{"id":87611,"topic":"ai","source":"China Daily","title":"AI能否实现“爱因斯坦式”的科学突破- 中国日报网 - China Daily","url":"https://tech.chinadaily.com.cn/a/202609/22/WS6ab1e194e4b09a165c78bba5.html","url_hash":"6b58ac536efd4fe457cdf6dff6ed02961c4f0fb5","author":"","summary":"AI能否实现“爱因斯坦式”的科学突破- 中国日报网 China Daily","content":"1915年，阿尔伯特·爱因斯坦提出广义相对论，改变了人类对时空和引力的认识。一个多世纪后，一场关于人工智能（AI）的思想实验再次把人们带回那个年代。\n今年2月，在印度新德里举行的印度人工智能峰会上，谷歌“深度思维”联合创始人德米斯·哈萨比斯提出了一个设想——将1911年设为知识截止线，用此前人类积累的知识训练大型语言模型（LLM），看它能不能重新发现广义相对论。哈萨比斯认为，这可以检验通用AI的能力。\n据英国《自然》杂志近日报道，今年以来，多个团队开始尝试构建“历史AI”或“复古LLM”，把训练数据卡在某个历史时间点之前，看模型能否重新发现后来出现的科学思想。结果显示，AI距离“爱因斯坦式”的科学突破，还有不小的距离。\n让AI穿越回去并不容易\n独立AI研究人员迈克尔·赫拉训练了一个名为“Machina Mirabilis”的语言模型，只用1900年以前的数据，想让它产生量子力学、狭义相对论和广义相对论。他向模型输入光电效应等当时已经能够观察到的物理现象，还提供了后来成为广义相对论重要思想来源的“电梯思想实验”。模型偶尔确实会冒出一些颇有意思的答案。面对光电效应，它曾提出光会“分解成大量彼此独立的脉冲”。这个说法，已经挨着光量子概念的边了。\n但这种灵光一闪就没有下文了。多数情况下，模型都失败了。它能说出听起来合理的物理语言，却“不知其所以然”。更多时候，它只是在模仿历史文本里的说法，而不是真的看懂了这些物理现象之间的关系。\n另一个团队把时间卡在了1930年。独立计算机科学家尼克·莱文和同事训练了一个只掌握1930年以前知识的模型，想用它预测后来出现的科学成果。但真正做起来并不容易。历史资料的日期并不总是准确，数字化过程中也会出现错误、混杂。他们发现，这个所谓的“1930年模型”有时竟能正确回答20世纪50年代的问题。\n让AI穿越回去并不容易，就算解决了数据泄露问题，真正的挑战还在后面。\nAI不擅长判断什么值得“死磕”\n今年1月，谷歌“深度思维”研究员汤姆·扎哈维在论文《LLM不会跳跃》中指出，当前LLM还无法完成爱因斯坦那样的推理跨越。科学上的重大进步，往往不是从大量数据里归纳出一般规律，而是从一个具体现象出发，提出此前没有过的解释，这种推理叫溯因推理。\n想象力的飞跃，或是科学哲学家托马斯·库恩所说的“范式转变”，往往发生在数据极少的时候，或者出现在跟既有理论对不上的异常现象上。科学家面对难以解释的问题时，通常会尝试建立一个“世界模型”，即根据少量数据推断背后的基本规律。\n例如，17世纪，天文学家约翰内斯·开普勒通过观测行星运动总结出数学规律。牛顿在此基础上，进一步建立万有引力定律和经典力学体系。关键在于，牛顿不是在做一道根据数据求答案的题。他要判断哪些现象值得解释，再提出一个此前不存在的理论框架。普朗克也一样。他发现自己的黑体辐射公式虽然能较好吻合实验，却始终不够完美。他没把它当误差，而是继续追问，最终提出能量量子化。\n这正是当前AI的短板。模型靠学习海量数据中的相关性，根据已知例子训练，再对未知问题给出统计上最可能的答案。数据充足时，这是有用的预测工具。\n那么，AI模型能否同样从稀疏数据中推理出普适的世界模型？美国麻省理工学院计算机科学家森迪尔·穆莱纳坦认为目前还不能。今年7月，他和同事给一个“轨道力学”AI模型提供了多个遵循牛顿力学的虚拟行星系统，希望它推导出万有引力定律。结果模型确实学到了东西，却没有找到真正的规律。它为不同行星系统生成了不同的引力定律，每一套都有各自的错误。\n可见，AI越来越擅长寻找规律，却还不太擅长判断什么值得“死磕”。\n下一场科学突破需要什么样的AI？\n今年5月，AI推翻了匈牙利数学家保罗·埃尔德什提出的一项存在80年之久的猜想。\n穆莱纳坦认为，这是一项“真正的概念性进步”。他说，AI不是通过简单的暴力搜索找到答案，而是在解题过程中引入了一些新的数学概念。不过，AI仍然整合了数学文献中已经存在的思想，并不像爱因斯坦那样，从看似毫无关联的地方突然产生一次突破性的发现。\n因此，一些科学家认为，未来的AI科学家不能只是一个更大的语言模型。穆莱纳坦提出，模型需要同时理解人类已有的知识、真实世界的数据，以及“数学空间”，即如何操作数学对象。AI系统的评价标准也不能只有预测准确率，还应考查理论的简单性、解释范围等。\n目前，一些研究团队已经开始探索自动化科学系统，让AI选择和规划实验，由机器人执行实验，再根据结果形成新的假设。\n爱因斯坦生前在接受《生活》杂志编辑威廉·米勒采访时曾说，最重要的是不要停止提问，好奇心自有其存在的理由。\n对今天的AI来说，找到一个答案或许并不难，难的是在答案尚不存在的时候，提出那个值得追问的问题。爱因斯坦测试真正有价值的地方，或许就在这里。","image_url":"https://img3.chinadaily.com.cn/images/202609/22/6ab1e194e4b09a16728602f2.jpeg","lang":"zh","published_at":"2026-09-22T02:01:54+00:00","fetched_at":"2026-09-22T02:15:07+00:00","status":"read","starred":0,"extract_state":"ok","summary_auto":"1915年，阿尔伯特·爱因斯坦提出广义相对论，改变了人类对时空和引力的认识。