給 AI 一個 1901 年的世界，它能發明相對論嗎？

本文來自微信公眾號： 防冷涂的臘 ，作者：防冷涂的臘，原文標題：《給 AI 一個 1901 年的世界，它能發明相對論嗎？》

Google DeepMind CEO 哈薩比斯 提出過一個很有意思的測試：

把一個現代 AI 的知識截止時間設在 1901 年，只允許它接觸此前人類積累的知識。然后看它能不能像愛因斯坦一樣，在沒有讀過后來論文的情況下，于 1905 年提出狹義相對論。

如果它能做到，說明 AI 已經具備了接近頂尖科學家的創造力；如果做不到，它仍然只是一個非常強大的知識處理系統。

我的答案很明確：不能。

問題不在算力，也不在資料數量。即使把 1901 年以前的物理學文獻全部交給 AI，它仍然無法完成愛因斯坦式的突破。

因為狹義相對論不是一次知識補全。它重新定義了人類理解時間、空間和運動的方式。

Hassabis 在討論 AI 創造力時，區分了兩種能力：一種是在已經定義好的問題中尋找答案，另一種是提出新的理論和假說。后者才接近他所理解的真正創造力。

這個測試真正要問的是：如果一項科學突破需要的知識都已經出現，新理論會不會自然從舊知識中生長出來？

相對論告訴我們，不會。

01 范式決定了科學家在解決什么問題

理解這個問題，需要先講一下托馬斯·庫恩在《科學革命的結構》中提出的“范式”。

這個概念可以簡單理解為：一個時代的科學家共同接受的一套解題規則。它規定了哪些問題值得研究、應該使用什么概念、什么算有效證據，以及怎樣的解釋才算合理。

比如在牛頓物理學的框架里，時間均勻流逝，空間是物體運動的固定舞臺。這些內容通常不會被當成問題，它們是科學家用來研究其他問題的前提。

在一個范式內部，大部分科學研究都像解題。理論和實驗出現沖突，科學家會檢查測量是否準確、參數是否需要調整，或者理論中是不是遺漏了某個條件。只要基本框架仍然有效，研究就會繼續在原有體系里尋找答案。庫恩把這種研究稱為“常規科學”。

異常持續積累，原有框架又無法解釋，科學革命才可能發生。新的理論會重新規定哪些問題重要、哪些概念有效，甚至改變科學家理解同一組實驗結果的方式。

范式切換，不是在舊答案中選出一個更好的答案，而是改變我們理解問題的方式。

狹義相對論正是一次這樣的變化。

02 愛因斯坦重新定義了時間

19 世紀末，物理學已經建立起兩套非常成功的理論。牛頓力學可以解釋物體怎樣運動，麥克斯韋方程則統一了電和磁。單獨使用時，兩套理論都很有效；放到一起，卻出現了一道難以處理的裂縫。

在牛頓力學中，速度可以相加。一個人在行駛的火車上向前扔球，站臺上的人測到的球速，應該等于火車速度加上球相對火車的速度。按照同樣的邏輯，不同運動狀態的觀察者測量光速，也應該得到不同結果。但麥克斯韋方程給出的光速似乎是一個固定值。

邁克爾遜—莫雷實驗也沒有測出預期中的“以太風”。如果光必須在以太中傳播，地球又在以太中運動，實驗本來應該測出不同方向上的光速差異，結果卻沒有。

當時很多科學家仍在原有框架中尋找解釋：是不是以太會被地球帶著一起運動？物體運動時會不會發生收縮？是否存在某種機制，使人類永遠無法測出以太？

愛因斯坦面對的是同一批矛盾，卻換了一個起點。他不再追問為什么測不到以太，也不再堅持所有觀察者共享同一個絕對時間。

他從兩個基本前提出發：所有慣性參考系中的物理定律具有相同形式，真空中的光速對所有慣性觀察者相同。如果這兩點都成立，需要調整的便是人們對時間和空間的理解。

兩個相隔很遠的事件是否同時發生，不再擁有一個獨立于觀察者的絕對答案；時間間隔和空間長度，也會隨著觀察者的運動狀態發生變化。

愛因斯坦把原來被當作前提的“絕對時間”，變成了需要重新審視的問題。

這才是相對論測試真正困難的地方。相關實驗、理論矛盾和數學工具已經出現，但這些知識不會自動告訴研究者：也許錯的不是某個參數，而是我們理解時間的方式。

03 AI 能生成新答案，卻仍受舊知識約束

要解釋 AI 為什么發明不了相對論，還需要了解當前大語言模型怎樣獲得知識，又怎樣產生所謂的“創造力”。

大語言模型通過海量文本訓練，學習詞語、概念和知識之間的關系。最基礎的訓練任務，是根據已有內容預測接下來最可能出現什么。規模足夠大以后，模型由此掌握了語言形式，并形成總結、歸納、推理、遷移和組合能力。

面對一個已經定義好的研究問題，AI 可以迅速閱讀大量論文，整理不同觀點，完成計算推導，生成代碼，也可以提出候選假說和實驗方案。過去一個研究團隊需要幾個月完成的文獻綜述，它可能幾分鐘就能整理出基本脈絡。

但它判斷“什么是合理的”，主要依據仍然來自已有知識。如果訓練資料普遍接受以太存在，模型就會把以太視為合理前提；如果大多數論文都在研究以太為什么無法被探測，它也會沿著這個方向繼續尋找答案。

