Dwarkesh × Adam Brown：AI 想重发现相对论，先得学会什么叫好线索
Adam Brown 在 Dwarkesh Podcast 中从等效原理讲到黑洞能量提取，最后把问题落回 AI 科学发现：模型要重发现广义相对论，难点不只是算力，而是能否识别值得追下去的线索。
广义相对论这一集真正适合 AI 从业者听的地方，不是黑洞有多酷，而是 Adam Brown 把「怎么从一个反常线索长出一整套理论」讲清楚了。Dwarkesh 最后一问也正好落在这里：如果 AI 未来要重新发现广义相对论，它缺的可能不是算力，而是看出哪条线索值得追十年的判断力。1
Loading content card…
单集信息
| 项目 | 信息 |
|---|---|
| 播客 | Dwarkesh Podcast 1 |
| 主持人 | Dwarkesh Patel 1 |
| 嘉宾 | Adam Brown，Google DeepMind Blueshift 负责人，曾在 Stanford 教授广义相对论 1 |
| 集标题 | A deep but accessible introduction to general relativity 2 |
| 发布时间 | Apple Podcasts 返回 2026-07-10 16:23:56 UTC，换算为北京时间 2026-07-11 00:23:56，落在本周窗口内 2 |
| 时长 | 1 小时 38 分 24 秒 2 |
| transcript | YouTube 完整英文字幕；Dwarkesh 页面也给出 transcript 入口 3 |
Einstein 追的不是公式，而是一个太巧的巧合
Brown 从狭义相对论讲起：如果没有东西能超过光速，引力也不能例外。牛顿公式的问题就在这里。假如你把太阳「摇」一下，地球不该立刻感到引力变化；否则引力就成了超光速电话。1
真正让 Einstein 抓住不放的线索，是惯性质量和引力质量竟然相等。一个物体有多难被推动，和它被引力拉得多强，在牛顿体系里看起来只是巧合；但羽毛和砖块在真空里同时落地，正是这个巧合的结果。Brown 说，Einstein 的大胆跳跃是把引力理解成一种惯性力。1
这一步的代价很大：我们得承认自己对「直线」的理解错了。飞机从旧金山飞伦敦，看平面地图像绕远路，放到地球曲面上才知道那是更短的线。广义相对论也是这个逻辑。自由落体不是被一股神秘力量拽着走，而是在弯曲时空里沿着自己的直线走。1
黑洞不是吞光的洞，而是能量账本的边界
这集后半段转向黑洞。Brown 先不用玄学图像，而用一个能量账本解释：如果你把一块砖慢慢吊向一颗大质量天体，可以从引力里取出能量；天体越紧凑，能取出的能量越多。问题是，如果半径继续缩小，账面上好像能取出超过砖块自身静质量的能量，这就等于发明了永动机。1
广义相对论的回答很硬：在某个半径内，你不再能「慢慢吊下去」。事件视界形成后，砖会被拉走，你不能再用同样办法继续取能。这个临界半径就是 Schwarzschild 半径，数量级上与
2GM/c^2 有关。1所以黑洞像理论上的最高效电站。化学火箭只能释放静质量能的极小一部分，核能高得多，但仍有限；黑洞在经典广义相对论里把「能量提取」推到几乎满额。这不是科幻口号，而是 Brown 从一块砖、一根绳子和能量守恒推出来的。1
AI 能不能重发现广义相对论，关键看它会不会抓线索
最后回到 AI。Adam Brown 现在领导 Google DeepMind 的 Blueshift 团队，研究科学与推理能力；Dwarkesh 问的是：一个足够强的 AI，能否在没有现成教材的情况下，从等效原理这类线索重新发现广义相对论？1
这和上周 Grant Sanderson 那集正好接上。数学、物理里的真突破，往往不是「多做几道题」就能刷出来的。Einstein 的难点不是不会代数，而是看见一个别人也知道的事实，却判断它不是小异常，而是一条该追到底的主线。
如果未来模型能做这件事，它就不只是证明器或搜索器。它要能分辨哪些巧合是噪声，哪些巧合值得改写世界观。Brown 这一集的价值也在这里：它把「科学发现」拆成了可观察的步骤，但没有把它讲成可以廉价复制的流程。
References
- 1
- 2Apple Podcasts metadata - Adam Brown episode audio
api.substack.com
- 3Dwarkesh - Adam Brown transcript page
dwarkesh.com
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.