一个多世纪后，一场关于人工智能（AI）的思想实验再次把人们带回那个年代。\n今年2月，在印度新德里举行的印度人工智能峰会上，谷歌“深度思维”联合创始人德米斯·哈萨比斯提出了一个设想——将1911年设为知识截止线，用此前人类积累的知识训练大型语言模型（LLM），看它能不能重新发现广义相对论。哈萨比斯认为，这可以检验通用AI的能力。\n据英国《自然》杂志近日报道，今年以来，多个团队开始尝试构建“历史AI”或“复古LLM”，把训练数据卡在某个历史时间点之前，看模型能否重新发现后来出现的科学思想。结果显示，AI距离“爱因斯坦式”的科学突破，还有不小的距离。\n让AI穿越回去并不容易\n独立AI研究人员迈克尔·赫拉训练了一个名为“Machina Mirabilis”的语言模型，只用1900年以前的数据，想让它产生量子力学、狭义相对论和广义相对论。他向模型输入光电效应等当时已经能够观察到的物理现象，还提供了后来成为广义相对论重要思想来源的“电梯思想实验”。模型偶尔确实会冒出一些颇有意思的答案。面对光电效应，它曾提出光会“分解成大量彼此独立的脉冲”。这个说法，已经挨着光量子概念的边了。\n但这种灵光一闪就没有下文了。多数情况下，模型都失败了。它能说出听起来合理的物理语言，却“不知其所以然”。更多时候，它只是在模仿历史文本里的说法，而不是真的看懂了这些物理现象之间的关系。\n另一个团队把时间卡在了1930年。独立计算机科学家尼克·莱文和同事训练了一个只掌握1930年以前知识的模型，想用它预测后来出现的科学成果。但真正做起来并不容易。历史资料的日期并不总是准确，数字化过程中也会出现错误、混杂。他们发现，这个所谓的“1930年模型”有时竟能正确回答20世纪50年代的问题。\n让AI穿越回去并不容易，就算解决了数据泄露问题，真正的挑战还在后面。\nAI不擅长判断什么值得“死磕”\n今年1月，谷歌“深度思维”研究员汤姆·扎哈维在论文《LLM不会跳跃》中指出，当前LLM还无法完成爱因斯坦那样的推理跨越。科学上的重大进步，往往不是从大量数据里归纳出一般规律，而是从一个具体现象出发，提出此前没有过的解释，这种推理叫溯因推理。\n想象力的飞跃，或是科学哲学家托马斯·库恩所说的“范式转变”，往往发生在数据极少的时候，或者出现在跟既有理论对不上的异常现象上。科学家面对难以解释的问题时，通常会尝试建立一个“世界模型”，即根据少量数据推断背后的基本规律。\n例如，17世纪，天文学家约翰内斯·开普勒通过观测行星运动总结出数学规律。牛顿在此基础上，进一步建立万有引力定律和经典力学体系。关键在于，牛顿不是在做一道根据数据求答案的题。他要判断哪些现象值得解释，再提出一个此前不存在的理论框架。普朗克也一样。他发现自己的黑体辐射公式虽然能较好吻合实验，却始终不够完美。他没把它当误差，而是继续追问，最终提出能量量子化。\n这正是当前AI的短板。模型靠学习海量数据中的相关性，根据已知例子训练，再对未知问题给出统计上最可能的答案。数据充足时，这是有用的预测工具。\n那么，AI模型能否同样从稀疏数据中推理出普适的世界模型？美国麻省理工学院计算机科学家森迪尔·穆莱纳坦认为目前还不能。今年7月，他和同事给一个“轨道力学”AI模型提供了多个遵循牛顿力学的虚拟行星系统，希望它推导出万有引力定律。结果模型确实学到了东西，却没有找到真正的规律。它为不同行星系统生成了不同的引力定律，每一套都有各自的错误。\n可见，AI越来越擅长寻找规律，却还不太擅长判断什么值得“死磕”。\n下一场科学突破需要什么样的AI？\n今年5月，AI推翻了匈牙利数学家保罗·埃尔德什提出的一项存在80年之久的猜想。\n穆莱纳坦认为，这是一项“真正的概念性进步”。他说，AI不是通过简单的暴力搜索找到答案，而是在解题过程中引入了一些新的数学概念。不过，AI仍然整合了数学文献中已经存在的思想，并不像爱因斯坦那样，从看似毫无关联的地方突然产生一次突破性的发现。\n因此，一些科学家认为，未来的AI科学家不能只是一个更大的语言模型。穆莱纳坦提出，模型需要同时理解人类已有的知识、真实世界的数据，以及“数学空间”，即如何操作数学对象。AI系统的评价标准也不能只有预测准确率，还应考查理论的简单性、解释范围等。\n目前，一些研究团队已经开始探索自动化科学系统，让AI选择和规划实验，由机器人执行实验，再根据结果形成新的假设。\n爱因斯坦生前在接受《生活》杂志编辑威廉·米勒采访时曾说，最重要的是不要停止提问，好奇心自有其存在的理由。\n对今天的AI来说，找到一个答案或许并不难，难的是在答案尚不存在的时候，提出那个值得追问的问题。爱因斯坦测试真正有价值的地方，或许就在这里。","cluster_id":null,"extract_retries":0,"extract_error":null,"contract_version":"news_item.v1","format_contract_version":"news_item_formats.v1","dedup_url":"https://tech.chinadaily.com.cn/a/202609/22/WS6ab1e194e4b09a165c78bba5.html","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 1977 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":1977,"summary_length":1977,"usable_text_length":1977,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":1977,"summary_length":1977}},"news_item":{"id":87611,"canonical_url":"https://tech.chinadaily.com.cn/a/202609/22/WS6ab1e194e4b09a165c78bba5.html","source_url":"https://tech.chinadaily.com.cn/a/202609/22/WS6ab1e194e4b09a165c78bba5.html","title":"AI能否实现“爱因斯坦式”的科学突破- 中国日报网 - China Daily","source_name":"China Daily","author":null,"published_at":"2026-09-22T02:01:54+00:00","locale":"zh","topic":"ai","tags":[],"rss_summary":"AI能否实现“爱因斯坦式”的科学突破- 中国日报网 China Daily","full_text":"1915年，阿尔伯特·爱因斯坦提出广义相对论，改变了人类对时空和引力的认识。