当大模型掀起的 AI 浪潮席卷全球，资本、科技公司与大众纷纷陷入对通用人工智能的狂热想象 —— 有人坚信 AI 很快能自主提出全新科学理论、解开物理终极谜题，重塑人类文明的前进节奏。但在一片高歌猛进中，深耕基础科学的物理学家们却抛出冷静预判：这一轮 AI 热潮，最终很可能以一场巨大的失望告终。
这份悲观并非否定 AI 的工具价值。物理学家们亲眼见证，大模型能快速撰写科研论文、筛选海量数据、辅助药物分子筛选，甚至给出物理方程的近似解，大幅缩减科研人员的基础性工作量。在文本生成、信息归纳等应用层面，AI 的落地速度远超十年前的预期，各行各业都在借这股技术风口提升效率。
真正的裂痕，藏在 “表面生成” 与 “真正理解世界” 的鸿沟之间。在物理学家眼中，当前主流大模型本质是庞大的统计学系统，它通过学习人类公开的文字、论文、实验记录，掌握词语与公式的关联规律，输出逻辑通顺的答案，但并不理解宇宙运行的底层规则。
物理世界没有明确的 “规则书”，这是 AI 难以跨越的第一道坎。不同于围棋、数学这类可穷举的逻辑体系，物理研究依赖真实实验验证，实验不仅需要昂贵设备与时间成本，数据还有限且带有噪声。AI 能暴力破解数学猜想，却无法穷举自然的复杂性；在编程、数学领域能形成逻辑自洽的自我验证闭环，物理研究却必须依赖人类干预与现实验证，这一环节 AI 目前无法独立完成，难以自主推进研究进展。
AI 缺乏科学突破所需的 “创造性跳跃”，是导致失望的核心原因。当前 AI 的核心能力是归纳已有数据规律、演绎既有公理，但科学突破最关键的溯因推理能力 —— 即在数据稀缺时提出全新解释性假设的能力 —— 仍是空白。正如爱因斯坦的广义相对论源于 “电梯思想实验” 的创造性跳跃，若将相对论诞生前的物理知识输入 AI，它无法自行构想这一突破框架的全新假设。学者张朝阳将 AI 比作马、人类比作骑手，AI 负责拓展计算边界，而提出新概念、新方向的判断，必须由人类完成。
OpenAI 首席执行官 Sam Altman 曾提到，前沿 AI 模型在写作、编程等领域表现出色，但在通用人工智能的关键要素 —— 逻辑推理一致性、长期规划能力、事实一致性等方面仍有不足。当资本与大众的期望被推至 “超级人工智能” 的高度，AI 在真实科学探索中的局限性终将显现，这场热潮或许会在期望错位中回归冷静，让人们重新认识 AI 作为工具的本质 —— 它能提升效率，却无法替代人类的创造性与对世界的深度理解。
热门跟贴