【科技創新世界潮】

1915年，阿爾伯特·愛因斯坦提出廣義相對論，改變了人類對時空和引力的認識。一個多世紀后，一場關於人工智能（AI）的思想實驗再次把人們帶回那個年代。

今年2月，在印度新德裡舉行的印度人工智能峰會上，谷歌“深度思維”聯合創始人德米斯·哈薩比斯提出了一個設想——將1911年設為知識截止線，用此前人類積累的知識訓練大型語言模型（LLM），看它能不能重新發現廣義相對論。哈薩比斯認為，這可以檢驗通用AI的能力。

據英國《自然》雜志近日報道，今年以來，多個團隊開始嘗試構建“歷史AI”或“復古LLM”，把訓練數據卡在某個歷史時間點之前，看模型能否重新發現后來出現的科學思想。結果顯示，AI距離“愛因斯坦式”的科學突破，還有不小的距離。

讓AI穿越回去並不容易

獨立AI研究人員邁克爾·赫拉訓練了一個名為“Machina Mirabilis”的語言模型，隻用1900年以前的數據，想讓它產生量子力學、狹義相對論和廣義相對論。他向模型輸入光電效應等當時已經能夠觀察到的物理現象，還提供了后來成為廣義相對論重要思想來源的“電梯思想實驗”。模型偶爾確實會冒出一些頗有意思的答案。面對光電效應，它曾提出光會“分解成大量彼此獨立的脈沖”。這個說法，已經挨著光量子概念的邊了。

但這種靈光一閃就沒有下文了。多數情況下，模型都失敗了。它能說出聽起來合理的物理語言，卻“不知其所以然”。更多時候，它只是在模仿歷史文本裡的說法，而不是真的看懂了這些物理現象之間的關系。

另一個團隊把時間卡在了1930年。獨立計算機科學家尼克·萊文和同事訓練了一個隻掌握1930年以前知識的模型，想用它預測后來出現的科學成果。但真正做起來並不容易。歷史資料的日期並不總是准確，數字化過程中也會出現錯誤、混雜。他們發現，這個所謂的“1930年模型”有時竟能正確回答20世紀50年代的問題。

讓AI穿越回去並不容易，就算解決了數據泄露問題，真正的挑戰還在后面。

AI不擅長判斷什麼值得“死磕”

今年1月，谷歌“深度思維”研究員湯姆·扎哈維在論文《LLM不會跳躍》中指出，當前LLM還無法完成愛因斯坦那樣的推理跨越。科學上的重大進步，往往不是從大量數據裡歸納出一般規律，而是從一個具體現象出發，提出此前沒有過的解釋，這種推理叫溯因推理。

想象力的飛躍，或是科學哲學家托馬斯·庫恩所說的“范式轉變”，往往發生在數據極少的時候，或者出現在跟既有理論對不上的異常現象上。科學家面對難以解釋的問題時，通常會嘗試建立一個“世界模型”，即根據少量數據推斷背后的基本規律。

例如，17世紀，天文學家約翰內斯·開普勒通過觀測行星運動總結出數學規律。牛頓在此基礎上，進一步建立萬有引力定律和經典力學體系。關鍵在於，牛頓不是在做一道根據數據求答案的題。他要判斷哪些現象值得解釋，再提出一個此前不存在的理論框架。普朗克也一樣。他發現自己的黑體輻射公式雖然能較好吻合實驗，卻始終不夠完美。他沒把它當誤差，而是繼續追問，最終提出能量量子化。

這正是當前AI的短板。模型靠學習海量數據中的相關性，根據已知例子訓練，再對未知問題給出統計上最可能的答案。數據充足時，這是有用的預測工具。

那麼，AI模型能否同樣從稀疏數據中推理出普適的世界模型？美國麻省理工學院計算機科學家森迪爾·穆萊納坦認為目前還不能。今年7月，他和同事給一個“軌道力學”AI模型提供了多個遵循牛頓力學的虛擬行星系統，希望它推導出萬有引力定律。結果模型確實學到了東西，卻沒有找到真正的規律。它為不同行星系統生成了不同的引力定律，每一套都有各自的錯誤。

可見，AI越來越擅長尋找規律，卻還不太擅長判斷什麼值得“死磕”。

下一場科學突破需要什麼樣的AI？

今年5月，AI推翻了匈牙利數學家保羅·埃爾德什提出的一項存在80年之久的猜想。

穆萊納坦認為，這是一項“真正的概念性進步”。他說，AI不是通過簡單的暴力搜索找到答案，而是在解題過程中引入了一些新的數學概念。不過，AI仍然整合了數學文獻中已經存在的思想，並不像愛因斯坦那樣，從看似毫無關聯的地方突然產生一次突破性的發現。

因此，一些科學家認為，未來的AI科學家不能只是一個更大的語言模型。穆萊納坦提出，模型需要同時理解人類已有的知識、真實世界的數據，以及“數學空間”，即如何操作數學對象。AI系統的評價標准也不能隻有預測准確率，還應考查理論的簡單性、解釋范圍等。

目前，一些研究團隊已經開始探索自動化科學系統，讓AI選擇和規劃實驗，由機器人執行實驗，再根據結果形成新的假設。

愛因斯坦生前在接受《生活》雜志編輯威廉·米勒採訪時曾說，最重要的是不要停止提問，好奇心自有其存在的理由。

對今天的AI來說，找到一個答案或許並不難，難的是在答案尚不存在的時候，提出那個值得追問的問題。愛因斯坦測試真正有價值的地方，或許就在這裡。