一个多世纪后，一场关于人工智能（AI）的思想实验再次把人们带回那个年代。\n今年2月，在印度新德里举行的印度人工智能峰会上，谷歌“深度思维”联合创始人德米斯·哈萨比斯提出了一个设想——将1911年设为知识截止线，用此前人类积累的知识训练大型语言模型（LLM），看它能不能重新发现广义相对论。哈萨比斯认为，这可以检验通用AI的能力。\n据英国《自然》杂志近日报道，今年以来，多个团队开始尝试构建“历史AI”或“复古LLM”，把训练数据卡在某个历史时间点之前，看模型能否重新发现后来出现的科学思想。结果显示，AI距离“爱因斯坦式”的科学突破，还有不小的距离。\n让AI穿越回去并不容易\n独立AI研究人员迈克尔·赫拉训练了一个名为“Machina Mirabilis”的语言模型，只用1900年以前的数据，想让它产生量子力学、狭义相对论和广义相对论。他向模型输入光电效应等当时已经能够观察到的物理现象，还提供了后来成为广义相对论重要思想来源的“电梯思想实验”。模型偶尔确实会冒出一些颇有意思的答案。面对光电效应，它曾提出光会“分解成大量彼此独立的脉冲”。这个说法，已经挨着光量子概念的边了。\n但这种灵光一闪就没有下文了。多数情况下，模型都失败了。它能说出听起来合理的物理语言，却“不知其所以然”。更多时候，它只是在模仿历史文本里的说法，而不是真的看懂了这些物理现象之间的关系。\n另一个团队把时间卡在了1930年。独立计算机科学家尼克·莱文和同事训练了一个只掌握1930年以前知识的模型，想用它预测后来出现的科学成果。但真正做起来并不容易。历史资料的日期并不总是准确，数字化过程中也会出现错误、混杂。他们发现，这个所谓的“1930年模型”有时竟能正确回答20世纪50年代的问题。\n让AI穿越回去并不容易，就算解决了数据泄露问题，真正的挑战还在后面。\nAI不擅长判断什么值得“死磕”\n今年1月，谷歌“深度思维”研究员汤姆·扎哈维在论文《LLM不会跳跃》中指出，当前LLM还无法完成爱因斯坦那样的推理跨越。科学上的重大进步，往往不是从大量数据里归纳出一般规律，而是从一个具体现象出发，提出此前没有过的解释，这种推理叫溯因推理。\n想象力的飞跃，或是科学哲学家托马斯·库恩所说的“范式转变”，往往发生在数据极少的时候，或者出现在跟既有理论对不上的异常现象上。科学家面对难以解释的问题时，通常会尝试建立一个“世界模型”，即根据少量数据推断背后的基本规律。\n例如，17世纪，天文学家约翰内斯·开普勒通过观测行星运动总结出数学规律。牛顿在此基础上，进一步建立万有引力定律和经典力学体系。关键在于，牛顿不是在做一道根据数据求答案的题。他要判断哪些现象值得解释，再提出一个此前不存在的理论框架。普朗克也一样。他发现自己的黑体辐射公式虽然能较好吻合实验，却始终不够完美。他没把它当误差，而是继续追问，最终提出能量量子化。\n这正是当前AI的短板。模型靠学习海量数据中的相关性，根据已知例子训练，再对未知问题给出统计上最可能的答案。数据充足时，这是有用的预测工具。\n那么，AI模型能否同样从稀疏数据中推理出普适的世界模型？美国麻省理工学院计算机科学家森迪尔·穆莱纳坦认为目前还不能。今年7月，他和同事给一个“轨道力学”AI模型提供了多个遵循牛顿力学的虚拟行星系统，希望它推导出万有引力定律。结果模型确实学到了东西，却没有找到真正的规律。它为不同行星系统生成了不同的引力定律，每一套都有各自的错误。\n可见，AI越来越擅长寻找规律，却还不太擅长判断什么值得“死磕”。\n下一场科学突破需要什么样的AI？\n今年5月，AI推翻了匈牙利数学家保罗·埃尔德什提出的一项存在80年之久的猜想。\n穆莱纳坦认为，这是一项“真正的概念性进步”。他说，AI不是通过简单的暴力搜索找到答案，而是在解题过程中引入了一些新的数学概念。不过，AI仍然整合了数学文献中已经存在的思想，并不像爱因斯坦那样，从看似毫无关联的地方突然产生一次突破性的发现。\n因此，一些科学家认为，未来的AI科学家不能只是一个更大的语言模型。穆莱纳坦提出，模型需要同时理解人类已有的知识、真实世界的数据，以及“数学空间”，即如何操作数学对象。AI系统的评价标准也不能只有预测准确率，还应考查理论的简单性、解释范围等。\n目前，一些研究团队已经开始探索自动化科学系统，让AI选择和规划实验，由机器人执行实验，再根据结果形成新的假设。\n爱因斯坦生前在接受《生活》杂志编辑威廉·米勒采访时曾说，最重要的是不要停止提问，好奇心自有其存在的理由。\n对今天的AI来说，找到一个答案或许并不难，难的是在答案尚不存在的时候，提出那个值得追问的问题。爱因斯坦测试真正有价值的地方，或许就在这里。","excerpt":"1915年，阿尔伯特·爱因斯坦提出广义相对论，改变了人类对时空和引力的认识。一个多世纪后，一场关于人工智能（AI）的思想实验再次把人们带回那个年代。\n今年2月，在印度新德里举行的印度人工智能峰会上，谷歌“深度思维”联合创始人德米斯·哈萨比斯提出了一个设想——将1911年设为知识截止线，用此前人类积累的知识训练大型语言模型（LLM），看它能不能重新发现广义相对论。哈萨比斯认为，这可以检验通用AI的能力。\n据英国《自然》杂志近日报道，今年以来，多个团队开始尝试构建“历史AI”或“复古LLM”，把训练数据卡在某个历史时间点之前，看模型能否重新发现后来出现的科学思想。