1915年，科学界迎来了一场革命性的变革——阿尔伯特·爱因斯坦提出了广义相对论，这一理论彻底颠覆了人类对时空和引力的传统认知。时光荏苒，一个多世纪后的今天，人工智能（AI）的迅猛发展引发了一场新的思想实验，人们不禁开始思考：AI能否复制爱因斯坦式的科学突破，引领我们进入下一个科学纪元？

今年早些时候，在印度新德里举办的印度人工智能峰会上，谷歌“深度思维”的联合创始人德米斯·哈萨比斯抛出了一个引人入胜的设想：如果将知识截止线设定在1911年，并利用那个时代之前人类积累的知识来训练大型语言模型（LLM），它是否能够重新发现广义相对论这一科学瑰宝？哈萨比斯认为，这一实验将成为检验通用AI能力的重要试金石。

爱因斯坦曾强调，好奇心是驱动科学进步的不竭动力，永远不要停止提问。图片来源：《自然》杂志网站

据徽声在线科技频道近日报道，今年以来，多个科研团队纷纷投身于构建“历史AI”或“复古LLM”的尝试中，他们将训练数据严格限定在某个历史时间点之前，旨在观察模型是否能够重新发现那些后来才出现的科学思想。然而，实验结果却表明，AI距离实现“爱因斯坦式”的科学突破，仍有很长的路要走。

AI穿越时空的挑战

独立AI研究者迈克尔·赫拉进行了一项大胆的实验，他训练了一个名为“Machina Mirabilis”的语言模型，仅使用1900年以前的数据，试图让它“孕育”出量子力学、狭义相对论和广义相对论等科学理论。赫拉向模型输入了光电效应等当时已观察到的物理现象，还提供了后来成为广义相对论重要思想来源的“电梯思想实验”。模型偶尔确实能给出一些颇具启发性的答案，比如面对光电效应时，它曾提出光会“分解成大量彼此独立的脉冲”，这一说法已经接近光量子概念的核心。

然而，这种灵光一闪的瞬间却难以持续。在多数情况下，模型都未能成功。它虽然能够说出听起来合理的物理语言，但却无法真正理解这些物理现象之间的内在联系。更多时候，它只是在机械地模仿历史文本中的表述，而非真正领悟其中的科学原理。

另一个团队则将时间线设定在了1930年。独立计算机科学家尼克·莱文和他的同事们训练了一个仅掌握1930年以前知识的模型，试图用它来预测后来出现的科学成果。然而，这一过程充满了挑战。历史资料的日期标注并不总是准确无误，数字化过程中也难免会出现错误和混杂。他们发现，这个所谓的“1930年模型”有时竟然能够正确回答20世纪50年代的问题，这无疑给实验带来了极大的干扰。

由此可见，让AI穿越时空并非易事。即便解决了数据泄露等表面问题，真正的挑战才刚刚开始。

AI在判断“死磕”方向上的不足

今年1月，谷歌“深度思维”的研究员汤姆·扎哈维在论文《LLM不会跳跃》中指出，当前的大型语言模型还无法完成像爱因斯坦那样的推理跨越。科学上的重大进步，往往不是简单地从大量数据中归纳出一般规律，而是从一个具体现象出发，提出前所未有的解释。这种推理方式被称为溯因推理，它要求科学家具备敏锐的洞察力和非凡的想象力。

科学哲学家托马斯·库恩所说的“范式转变”，往往发生在数据极少或异常现象与既有理论不符的情况下。科学家在面对难以解释的问题时，通常会尝试建立一个“世界模型”，即根据少量数据推断背后的基本规律。这种能力，正是当前AI所缺乏的。

例如，17世纪的天文学家约翰内斯·开普勒通过观测行星运动总结出了数学规律。牛顿在此基础上进一步建立了万有引力定律和经典力学体系。关键在于，牛顿并不是在做一道根据数据求答案的简单题目。他要判断哪些现象值得深入解释，再提出一个此前不存在的理论框架。普朗克也是如此，他发现自己的黑体辐射公式虽然能较好吻合实验，但始终不够完美。他没有将其视为误差而忽略，而是继续追问，最终提出了能量量子化的革命性理论。

这正是当前AI的短板所在。模型主要依赖学习海量数据中的相关性，根据已知例子进行训练，再对未知问题给出统计上最可能的答案。在数据充足的情况下，这确实是一种有效的预测工具。然而，在面对需要深刻理解和创新思考的科学问题时，AI就显得力不从心了。

那么，AI模型能否像科学家一样从稀疏数据中推理出普适的世界模型呢？美国麻省理工学院的计算机科学家森迪尔·穆莱纳坦认为目前还不能。今年7月，他和同事给一个“轨道力学”AI模型提供了多个遵循牛顿力学的虚拟行星系统，希望它能够推导出万有引力定律。结果模型确实学到了一些东西，但却没有找到真正的规律。它为不同行星系统生成了不同的引力定律，每一套都有各自的错误和局限性。

由此可见，AI虽然越来越擅长寻找规律，但在判断哪些问题值得“死磕”方面却还有很大的提升空间。

下一场科学突破需要怎样的AI？

今年5月，AI在数学领域取得了一项重大突破——它推翻了匈牙利数学家保罗·埃尔德什提出的一项存在80年之久的猜想。

穆莱纳坦认为这是一项“真正的概念性进步”。他说，AI并不是通过简单的暴力搜索找到答案的，而是在解题过程中引入了一些新的数学概念。然而，他也指出，AI仍然是在整合数学文献中已经存在的思想，并不像爱因斯坦那样能够从看似毫无关联的地方突然产生一次突破性的发现。

因此，一些科学家认为未来的AI科学家不能仅仅是一个更大的语言模型。穆莱纳坦提出，模型需要同时理解人类已有的知识、真实世界的数据以及“数学空间”——即如何操作数学对象。此外，AI系统的评价标准也不能仅仅局限于预测准确率，还应该考查理论的简单性、解释范围等更全面的指标。

目前，一些研究团队已经开始探索自动化科学系统的发展路径。他们让AI选择和规划实验，由机器人执行实验操作，再根据实验结果形成新的假设和理论。这种全新的科研模式有望为科学突破带来新的可能性。

爱因斯坦生前在接受《生活》杂志编辑威廉·米勒采访时曾强调好奇心的重要性。他说，最重要的是不要停止提问，因为好奇心自有其存在的理由。

对于今天的AI来说，找到一个已知的答案或许并不难。难的是在答案尚不存在的时候，提出那个值得追问的问题。而这，或许正是爱因斯坦测试真正有价值的地方所在。

（原标题为《AI能否实现“爱因斯坦式”的科学突破》）

来源：张佳欣/科技日报