内容摘要
这场访谈的核心判断是：AI for Science 的关键不在于更会生成想法，而在于能否把数据、物理约束和验证工具结合起来，真正进入物理世界。Anima 用神经算子、天气建模和 TorchLean 说明，AI 已经开始在若干高价值科学任务上改写传统计算范式。
关键观点
AI for Science 的瓶颈不是想法，而是可验证落地
Anima 明确区分了“会提出假设”和“能在现实中验证”这两件事。她认为，大模型可以帮助科学家做假设生成，但真正卡住科学进展的，是测试、验证，以及确保模型在物理世界里可靠工作的能力。因此，她近期工作的两条主线分别是：用神经算子把物理规律更好地融入模型，以及用 Lean/TorchLean 把模型行为带入形式化验证流程。这个转向意味着，科学 AI 的目标不应只是生成文本结论，而是进入可证明、可部署、可控的工程闭环。
为什么重要: 这决定了 AI 能否进入控制系统、工业仿真和高风险科学场景。没有验证闭环，模型再聪明也很难被真正信任。
支撑证据
ideas are not enough right so you can have a lot of ideas the bottleneck is going testing and verifying that they work in the real world
PINNs 不是万能解，神经算子是更务实的折中
她对 physics-informed neural networks 的评价很直接：PINNs 并非处处有效，尤其在时间依赖、湍流和混沌特征明显的问题上，优化地形往往过于困难。经典 PINNs 更像是每次遇到一个方程实例，都从头开始优化；而神经算子先在大量实例上学习，再在测试时直接给出映射。更重要的是，神经算子并不是抛弃物理，而是把数据驱动与物理约束放在同一个框架中。它的价值在于承认“只靠物理不够，只靠数据也不够”，而不是在二者之间二选一。