核心观点 - 北京大学等机构的研究团队提出了一种基于物理学“最小作用量原理”的理论框架，用以理解和统一大型语言模型智能体的宏观生成动力学 [1] - 研究发现LLM智能体的状态转移在统计上表现出“细致平衡”现象，表明其生成过程可能隐式地学习了一类潜在的“势函数”，这超越了不同的模型架构和提示词模板，是首次发现的不依赖特定模型细节的宏观物理定律 [3][4][16] - 这一发现将AI智能体研究从经验性的工程实践提升到了可量化、可预测的物理科学高度，为理解、预测和控制AI行为提供了新的科学测量手段 [4][6] 理论框架与方法 - 研究将LLM智能体的生成过程视为状态空间中的马尔可夫转移过程，其核心是转移概率P(g|f) [9] - 为捕捉智能体倾向于转移到“更好”状态的结构化偏好，研究假设存在一个反映状态“质量”的潜在标量势函数V [13] - 通过定义一个描述状态转移违背势函数排序程度的凸函数K(x)，并计算其全局平均违背作为“作用量”S，最合适的势函数是能使作用量S最小化的函数，这满足变分原理δS=0 [13][14][15] - 研究指出，若智能体的状态转移满足细致平衡条件（即π(f)P(g|f)=π(g)P(f|g)），则存在势函数V可明确表示为log[T(g←f)/T(f←g)] = βV(f) - βV(g)，并且该势函数满足最小作用量原理 [15] 实验发现与意义 - 通过在多个不同模型和任务上的实验验证，研究发现基于LLM的智能体在其状态空间中的转移在很大程度上满足细致平衡条件，表现出类似平衡系统的特征 [16][18] - 这意味着LLM的生成并非简单地死记硬背规则或随机尝试，而是在最小作用量原理驱动下，自然地向着势能更低（质量更好）的状态流动，如同水往低处流 [4] - 该理论框架使得可以用物理指标为不同大模型“画像”，例如Claude-4像急于交卷的优等生，倾向于快速收敛到某个答案（势井），但也容易固执己见；GPT-5 Nano则像探险家，收敛慢但更愿意探索状态空间 [5] - 这一发现为理解和优化LLM生成过程提供了新思路，例如通过研究偏离平衡的程度来理解模型过拟合水平，或基于势函数优化方法来提高生成任务的质量和多样性 [19]