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。跨越一个多世纪的风雨，如今，人工智能（AI）的迅猛发展再次将人们的思绪拉回到那个充满探索与创新的年代，引发了一场关于AI能否复制“爱因斯坦式”科学突破的深刻思考。

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：如果我们将知识的时间线截止到1911年，并利用那个时代之前人类积累的所有知识来训练大型语言模型（LLM），那么，这个模型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。

爱因斯坦曾深情地指出，最重要的是永远不要停止提问，因为好奇心本身就是其存在的最好理由。图片来源：《自然》杂志网站

据徽声在线从英国《自然》杂志获悉，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，实验结果却显示，AI距离实现“爱因斯坦式”的科学突破，仍有一段不短的路要走。

让AI“穿越”回过去并非易事

独立AI研究者迈克尔·赫拉精心训练了一个名为“Machina Mirabilis”的语言模型，该模型仅使用1900年以前的数据，试图让它自主产生量子力学、狭义相对论和广义相对论等革命性理论。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”。令人惊喜的是，模型偶尔确实能给出一些颇具启发性的答案。例如，在面对光电效应时，它曾提出光会“分解成大量独立的脉冲”，这一观点已接近光量子概念的核心。

然而，这种灵光一闪的瞬间并未能持续。在多数情况下，模型还是未能成功。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，而非真正洞察了物理世界的奥秘。

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。但实际操作起来却困难重重。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。他们惊讶地发现，这个所谓的“1930年模型”有时竟能正确回答20世纪50年代的问题，这无疑给实验带来了不小的干扰。

由此可见，让AI“穿越”回过去并非易事。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不擅长判断哪些问题值得“死磕”

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，往往并非仅仅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。

想象力的飞跃，或是科学哲学家托马斯·库恩所说的“范式转变”，往往发生在数据极为稀缺的时候，或者出现在与既有理论相悖的异常现象上。科学家在面对难以解释的问题时，通常会尝试构建一个“世界模型”，即根据少量数据推断背后的基本规律。

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，牛顿并非仅仅在做一道根据数据求答案的题目。他需要判断哪些现象值得深入解释，再提出一个此前从未存在的理论框架。普朗克也是如此。他发现自己的黑体辐射公式虽然能较好地吻合实验数据，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。模型主要依赖于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。

那么，AI模型能否同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·穆莱纳坦认为目前尚不能实现。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，但却未能找到真正的规律。它为不同行星系统生成了不同的引力定律，每一套都存在各自的错误。

由此可见，AI虽然越来越擅长寻找规律，但却还不太擅长判断哪些问题值得“死磕”。

下一场科学突破需要何种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长达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”。他指出，AI并非通过简单的暴力搜索找到答案，而是在解题过程中引入了一些新的数学概念。然而，AI仍然整合了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，还应考虑理论的简单性、解释范围等多个维度。

目前，一些研究团队已经开始探索自动化科学系统，让AI能够自主选择和规划实验，由机器人执行实验操作，再根据实验结果形成新的假设。这一领域的探索无疑为AI在科学突破中的应用开辟了新的道路。

爱因斯坦生前在接受《生活》杂志编辑威廉·米勒采访时曾深情地说，最重要的是永远不要停止提问，因为好奇心本身就是其存在的最好理由。

对于今天的AI来说，找到一个答案或许并不难，难的是在答案尚不存在的时候，提出那个值得追问的问题。爱因斯坦测试的真正价值，或许就在于它激发了我们对AI无限可能的探索与追求。

（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