DeepMind认为，大模型缺的不是知识，而是提出新公理的“科学跃迁”。
冷月清谈：
怜星夜思：
2、科学发现里最关键的是直觉、数据，还是数学推导？
3、大语言模型现在算不算“理解”科学？还是只是会说科学语言？
4、如果未来AI真的能提出新公理，人类科学家的角色会变成什么？
原文标题：把1905年的全部知识交给AI，它能成为下一个爱因斯坦吗？DeepMind重新审视科学发现缺失的那一步
原文作者：数据派THU
原文内容
来源：ScienceAI本文约2300字，建议阅读5分钟关于世界模型与科学创造的那一下跳跃。
2024 年以来，大语言模型不断刷新人们对人工智能能力的认知。从自动证明数学定理，到辅助科研，再到能够自主完成实验规划，越来越多研究开始讨论一个更大胆的问题：如果把人类已有的全部科学知识交给 AI，它是否能够完成下一次真正意义上的科学发现？
DeedMind 在他们的论文「LLMs can't jump」中这个问题具体化为一个更经典的思想实验：如果把 1905 年前后爱因斯坦能够接触到的全部知识交给今天的大语言模型，它还能独立提出广义相对论吗？
答案是不能。原因并不在于模型缺少知识，也不是计算能力不足，而是目前的大模型仍然缺失科学发明过程中最关键的一步——从物理经验跃迁到基础公理（Axiom）的能力。
论文链接：https://philsci-archive.pitt.edu/28024/1/Scientific_Invention_Position_Paper%20%2817%29.pdf
科学发现并不是推导
今天回顾广义相对论，人们往往会把注意力集中在复杂的张量计算、黎曼几何或者爱因斯坦场方程上。但论文指出，这些实际上属于发现之后的数学推导。真正困难的地方，是在所有数学开始之前——为什么会想到引力和加速度等价？
论文认为，爱因斯坦完成科学发明并不是遵循一条连续的逻辑推导链，而是经历了一次从物理体验到抽象公理的跃迁。
最著名的例子便是「自由落体中的电梯」。
当一个人身处自由下落的电梯内时，他会短暂失去重量；而如果身处远离引力、持续向上加速的飞船中，又会重新感受到与重力几乎一致的作用力。正是这种来自现实世界的感知体验，让爱因斯坦提出了后来被称为等效原理（Equivalence Principle）的思想：局域范围内，引力与加速度无法区分。
这一原理并不是由实验数据直接推导出来，也不是数学公式计算得到，而是一种建立在物理直觉上的假设。随后，爱因斯坦才进一步发展出时空弯曲、测地线、应力—能量张量以及最终的场方程，将这一思想不断扩展为完整理论体系。论文认为，这一步才是真正意义上的科学发明起点。
一条被忽略的科学发明路径
围绕这一历史案例，DeppMind 进一步提出，现代 AI 对于科学发现过程的理解其实过于简单。
目前，大多数自动科学发现框架通常默认遵循这样一条路径：
数据 → 建模 → 验证 → 新理论。
图示：爱因斯坦 E-J-A 图表的生成式人工智能重构图。
但实际上，中间隐藏着最重要的一个概念——Abductive Jump（溯因跃迁）。这并非传统意义上的统计推断，更像是面对现象时，主动提出一种能够解释这些现象的新假设。爱因斯坦真正完成的正是这样一次跃迁——他并没有根据已有理论进行推导，而是提出了一个此前从未存在的新公理。
只有完成这一步之后，科学研究才进入人们熟悉的 Deduction（演绎）阶段。数学推导负责不断扩展理论、导出可验证预测，再通过实验完成最终验证。
图示：爱因斯坦等效原理的思想实验（AI 生成）。
AI 究竟缺少了什么
如果说前文叙述了为什么 Abductive Jump 如此重要，接下来就是今天的大模型为什么完成不了这一步。
这里可以套用一下「中文房间（Chinese Room）」的思想实验。在外部看来，一个不会中文的人，只要按照规则手册操作，也能够输出正确的中文回答；但实际上，他并没有真正理解这些文字所对应的意义。
同样，大语言模型能够熟练运用物理学语言、推导公式，甚至讨论广义相对论，却始终停留在符号层面，它理解的是不同符号之间的统计关系，而不是这些符号所对应的物理世界。
这种缺乏物理锚定的问题，正是模型无法完成科学发明的原因。
对于大语言模型而言，「重力」「加速度」「自由落体」都只是训练语料中的词汇，它们之间虽然能够形成复杂的语言联系，却没有对应的真实物理经验。因此，大模型能够完成演绎推理，却难以从经验中建立新的公理体系，也就无法完成文中所说的 Abductive Jump。
所谓世界模型
目前的大多数视频生成模型，例如能够模拟自然运动的视频模型，确实已经表现出一定的「直觉物理」。但这归根结底只是来自于训练数据，而非真正的理解。真正值得关注的是另一类能够进行交互式模拟（Interactive Simulation）的世界模型。
以 Google DeepMind 提出的 Genie 为例，这类模型最大的变化并不是画面更加真实，而是在生成环境之外，引入了可操控的动作空间（Action-controllability）。
图示：世界模型的仿真（AI 生成）。
如果希望 AI 重复爱因斯坦关于电梯的思想实验，仅仅生成一段电梯下落的视频是不够的。真正重要的是让它主动改变实验条件，例如「剪断电梯钢缆」「改变加速度」「修改引力方向」，并不断比较这些不同假设带来的物理后果。
一种直觉
不过，论文内也指出，即使拥有世界模型，AI 也未必能自动产出科学发明。爱因斯坦完成广义相对论并不仅仅依赖模拟能力，还拥有一种能够主动缩小搜索空间的 Physical Prior（物理先验）。这种先验并不是数学公式，而是一种关于世界如何运行的强烈直觉。
如果未来世界模型能够提供稳定、可交互的物理环境，使 AI 拥有持续进行反事实实验的能力，再结合能够约束搜索方向的世界先验，那么连接经验、直觉与逻辑之间的那一步，或许才真正有机会被自动化。
真正的创造从来不是已有知识的简单重组，而是在经验世界中建立新的公理，再由数学和实验不断验证它们。当 AI 开始尝试迈向科学家而不仅仅是科学助手时，这个关于「如何产生第一性假设」的问题才会更具价值。
相关链接：https://x.com/HowToPrompt__/status/2081739847614845288
编辑：文婧