结果显示，AI距离“爱因斯坦式”的科学突破，还有不小的距离。\n让AI穿越回去并不容易\n独立AI研究人员迈克尔·赫拉训练了一个名为“Machina Mirabilis”的语言模型，只用1900年以前的数据，想让它产生量子力学、狭义相对论和广义相对论。他向模型输入光电效应等当时已经能够观察到的物理现象，还提供了后来成为广义相对论重要思想来源的“电梯思想实验”。模型偶尔确实会冒出一些颇有意思的答案。面对光电效应，它曾提出光会“分解成大量彼此独立的脉冲”。这个说法，已经挨着光量子概念的边了。\n但这种灵光一闪就没有下文了。多数情况下，模型都失败了。它能说出听起来合理的物理语言，却“不知其所以然”。更多时候，它只是在模仿历史文本里的说法，而不是真的看懂了这些物理现象之间的关系。\n另一个团队把时间卡在了1930年。独立计算机科学家尼克·莱文和同事训练了一个只掌握1930年以前知识的模型，想用它预测后来出现的科学成果。但真正做起来并不容易。历史资料的日期并不总是准确，数字化过程中也会出现错误、混杂。他们发现，这个所谓的“1930年模型”有时竟能正确回答20世纪50年代的问题。\n让AI穿越回去并不容易，就算解决了数据泄露问题，真正的挑战还在后面。\nAI不擅长判断什么值得“死磕”\n今年1月，谷歌“深度思维”研究员汤姆·扎哈维在论文《LLM不会跳跃》中指出，当前LLM还无法完成爱因斯坦那样的推理跨越。科学上的重大进步，往往不是从大量数据里归纳出一般规律，而是从一个具体现象出发，提出此前没有过的解释，这种推理叫溯因推理。\n想象力的飞跃，或是科学哲学家托马斯·库恩所说的“范式转变”，往往发生在数据极少的时候，或者出现在跟既有理论对不上的异常现象上。科学家面对难以解释的问题时，通常会尝试建立一个“世界模型”，即根据少量数据推断背后的基本规律。\n例如，17世纪，天文学家约翰内斯·开普勒通过观测行星运动总结出数学规律。牛顿在此基础上，进一步建立万有引力定律和经典力学体系。关键在于，牛顿不是在做一道根据数据求答案的题。他要判断哪些现象值得解释，再提出一个此前不存在的理论框架。普朗克也一样。他发现自己的黑体辐射公式虽然能较好吻合实验，却始终不够完美。他没把它当误差，而是继续追问，最终提出能量量子化。\n这正是当前AI的短板。模型靠学习海量数据中的相关性，根据已知例子训练，再对未知问题给出统计上最可能的答案。数据充足时，这是有用的预测工具。\n那么，AI模型能否同样从稀疏数据中推理出普适的世界模型？美国麻省理工学院计算机科学家森迪尔·穆莱纳坦认为目前还不能。今年7月，他和同事给一个“轨道力学”AI模型提供了多个遵循牛顿力学的虚拟行星系统，希望它推导出万有引力定律。结果模型确实学到了东西，却没有找到真正的规律。它为不同行星系统生成了不同的引力定律，每一套都有各自的错误。\n可见，AI越来越擅长寻找规律，却还不太擅长判断什么值得“死磕”。\n下一场科学突破需要什么样的AI？\n今年5月，AI推翻了匈牙利数学家保罗·埃尔德什提出的一项存在80年之久的猜想。\n穆莱纳坦认为，这是一项“真正的概念性进步”。他说，AI不是通过简单的暴力搜索找到答案，而是在解题过程中引入了一些新的数学概念。不过，AI仍然整合了数学文献中已经存在的思想，并不像爱因斯坦那样，从看似毫无关联的地方突然产生一次突破性的发现。\n因此，一些科学家认为，未来的AI科学家不能只是一个更大的语言模型。穆莱纳坦提出，模型需要同时理解人类已有的知识、真实世界的数据，以及“数学空间”，即如何操作数学对象。AI系统的评价标准也不能只有预测准确率，还应考查理论的简单性、解释范围等。\n目前，一些研究团队已经开始探索自动化科学系统，让AI选择和规划实验，由机器人执行实验，再根据结果形成新的假设。\n爱因斯坦生前在接受《生活》杂志编辑威廉·米勒采访时曾说，最重要的是不要停止提问，好奇心自有其存在的理由。\n对今天的AI来说，找到一个答案或许并不难，难的是在答案尚不存在的时候，提出那个值得追问的问题。爱因斯坦测试真正有价值的地方，或许就在这里。","extraction":{"state":"ok","confidence":0.9,"error":null,"explanation":"High confidence: full text extraction produced 1977 characters.","diagnostics_url":"/api/diagnose?url=https%3A//tech.chinadaily.com.cn/a/202609/22/WS6ab1e194e4b09a165c78bba5.html","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 1977 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":1977,"summary_length":1977,"usable_text_length":1977,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":1977,"summary_length":1977}}},"display_formats":["compact","card","full","digest_section","json"]},"daily_stack_record":{"title":"AI能否实现“爱因斯坦式”的科学突破- 中国日报网 - China Daily","url":"https://tech.chinadaily.com.cn/a/202609/22/WS6ab1e194e4b09a165c78bba5.html","summary":"1915年，阿尔伯特·爱因斯坦提出广义相对论，改变了人类对时空和引力的认识。一个多世纪后，一场关于人工智能（AI）的思想实验再次把人们带回那个年代。\n今年2月，在印度新德里举行的印度人工智能峰会上，谷歌“深度思维”联合创始人德米斯·哈萨比斯提出了一个设想——将1911年设为知识截止线，用此前人类积累的知识训练大型语言模型（LLM），看它能不能重新发现广义相对论。