最近读到一篇令人深思的文章，恰好点破了我盘旋数月的一个想法：当前AI系统在演绎和归纳上表现得极其出色，却独独缺少第三种能力——溯因。那种跳跃式的洞见。当年爱因斯坦面对少量令人困惑的观测，却创造出了广义相对论，靠的正是溯因。

大多数人不会读标题以外的东西，所以先说明为什么这件事重要。归纳是训练的本质：给模型足够多的例子，模型从中找到规律。演绎是推理的本质：从已有前提出发，遵循逻辑向前推进。这两种能力都很有价值，现代模型也确实一年比一年更强。但还存在第三种模式，它才是真正产生新知识的方式。

皮尔士称之为溯因：当一个令人惊讶的结果出现，你需要一条新的规则去解释它；或者一条规则不再适用，你需要一个全新的案例。这不是模式匹配，也不是逻辑链条，而是创造前所未有之物。

DeepMind那篇论文《LLMs Can't Jump》将这一过程映射到爱因斯坦手绘的图示上：感官经验跳跃到公理，然后演绎从公理向前延伸。那个跳跃正是缺失的环节。广义相对论不是从更多数据中归纳出来的——当时根本没有足够的数据可供归纳；也不是从既有前提中演绎出来的——那些前提尚未存在。爱因斯坦是溯因的：他审视证据，然后发明了一个新框架。

这正是当前AI最值得追问的边界。模型可以在已知模式中越走越远，却未必能在未知处完成那惊险的一跃。如果溯因能力无法被训练和评估，那么AI与爱因斯坦之间的距离，就仍然是一条无法用数据和算力直接填平的鸿沟。