這不意味著 AI 沒有創造力。它最常見的創造，是重新組合已有知識：文章、代碼和假說都可以是新的，組成它們的材料和基本判斷標準仍然來自舊知識。

再往前一步，AI 還可以在固定規則內找到人類沒有發現的答案。AlphaGo 的“第 37 手”就是典型例子。那一步前所未見，但圍棋的規則、勝負目標和反饋機制都已經確定，AI 做的是在巨大的可能性空間里尋找新路徑。

相對論要求的是另一種創造。它沒有在“如何探測以太”這個問題下繼續尋找更優解，而是重新審視以太和絕對時間是否有必要存在。它改變了問題本身。

AI 已經可以在舊地圖上找到人類沒有走過的路。相對論需要的，卻是意識到這張地圖可能畫錯了。

04 從發現矛盾到范式跳躍，AI 還差什么

如果真的訓練一個知識截止在 1901 年的模型，把經典力學、麥克斯韋方程和相關實驗結果交給它，AI 能不能發現其中的矛盾？

當然可以。它可以指出經典速度疊加與光速不變之間的沖突，也能整理邁克爾遜—莫雷實驗給以太理論帶來的困難。只要提示足夠明確，它還可以一次生成幾十種解釋方案。

但這仍然不是相對論。

一、識別異常之后，AI 仍會回到舊框架

理論與實驗不一致，可能有很多原因：測量誤差、參數錯誤、條件遺漏、理論適用范圍有限，或者基礎概念本身有問題。AI 擅長列出這些可能性，卻很難獨立判斷問題究竟出在哪一層。

在舊范式中，絕對時間從未被視為一個需要檢驗的假設。它更像試卷上已經給定的條件。研究者會用這個條件繼續解題，很少先去質疑題目本身。

從“兩套理論存在矛盾”走到“絕對時間可能不存在”，中間沒有一條可以按步驟完成的推導。這一步需要推翻用來推導的前提。

二、假說數量解決不了理論選擇

現在的大語言模型已經可以生成科學假說。但生成假說，距離建立新理論還很遠。

如果 1901 年的主流研究都圍繞以太展開，AI 更可能提出一種新的以太模型，或者設計更精密的以太探測實驗。即使它偶然生成了“以太可能不存在”這個選項，也只是眾多候選方案中的一個。

真正困難的是理論選擇：為什么要放棄一個被整個科學共同體接受的前提？這個看起來反常的假說，能否用更少的前提統一更多現象？在缺少直接證據時，為什么值得沿著它繼續研究？

科學突破既要產生新想法，也要從大量可能性中識別出值得押注的方向。AI 可以制造選項，卻無法獨立完成這樣的選擇。

三、AI 沒有一個必須要想通的問題

科學家之所以不斷追問，有時并不是因為公式算不出來。理論可能已經能夠解釋實驗，但整個體系仍然不夠簡潔，或者不同理論之間存在明顯裂縫。研究者對這種不協調感到不滿足，才會繼續尋找更統一的解釋。

當前 AI 的目標來自外部。人類讓它解釋某個實驗，它就尋找能夠完成任務的方案；人類讓它提出十種假說，它就生成十種假說。任務結束后，它不會繼續追問，也不會因為某種世界觀不協調而長期投入其中。

即使給它長期記憶、持續任務和自動實驗能力，研究目標與評價標準仍然來自外部。持續執行一個問題，與主動決定哪個矛盾值得追問、哪個前提需要推翻，并非一回事。

它可以模擬懷疑的語言，卻沒有必須把這個問題想通的需要。

AI 可以把舊范式里的路走到盡頭，卻不會自然產生“這條路本身可能錯了”的沖動。

05 99% 的汗水，和 1% 的靈感

承認這條邊界，并不會削弱 AI 對科學研究的價值。未來大量科研工作都會被它重構。

文獻閱讀、資料整理、計算推導、代碼實現、實驗設計、模型篩選，這些重復、繁瑣又耗時的部分，都可以越來越多地交給 AI。過去需要幾年才能梳理清楚的文獻沖突，AI 可能幾分鐘就能找出來；原來依賴大量實驗排除的錯誤方向，也可以通過模型加速篩選。

AI 還會讓異常更早暴露，讓科學家把更多時間留給判斷、選擇和解釋。它對科研的意義，可能遠大于我們今天看到的文獻總結和代碼生成。

AI 越強，人類在科學研究中的價值越會向上游移動：決定研究什么，識別哪個矛盾值得追問，判斷什么時候應該放棄舊解釋。

但 Hassabis 的相對論測試提醒我們：科學研究最關鍵的時刻，有時不在于更快地回答問題，而在于意識到問題問錯了。

當問題已經定義清楚，AI 可以比絕大多數人做得更快、更全面。可一旦突破要求研究者懷疑最基礎的前提，知識數量和計算速度都無法自動完成這一步。

愛迪生曾經說過：“天才是 1% 的靈感加 99% 的汗水。”

這里的靈感并非憑空出現的閃念。它來自人類對矛盾的敏感、對舊前提的懷疑，以及在沒有標準答案時重新搭建解釋框架的能力。

愛因斯坦面對的資料，并不比同時代的物理學家更多。

他真正改變的，是看待這些資料的方式。

AI 目前能替代 99% 的汗水，卻替代不了那 1% 的靈感。

本內容由作者授權發布，觀點僅代表作者本人，不代表虎嗅立場。如對本稿件有異議或投訴，請聯系 tougao@huxiu.com。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4874543.html?f=wyxwapp