哈萨比斯认为，这可以检验通用AI的能力。\n据英国《自然》杂志近日报道，今年以来，多个团队开始尝试构建“历史AI”或“复古LLM”，把训练数据卡在某个历史时间点之前，看模型能否重新发现后来出现的科学思想。结果显示，AI距离“爱因斯坦式”的科学突破，还有不小的距离。\n让AI穿越回去并不容易\n独立AI研究人员迈克尔·赫拉训练了一个名为“Machina Mirabilis”的语言模型，只用1900年以前的数据，想让它产生量子力学、狭义相对论和广义相对论。他向模型输入光电效应等当时已经能够观察到的物理现象，还提供了后来成为广义相对论重要思想来源的“电梯思想实验”。模型偶尔确实会冒出一些颇有意思的答案。面对光电效应，它曾提出光会“分解成大量彼此独立的脉冲”。这个说法，已经挨着光量子概念的边了。\n但这种灵光一闪就没有下文了。多数情况下，模型都失败了。它能说出听起来合理的物理语言，却“不知其所以然”。更多时候，它只是在模仿历史文本里的说法，而不是真的看懂了这些物理现象之间的关系。\n另一个团队把时间卡在了1930年。独立计算机科学家尼克·莱文和同事训练了一个只掌握1930年以前知识的模型，想用它预测后来出现的科学成果。但真正做起来并不容易。历史资料的日期并不总是准确，数字化过程中也会出现错误、混杂。他们发现，这个所谓的“1930年模型”有时竟能正确回答20世纪50年代的问题。\n让AI穿越回去并不容易，就算解决了数据泄露问题，真正的挑战还在后面。\nAI不擅长判断什么值得“死磕”\n今年1月，谷歌“深度思维”研究员汤姆·扎哈维在论文《LLM不会跳跃》中指出，当前LLM还无法完成爱因斯坦那样的推理跨越。科学上的重大进步，往往不是从大量数据里归纳出一般规律，而是从一个具体现象出发，提出此前没有过的解释，这种推理叫溯因推理。\n想象力的飞跃，或是科学哲学家托马斯·库恩所说的“范式转变”，往往发生在数据极少的时候，或者出现在跟既有理论对不上的异常现象上。科学家面对难以解释的问题时，通常会尝试建立一个“世界模型”，即根据少量数据推断背后的基本规律。\n例如，17世纪，天文学家约翰内斯·开普勒通过观测行星运动总结出数学规律。牛顿在此基础上，进一步建立万有引力定律和经典力学体系。关键在于，牛顿不是在做一道根据数据求答案的题。他要判断哪些现象值得解释，再提出一个此前不存在的理论框架。普朗克也一样。他发现自己的黑体辐射公式虽然能较好吻合实验，却始终不够完美。他没把它当误差，而是继续追问，最终提出能量量子化。\n这正是当前AI的短板。模型靠学习海量数据中的相关性，根据已知例子训练，再对未知问题给出统计上最可能的答案。数据充足时，这是有用的预测工具。\n那么，AI模型能否同样从稀疏数据中推理出普适的世界模型？美国麻省理工学院计算机科学家森迪尔·穆莱纳坦认为目前还不能。今年7月，他和同事给一个“轨道力学”AI模型提供了多个遵循牛顿力学的虚拟行星系统，希望它推导出万有引力定律。结果模型确实学到了东西，却没有找到真正的规律。它为不同行星系统生成了不同的引力定律，每一套都有各自的错误。\n可见，AI越来越擅长寻找规律，却还不太擅长判断什么值得“死磕”。\n下一场科学突破需要什么样的AI？\n今年5月，AI推翻了匈牙利数学家保罗·埃尔德什提出的一项存在80年之久的猜想。\n穆莱纳坦认为，这是一项“真正的概念性进步”。他说，AI不是通过简单的暴力搜索找到答案，而是在解题过程中引入了一些新的数学概念。不过，AI仍然整合了数学文献中已经存在的思想，并不像爱因斯坦那样，从看似毫无关联的地方突然产生一次突破性的发现。\n因此，一些科学家认为，未来的AI科学家不能只是一个更大的语言模型。穆莱纳坦提出，模型需要同时理解人类已有的知识、真实世界的数据，以及“数学空间”，即如何操作数学对象。AI系统的评价标准也不能只有预测准确率，还应考查理论的简单性、解释范围等。\n目前，一些研究团队已经开始探索自动化科学系统，让AI选择和规划实验，由机器人执行实验，再根据结果形成新的假设。\n爱因斯坦生前在接受《生活》杂志编辑威廉·米勒采访时曾说，最重要的是不要停止提问，好奇心自有其存在的理由。\n对今天的AI来说，找到一个答案或许并不难，难的是在答案尚不存在的时候，提出那个值得追问的问题。爱因斯坦测试真正有价值的地方，或许就在这里。","source":"China Daily","date":"2026-09-22T02:01:54+00:00","content":"1915年，阿尔伯特·爱因斯坦提出广义相对论，改变了人类对时空和引力的认识。一个多世纪后，一场关于人工智能（AI）的思想实验再次把人们带回那个年代。\n今年2月，在印度新德里举行的印度人工智能峰会上，谷歌“深度思维”联合创始人德米斯·哈萨比斯提出了一个设想——将1911年设为知识截止线，用此前人类积累的知识训练大型语言模型（LLM），看它能不能重新发现广义相对论。哈萨比斯认为，这可以检验通用AI的能力。\n据英国《自然》杂志近日报道，今年以来，多个团队开始尝试构建“历史AI”或“复古LLM”，把训练数据卡在某个历史时间点之前，看模型能否重新发现后来出现的科学思想。结果显示，AI距离“爱因斯坦式”的科学突破，还有不小的距离。\n让AI穿越回去并不容易\n独立AI研究人员迈克尔·赫拉训练了一个名为“Machina Mirabilis”的语言模型，只用1900年以前的数据，想让它产生量子力学、狭义相对论和广义相对论。他向模型输入光电效应等当时已经能够观察到的物理现象，还提供了后来成为广义相对论重要思想来源的“电梯思想实验”。模型偶尔确实会冒出一些颇有意思的答案。面对光电效应，它曾提出光会“分解成大量彼此独立的脉冲”。这个说法，已经挨着光量子概念的边了。\n但这种灵光一闪就没有下文了。多数情况下，模型都失败了。它能说出听起来合理的物理语言，却“不知其所以然”。更多时候，它只是在模仿历史文本里的说法，而不是真的看懂了这些物理现象之间的关系。\n另一个团队把时间卡在了1930年。独立计算机科学家尼克·莱文和同事训练了一个只掌握1930年以前知识的模型，想用它预测后来出现的科学成果。