密协议无法详细透露。

但他强调，自己“不希望经验与知识受到特定实验室偏见的限制，尤其是在核心研究已无需依赖论文发表的当下，更需要开放、平等的科研环境”。

说起来像是个笑话，但实际情况就是，在AI研究日益商业化、封闭化的今天，学术自由和开放合作正在受到越来越多限制。

在博客结尾，他用了句意味深长的话：“It was good with you, but it is better without you.”（和你在一起很好，但没有你更好）这句话既是对过去一年工作的肯定，也是对未来道路的期待。

这件事反映了在全球AI竞争的大背景下，华裔科学家面临的复杂处境。

一方面，美国有世界上最先进的AI研究***和最优秀的科研团队。

可另一方面，受地缘影响，很多华裔科学家的身份成了职业发展的障碍。

但故事没有在离职中结束。离开Anthropic仅10天后，姚顺宇就加入了Google DeepMind，担任高级研究科学家（Senior Staff Research Scientist），且直接进入核心Gemini团队。

这速度之快，说明DeepMind早就看中了他的能力。

无论是谷歌CEO皮查伊，还是DeepMind CEO哈萨比斯，他俩在国际合作方面***取了更开放的立场。

尤其是后者，他一直在倡导国际合作，认为AI安全问题需要全球科学家共同努力。

因此，即便同样受到美国出口管制约束，谷歌依然没有完全切断与中国研究机构的联系。

加入DeepMind后，姚顺宇立即投入Gemini团队的工作。

仅仅5个多月后，谷歌就推出了Gemini 3 Deep Think的重大升级。

这是姚顺宇加入谷歌后参与的首个项目，成绩足以让整个AI圈震惊。文章开头处就提到，这次更新甚至让马斯克也对其称赞。

Gemini 3 Deep Think在多项基准测试中刷新了纪录。

比如在ARC-AGI-2测试中，它达到了84.6%的成绩。ARC-AGI是专门测试 AI 的抽象推理能力，测试的目标是检测AI在面对从未见过的新问题时，能否识别模式并找到解决方案。

这种能力被认为是真正智能的标志，而不是简单的模式记忆。

Gemini 3 Deep Think的成绩，比第二名Claude Opus 4.6的68.8%高出15%，比GPT-5.2 的 52.9% 更是高出30%。

在Codeforces编程平台上，Gemini 3 Deep Think获得了3455分的Elo评分，达到“传奇大师”(Legendary Grandmaster）级别，世界排名第8。

这意味着在算法竞赛和系统架构方面，全世界只有7个人类程序员能超越它。

在奥林匹克竞赛水平测试中，Gemini 3 Deep Think在数学、物理、化学三个学科都达到了金牌水平。

更重要的是，Gemini 3 Deep Think还处理那些缺乏明确指导原则、答案不唯一、数据杂乱或不完整的现实挑战。

这其实是当前所有AI都面临的短板。这些大模型虽然在标准化测试中表现出色，但面对真实世界的复杂问题时，往往表现糟糕。

虽然我们无法确切知道姚顺宇在Gemini 3 Deep Think项目中具体负责了哪些工作，但从时间线上看，他在自己的X上，第一时间宣布了Gemini 3 Deep Think的发布。

我个人认为，姚顺宇在Anthropic积累的强化学习经验，以及他作为物理学家对复杂系统的理解，为Gemini团队带来了新的视角和方法。

两个“Shunyu Yao”的平行宇宙

说到Shunyu Yao，其实在AI研究圈里，有两位知名研究者都叫Shunyu Yao，发音完全一样，都跟在顶尖的AI公司做研究工作，也都毕业于清华大学。

每次有关于“姚顺宇”的新闻，总有人问：“是哪个姚顺Yu？”

跟本文的主角不同，另一位姚顺雨是正儿八经的计算机背景。

他是清华姚班毕业，普林斯顿大学计算机科学博士，曾在OpenAI工作，目前已加入腾讯。

姚顺雨在AI圈的名气，要比物理学家姚顺宇更大。

他提出的ReAct框架（Reasoning and Acting），是近年来最有影响力的提示工程方法之一。

这个框架的核心思想是让AI“边思考边行动”，不是先完成所有推理再执行，而是在推理和行动之间交替进行，就像人类解决问题时的思维过程。

ReAct论文发表于2022年10月，到2025年已经被引用超过4000次，成了提示工程领域的经典工作。

姚顺雨的另一项重要贡献是思维树（Tree of Thoughts）。

如果说思维链是让AI学会了“一步步思考”，那思维树就让 AI 学会了“探索多条思路”。

在面对复杂问题时，AI不再只沿着一条路径推理，而是可以同时探索多个可能的解决方案，评估每条路径的前景，然后选择最有希望的方向深入。

姚顺雨在谷歌Scholar上的引用数超过15000次，远高于物理学家姚顺宇的5000次。

但我认为这不奇怪，计算机科学领域的论文引用速度，本来也要比物理学快得多，而且姚顺雨的工作更接近应用层面，影响范围更广。

但引用数不能完全衡量一个科学家的价值，两个Shunyu Yao都在各自领域做出了重要贡献。

如果说姚顺宇是从“量子力学”出发来研究 AI，那姚顺雨就是从“让AI像人类一样思考和行动”的角度切入。

两个人的研究方法、思维方式、甚至用的数学工具都不一样，但他们都在用自己的方式，去实现AGI。

姚顺雨在腾讯的工作，目前来看，是主要集中在agent上的。他发布的论文《CL-bench》，就是一个用于评估AI agent能力的基准测试。

它相当于一个给AGI研究者们明确一个方向，只要你的研究成果能在CL-bench上拿高分，那就说明你接近AGI。

姚顺宇则是更为直接，因为他认为真正的智能需要理解世界的底层规律。

物理学提供了描述宇宙运行的数学语言，从量子力学到统计物理，从信息论到复杂系统，这些都是构建真正智能系统的理论基石。

那么通过物理学，便可以让AI的智能水平更上一层楼，靠近AGI。

但无论如何，没有哪一种方法是唯一正确的，没有哪一个学科能独自解决所有问题。

物理学家的理论洞察和计算机科学家的工程创新，都是推动AI发展不可或缺的力量。

两个Shunyu Yao，两条道路，同一个目标。

就像集齐龙珠可以召唤神龙一样，或许有这么一家公司，集齐了所有的Shunyu Yao，那么它也就实现了AGI。返回搜狐，查看更多