编译 | 阮曼奇（中国科学院高能物理研究所）
来源 | Claire Malone. Physics World，2026，（8）：25
在《银河系漫游指南》中，Douglas Adams设想了一台名为“深思”的超级计算机。它花了750万年，算出了“关于生命、宇宙以及一切终极问题的答案”：42。
唯一的问题是：没人知道当初具体问的问题是什么。这个笑话的深意在于，任何答案，无论多么精确，如果对问题本身和求解路径缺乏理解就毫无意义。
曾经这只是科幻内容。如今，从结构生物学到粒子物理，人工智能正越来越深地嵌入科学研究。它能识别海量数据中的隐藏模式、生成假说、加速模拟、指导实验，给出精度惊人的结果。但在某些情况下，连AI的创造者也说不清它究竟是如何得出结论的。
一个令人不安的问题随之而来：我们是否正在进入一个“没有理解的发现”的时代？如果真是这样，当科学开始生产属于它自己的“42”，又会发生什么？
AI与加速器粒子搜索
在欧洲核子研究中心(CERN)的大型强子对撞机(LHC)上，这个问题早已不是假设。人工智能特别是机器学习，长期以来就是粒子物理研究的日常工具。
早在2010年代初，CMS和ATLAS实验就在希格斯玻色子搜索中常规使用机器学习方法：算法将希格斯玻色子衰变为双光子或四轻子的稀有信号从海量标准模型背景中筛选出来。机器学习本身并没有发现希格斯玻色子，但它通过显著提升分析灵敏度加速了搜寻进程。据《自然》综述文章指出，若不借助机器学习，达到同等灵敏度需要多出15%到125%的数据，某些测量甚至需要翻倍。
由CERN的ATLAS实验探测到的候选希格斯玻色子对(与顶夸克对联合产生)
此后，AI的应用范围迅速扩大。神经网络被用来压缩海量数据集、加速模拟、以及在数十亿次碰撞中识别异常事件。曼彻斯特大学物理学家、ATLAS合作组成员Caterina Doglioni说：“人工智能的应用正变得越来越难以与粒子物理研究区分开来，它几乎无处不在。它在LHC上至关重要，是因为产生的数据远超可存储的量。”
更值得注意的是范式转变。过去，机器学习用于“寻找已知信号”。算法被训练去识别理论预言的信号特征。如今，研究者让算法学习普通碰撞长什么样，再标记出偏离预期的异常事件。这本质上是一种异常检测：新物理可能以某种“不同寻常之物”的形式显现，即便我们还不知道它长什么样。2024年，ATLAS已用Run 2数据成功部署了无监督异常检测搜索，虽未见新物理，但证明了方法可行。
简而言之：机器学习过去用于“我们知道在找什么”，如今用于“我们还不知道在找什么”。
黑箱与“无法理解的证明”
AI能迅速识别高维数据模式、能看到人类可能忽略的模式，这一能力引发了最持久的担忧之一：黑箱问题。现代机器学习系统能揭示数据中的复杂关系，但研究者可能说不清模型究竟如何得出某一结果。在粒子物理这样“非凡主张需要非凡证据”的领域，这种不透明令人不安。
格拉斯哥大学理论物理学家David Sutherland认为，更大的问题未必是能否解释模型的每个内部特征，而是能否信任并复现其输出，他说：“可复现性比可解释性更重要。”科学历来要求结果经得起审视、能够被独立验证。模型无需暴露内部每一个细节，但必须证明它在不同数据集和条件下都能稳健运行。
然而随着AI日益深入地嵌入研究流程，确保这种可靠性变得更困难。复现结果可能不仅需要数据和代码，还需要模型架构、训练条件和计算环境，所有这些都会影响AI的行为。
而这还只是开始。一个更深层的问题正在浮现：如果AI发现的结果，人类在原则上就无法理解呢？AI可以在海量数据中发现新粒子的踪迹、在参数空间中找到新物理的信号，但它给出的“答案”可能是一个人类无法凭直觉把握的高维关联、一个无法用现有理论框架解释的模式。我们大致能判断它是对的：因为结果可复现、可验证，但却不知道它为什么对、意味着什么。
这正是“深思”困境的现代版本：机器给出了答案，而我们不知道自己问的是什么问题。
当科学价值重新被定义
AI的普及还在改变物理学家的工作方式和科学价值的衡量标准。阿姆斯特丹大学物理学家Christoph Weniger认为，AI将在复杂分析中承担越来越主动的角色，研究者将转变为监督和引导这些智能体的角色。他还提出，随着常规技术障碍被AI抹平，科学价值可能越来越不取决于发了多少篇论文，而取决于提出的问题有多原创性、多有影响力。
这一转变也可能延伸到科学传播。柏林洪堡大学数学物理学家Nichol Furey指出，AI能写出为读者着想的清晰文字，而人类作者往往写得过于晦涩。但同样的工具也能产生海量的科学文本，而判断真伪的责任就转移到了读者和审稿人身上。arXiv近期已宣布，对上传明显带有未经验证的AI内容(如虚假引文或残留的聊天机器人指令)的作者实施一年封禁。
人才培养同样面临挑战。德国DESY实验室博士后Wrishik Naskar观察到：“我遇到困难时会去找导师，但很多人第一件事是问ChatGPT。”如果AI自动化了那些曾经训练研究者的步骤，未来的专家该如何培养？正如Naskar所说：“把重点放在学习上，有技能，成果自然会来。”
AI是工具，不是神谕
并非所有人都视AI为威胁。巴塞尔大学粒子理论家Admir Greljo认为，真正的转变不是替代，而是协作：“AI不是竞争，它是一种新工具。”这呼应了历史模式：从手算到计算尺再到计算机，每一次技术飞跃都引发过“会失去什么技能”的担忧，但工具最终拓展了物理学家所能提出的问题。
AI也许只是这一进程的下一步。但它也带来了全新的挑战：它能提出想法、识别模式，参与到曾被视为人类独有的科学环节中。Sutherland认为，AI完成从生成假说到收集数据，再到撰写论文的整个研究循环，并非难以想象，但仍需人类掌舵和理智检查。Greljo则更进一步：完全自主的科学系统短期内不会出现，但没有根本理由认为它永远不会出现，因为科学归根结底依赖可复现的结果，人类可以重复计算、检验预测来核实AI的答案。
我们或许正在进入这样一个世界：机器帮助我们发现宇宙真理的速度，超出了我们完全理解它们的能力。但这未必是科学的终结。AI模型和科学中使用的许多模型一样，是不完美的，但也许它们不需要完美。
科学从来都是在不确定性中前行，构建不完整的模型并不断修正。AI可以帮助我们以前所未有的速度发现事物，重塑未来几代物理学家学习、工作和思考的方式。但科学不仅仅是产生结果，它还关乎解释、好奇，以及决定哪些问题首先值得提出。
我们不应把AI当作绕开科学方法的神谕，而应视其为物理学家武器库中的又一件工具：强大，但仍然只是工具。
毕竟，“深思”的问题从来不是它给出了错误的答案，而是没人知道自己问了什么。对下一代物理学家的挑战，也许不在于判断AI能否发现关于自然的新真理，而在于确保我们仍然知道哪些问题值得问，确保人类能理解自己提出的问题。
本文经授权转载自中国物理学会期刊网，选自《物理》2026年第9期，原标题《没有理解的发现》
热门跟贴