但真正做起来并不容易。历史资料的日期并不总是准确，数字化过程中也会出现错误、混杂。他们发现，这个所谓的“1930年模型”有时竟能正确回答20世纪50年代的问题。\n让AI穿越回去并不容易，就算解决了数据泄露问题，真正的挑战还在后面。\nAI不擅长判断什么值得“死磕”\n今年1月，谷歌“深度思维”研究员汤姆·扎哈维在论文《LLM不会跳跃》中指出，当前LLM还无法完成爱因斯坦那样的推理跨越。科学上的重大进步，往往不是从大量数据里归纳出一般规律，而是从一个具体现象出发，提出此前没有过的解释，这种推理叫溯因推理。\n想象力的飞跃，或是科学哲学家托马斯·库恩所说的“范式转变”，往往发生在数据极少的时候，或者出现在跟既有理论对不上的异常现象上。科学家面对难以解释的问题时，通常会尝试建立一个“世界模型”，即根据少量数据推断背后的基本规律。\n例如，17世纪，天文学家约翰内斯·开普勒通过观测行星运动总结出数学规律。牛顿在此基础上，进一步建立万有引力定律和经典力学体系。关键在于，牛顿不是在做一道根据数据求答案的题。他要判断哪些现象值得解释，再提出一个此前不存在的理论框架。普朗克也一样。他发现自己的黑体辐射公式虽然能较好吻合实验，却始终不够完美。他没把它当误差，而是继续追问，最终提出能量量子化。\n这正是当前AI的短板。模型靠学习海量数据中的相关性，根据已知例子训练，再对未知问题给出统计上最可能的答案。数据充足时，这是有用的预测工具。\n那么，AI模型能否同样从稀疏数据中推理出普适的世界模型？美国麻省理工学院计算机科学家森迪尔·穆莱纳坦认为目前还不能。今年7月，他和同事给一个“轨道力学”AI模型提供了多个遵循牛顿力学的虚拟行星系统，希望它推导出万有引力定律。结果模型确实学到了东西，却没有找到真正的规律。它为不同行星系统生成了不同的引力定律，每一套都有各自的错误。\n可见，AI越来越擅长寻找规律，却还不太擅长判断什么值得“死磕”。\n下一场科学突破需要什么样的AI？\n今年5月，AI推翻了匈牙利数学家保罗·埃尔德什提出的一项存在80年之久的猜想。\n穆莱纳坦认为，这是一项“真正的概念性进步”。他说，AI不是通过简单的暴力搜索找到答案，而是在解题过程中引入了一些新的数学概念。不过，AI仍然整合了数学文献中已经存在的思想，并不像爱因斯坦那样，从看似毫无关联的地方突然产生一次突破性的发现。\n因此，一些科学家认为，未来的AI科学家不能只是一个更大的语言模型。穆莱纳坦提出，模型需要同时理解人类已有的知识、真实世界的数据，以及“数学空间”，即如何操作数学对象。AI系统的评价标准也不能只有预测准确率，还应考查理论的简单性、解释范围等。\n目前，一些研究团队已经开始探索自动化科学系统，让AI选择和规划实验，由机器人执行实验，再根据结果形成新的假设。\n爱因斯坦生前在接受《生活》杂志编辑威廉·米勒采访时曾说，最重要的是不要停止提问，好奇心自有其存在的理由。\n对今天的AI来说，找到一个答案或许并不难，难的是在答案尚不存在的时候，提出那个值得追问的问题。爱因斯坦测试真正有价值的地方，或许就在这里。","confidence":0.9,"diagnostics_url":"/api/diagnose?url=https%3A//tech.chinadaily.com.cn/a/202609/22/WS6ab1e194e4b09a165c78bba5.html","quality_bucket":"high","failure_kind":"none","retryable":false,"quality_reason":"High confidence: full text extraction produced 1977 characters.","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 1977 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":1977,"summary_length":1977,"usable_text_length":1977,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":1977,"summary_length":1977}},"tags":[]},"fallback_formats":["markdown","json","html"],"actions":{"read":"/item/87611","export_markdown":"/api/items/87611/export?format=markdown","export_json":"/api/items/87611/export?format=json","diagnose":"/api/diagnose?url=https%3A//tech.chinadaily.com.cn/a/202609/22/WS6ab1e194e4b09a165c78bba5.html"},"formats":{"full":{"id":87611,"title":"AI能否实现“爱因斯坦式”的科学突破- 中国日报网 - China Daily","url":"https://tech.chinadaily.com.cn/a/202609/22/WS6ab1e194e4b09a165c78bba5.html","source":"China Daily","author":null,"published_at":"2026-09-22T02:01:54+00:00","locale":"zh","topic":"ai","tags":[],"excerpt":"1915年，阿尔伯特·爱因斯坦提出广义相对论，改变了人类对时空和引力的认识。一个多世纪后，一场关于人工智能（AI）的思想实验再次把人们带回那个年代。\n今年2月，在印度新德里举行的印度人工智能峰会上，谷歌“深度思维”联合创始人德米斯·哈萨比斯提出了一个设想——将1911年设为知识截止线，用此前人类积累的知识训练大型语言模型（LLM），看它能不能重新发现广义相对论。