原文作者：Mohana Basu
这个名为“AI-牛顿”（AI-Newton）的模型能从原始数据中推导出科学定律，但离实现“类人推导”还有一段距离。
研究人员向一个AI输入物理实验数据——这些物理实验涉及类似钟摆运动的系统——测试其是否能推导出物理学的基本定律。来源：stefilyn/Getty
大部分人工智能（AI）模型能可靠地识别数据中的模式并进行预测，但并不善于用这类数据来推导普适的科学概念，如万有引力定律。如今，一支中国团队开发了一个名为“AI-牛顿”（AI-Newton）的系统，在喂给它实验数据后，该系统能自主“发现”重要的物理学原理，如描述力和质量对加速度作用的牛顿第二定律。
该模型通过逐步式构建一个概念和规律的知识库，模拟人类的科研进程，参与开发该系统的北京大学物理学家马滟青表示，成功发现有用的概念意味着该系统有望在无需人类预编程的情况下做出科学发现。
美国哈佛大学的计算机科学家Keyon Vafa解释道，“AI-牛顿”使用名为“符号回归”（symbolic regression）的方法，让模型寻找最能描述物理现象的数学方程。该方法在科学发现方面有很好的应用前景，他说，因为该系统的编程方式鼓励其推导概念。
这个北京大学团队用一个模拟器生成来自46个物理实验的数据[1]，这些实验包括球和弹簧的自由运动，物体间碰撞，以及具有振动、振荡和钟摆类运动的系统的行为。该模拟器还会故意引入统计学错误来模拟现实世界数据。
比如，研究人员向“AI-牛顿”输入球在某个时间的位置数据，并要求其提出一个能解释时间和位置这两个变量间关系的数学方程。该模型成功提出了一个速度方程。它还能储存这些知识以用于后续任务，并成功利用牛顿第二定律推算出了球的质量。研究结果尚未经过同行评审。
行星轨迹
科学家曾用AI模型预测过行星轨道。2019年，苏黎士联邦理工学院的团队开发出“AI哥白尼”（AI Copernicus）——该神经网络可用地基观测数据推导出关于行星轨迹的公式。但这种情况需要人类来解读方程并理解它们与太阳周围行星的运动有何关系。
Vafa和他在麻省理工的同事用多个基础模型尝试了一个类似实验，基础模型是用超大数据集训练的AI模型，包括GPT、Claude和Llama等大语言模型。
他们训练这些模型预测行星在太阳系的位置，再让模型预测控制行星轨迹的各种力。在一篇预印本论文[2]中，研究团队发现当用轨道轨迹训练这些模型时，模型无法利用这些知识执行除预测行星轨迹外的其他任务。当试着将轨道轨迹数据转换成关于力的行为的定律时，这些基础AI模型给出了一个毫无意义的引力定律。
“一个被训练用于预测物理实验结果的语言模型，是无法以简明的方式编码概念的。事实上，它将用某种非人类的方式来近似物理的解。”Vafa说。
澳大利亚弗林德斯大学的计算机和认知科学专家David Powers表示，能推导科学定律的模型非常有用。但为了让AI完成自主发现，还需要它参与项目的其他环节，如找出值得解决的问题，确定要做哪些实验，分析生成的数据，提出假说或验证预测。Powers说：“实验科学是为了获得目标变量并开展系统性实验，以获得数据并验证预测。”
马滟青也认为“AI-牛顿”这类模型离做出真正意义上的自主发现还很远，但他相信他们的研究有助于训练未来AI使用现实世界数据发现新的一般物理定律。他的团队如今正在测试该模型是否能发现量子理论。
参考文献：
Fang, Y.-L., Jian, D.-S., Li, X. & Ma, Y.-Q. Preprint at arXiv https://doi.org/10.48550/arXiv.2504.01538 (2025).
Vafa, K., Chang, P. G., Rambachan, A. & Mullainathan, S. Preprint at arXiv https://doi.org/10.48550/arXiv.2507.06952 (2025).
原文以A Chinese AI model taught itself basic physics — what discoveries could it make?标题发表在2025年11月14日《自然》的新闻版块上
© nature
Doi：10.1038/d41586-025-03659-4
版权声明：
本文由施普林格·自然上海办公室负责翻译。中文内容仅供参考，一切内容以英文原版为准。欢迎转发至朋友圈，如需转载，请邮件China@nature.com。未经授权的翻译是侵权行为，版权方将保留追究法律责任的权利。
© 2025 Springer Nature Limited. All Rights Reserved
星标我们，记得点赞、在看+转发哦!
热门跟贴