哈萨比斯认为，这可以检验通用AI的能力。\n据英国《自然》杂志近日报道，今年以来，多个团队开始尝试构建“历史AI”或“复古LLM”，把训练数据卡在某个历史时间点之前，看模型能否重新发现后来出现的科学思想。结果显示，AI距离“爱因斯坦式”的科学突破，还有不小的距离。\n让AI穿越回去并不容易\n独立AI研究人员迈克尔·赫拉训练了一个名为“Machina Mirabilis”的语言模型，只用1900年以前的数据，想让它产生量子力学、狭义相对论和广义相对论。他向模型输入光电效应等当时已经能够观察到的物理现象，还提供了后来成为广义相对论重要思想来源的“电梯思想实验”。模型偶尔确实会冒出一些颇有意思的答案。面对光电效应，它曾提出光会“分解成大量彼此独立的脉冲”。这个说法，已经挨着光量子概念的边了。\n但这种灵光一闪就没有下文了。多数情况下，模型都失败了。它能说出听起来合理的物理语言，却“不知其所以然”。更多时候，它只是在模仿历史文本里的说法，而不是真的看懂了这些物理现象之间的关系。\n另一个团队把时间卡在了1930年。独立计算机科学家尼克·莱文和同事训练了一个只掌握1930年以前知识的模型，想用它预测后来出现的科学成果。但真正做起来并不容易。历史资料的日期并不总是准确，数字化过程中也会出现错误、混杂。他们发现，这个所谓的“1930年模型”有时竟能正确回答20世纪50年代的问题。\n让AI穿越回去并不容易，就算解决了数据泄露问题，真正的挑战还在后面。\nAI不擅长判断什么值得“死磕”\n今年1月，谷歌“深度思维”研究员汤姆·扎哈维在论文《LLM不会跳跃》中指出，当前LLM还无法完成爱因斯坦那样的推理跨越。科学上的重大进步，往往不是从大量数据里归纳出一般规律，而是从一个具体现象出发，提出此前没有过的解释，这种推理叫溯因推理。\n想象力的飞跃，或是科学哲学家托马斯·库恩所说的“范式转变”，往往发生在数据极少的时候，或者出现在跟既有理论对不上的异常现象上。科学家面对难以解释的问题时，通常会尝试建立一个“世界模型”，即根据少量数据推断背后的基本规律。\n例如，17世纪，天文学家约翰内斯·开普勒通过观测行星运动总结出数学规律。牛顿在此基础上，进一步建立万有引力定律和经典力学体系。关键在于，牛顿不是在做一道根据数据求答案的题。他要判断哪些现象值得解释，再提出一个此前不存在的理论框架。普朗克也一样。他发现自己的黑体辐射公式虽然能较好吻合实验，却始终不够完美。他没把它当误差，而是继续追问，最终提出能量量子化。\n这正是当前AI的短板。模型靠学习海量数据中的相关性，根据已知例子训练，再对未知问题给出统计上最可能的答案。数据充足时，这是有用的预测工具。\n那么，AI模型能否同样从稀疏数据中推理出普适的世界模型？美国麻省理工学院计算机科学家森迪尔·穆莱纳坦认为目前还不能。今年7月，他和同事给一个“轨道力学”AI模型提供了多个遵循牛顿力学的虚拟行星系统，希望它推导出万有引力定律。结果模型确实学到了东西，却没有找到真正的规律。它为不同行星系统生成了不同的引力定律，每一套都有各自的错误。\n可见，AI越来越擅长寻找规律，却还不太擅长判断什么值得“死磕”。\n下一场科学突破需要什么样的AI？\n今年5月，AI推翻了匈牙利数学家保罗·埃尔德什提出的一项存在80年之久的猜想。\n穆莱纳坦认为，这是一项“真正的概念性进步”。他说，AI不是通过简单的暴力搜索找到答案，而是在解题过程中引入了一些新的数学概念。不过，AI仍然整合了数学文献中已经存在的思想，并不像爱因斯坦那样，从看似毫无关联的地方突然产生一次突破性的发现。\n因此，一些科学家认为，未来的AI科学家不能只是一个更大的语言模型。穆莱纳坦提出，模型需要同时理解人类已有的知识、真实世界的数据，以及“数学空间”，即如何操作数学对象。AI系统的评价标准也不能只有预测准确率，还应考查理论的简单性、解释范围等。\n目前，一些研究团队已经开始探索自动化科学系统，让AI选择和规划实验，由机器人执行实验，再根据结果形成新的假设。\n爱因斯坦生前在接受《生活》杂志编辑威廉·米勒采访时曾说，最重要的是不要停止提问，好奇心自有其存在的理由。\n对今天的AI来说，找到一个答案或许并不难，难的是在答案尚不存在的时候，提出那个值得追问的问题。爱因斯坦测试真正有价值的地方，或许就在这里。","full_text":"1915年，阿尔伯特·爱因斯坦提出广义相对论，改变了人类对时空和引力的认识。一个多世纪后，一场关于人工智能（AI）的思想实验再次把人们带回那个年代。\n今年2月，在印度新德里举行的印度人工智能峰会上，谷歌“深度思维”联合创始人德米斯·哈萨比斯提出了一个设想——将1911年设为知识截止线，用此前人类积累的知识训练大型语言模型（LLM），看它能不能重新发现广义相对论。哈萨比斯认为，这可以检验通用AI的能力。\n据英国《自然》杂志近日报道，今年以来，多个团队开始尝试构建“历史AI”或“复古LLM”，把训练数据卡在某个历史时间点之前，看模型能否重新发现后来出现的科学思想。结果显示，AI距离“爱因斯坦式”的科学突破，还有不小的距离。\n让AI穿越回去并不容易\n独立AI研究人员迈克尔·赫拉训练了一个名为“Machina Mirabilis”的语言模型，只用1900年以前的数据，想让它产生量子力学、狭义相对论和广义相对论。他向模型输入光电效应等当时已经能够观察到的物理现象，还提供了后来成为广义相对论重要思想来源的“电梯思想实验”。模型偶尔确实会冒出一些颇有意思的答案。面对光电效应，它曾提出光会“分解成大量彼此独立的脉冲”。这个说法，已经挨着光量子概念的边了。\n但这种灵光一闪就没有下文了。多数情况下，模型都失败了。它能说出听起来合理的物理语言，却“不知其所以然”。更多时候，它只是在模仿历史文本里的说法，而不是真的看懂了这些物理现象之间的关系。\n另一个团队把时间卡在了1930年。独立计算机科学家尼克·莱文和同事训练了一个只掌握1930年以前知识的模型，想用它预测后来出现的科学成果。但真正做起来并不容易。历史资料的日期并不总是准确，数字化过程中也会出现错误、混杂。他们发现，这个所谓的“1930年模型”有时竟能正确回答20世纪50年代的问题。\n让AI穿越回去并不容易，就算解决了数据泄露问题，真正的挑战还在后面。\nAI不擅长判断什么值得“死磕”\n今年1月，谷歌“深度思维”研究员汤姆·扎哈维在论文《LLM不会跳跃》中指出，当前LLM还无法完成爱因斯坦那样的推理跨越。科学上的重大进步，往往不是从大量数据里归纳出一般规律，而是从一个具体现象出发，提出此前没有过的解释，这种推理叫溯因推理。\n想象力的飞跃，或是科学哲学家托马斯·库恩所说的“范式转变”，往往发生在数据极少的时候，或者出现在跟既有理论对不上的异常现象上。科学家面对难以解释的问题时，通常会尝试建立一个“世界模型”，即根据少量数据推断背后的基本规律。\n例如，17世纪，天文学家约翰内斯·开普勒通过观测行星运动总结出数学规律。牛顿在此基础上，进一步建立万有引力定律和经典力学体系。关键在于，牛顿不是在做一道根据数据求答案的题。他要判断哪些现象值得解释，再提出一个此前不存在的理论框架。普朗克也一样。他发现自己的黑体辐射公式虽然能较好吻合实验，却始终不够完美。他没把它当误差，而是继续追问，最终提出能量量子化。\n这正是当前AI的短板。模型靠学习海量数据中的相关性，根据已知例子训练，再对未知问题给出统计上最可能的答案。数据充足时，这是有用的预测工具。\n那么，AI模型能否同样从稀疏数据中推理出普适的世界模型？美国麻省理工学院计算机科学家森迪尔·穆莱纳坦认为目前还不能。今年7月，他和同事给一个“轨道力学”AI模型提供了多个遵循牛顿力学的虚拟行星系统，希望它推导出万有引力定律。结果模型确实学到了东西，却没有找到真正的规律。它为不同行星系统生成了不同的引力定律，每一套都有各自的错误。\n可见，AI越来越擅长寻找规律，却还不太擅长判断什么值得“死磕”。\n下一场科学突破需要什么样的AI？\n今年5月，AI推翻了匈牙利数学家保罗·埃尔德什提出的一项存在80年之久的猜想。\n穆莱纳坦认为，这是一项“真正的概念性进步”。他说，AI不是通过简单的暴力搜索找到答案，而是在解题过程中引入了一些新的数学概念。不过，AI仍然整合了数学文献中已经存在的思想，并不像爱因斯坦那样，从看似毫无关联的地方突然产生一次突破性的发现。\n因此，一些科学家认为，未来的AI科学家不能只是一个更大的语言模型。穆莱纳坦提出，模型需要同时理解人类已有的知识、真实世界的数据，以及“数学空间”，即如何操作数学对象。AI系统的评价标准也不能只有预测准确率，还应考查理论的简单性、解释范围等。\n目前，一些研究团队已经开始探索自动化科学系统，让AI选择和规划实验，由机器人执行实验，再根据结果形成新的假设。\n爱因斯坦生前在接受《生活》杂志编辑威廉·米勒采访时曾说，最重要的是不要停止提问，好奇心自有其存在的理由。\n对今天的AI来说，找到一个答案或许并不难，难的是在答案尚不存在的时候，提出那个值得追问的问题。爱因斯坦测试真正有价值的地方，或许就在这里。","reading_time_min":1,"extraction":{"state":"ok","confidence":0.9,"error":null,"explanation":"High confidence: full text extraction produced 1977 characters.","diagnostics_url":"/api/diagnose?url=https%3A//tech.chinadaily.com.cn/a/202609/22/WS6ab1e194e4b09a165c78bba5.html","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 1977 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":1977,"summary_length":1977,"usable_text_length":1977,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":1977,"summary_length":1977}}},"quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 1977 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":1977,"summary_length":1977,"usable_text_length":1977,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":1977,"summary_length":1977}},"actions":{"read":"/item/87611","export_markdown":"/api/items/87611/export?format=markdown","export_json":"/api/items/87611/export?format=json","diagnose":"/api/diagnose?url=https%3A//tech.chinadaily.com.cn/a/202609/22/WS6ab1e194e4b09a165c78bba5.html"}},"digest":{"id":87611,"title":"AI能否实现“爱因斯坦式”的科学突破- 中国日报网 - China Daily","url":"https://tech.chinadaily.com.cn/a/202609/22/WS6ab1e194e4b09a165c78bba5.html","source":"China Daily","topic":"ai","published_at":"2026-09-22T02:01:54+00:00","excerpt":"1915年，阿尔伯特·爱因斯坦提出广义相对论，改变了人类对时空和引力的认识。一个多世纪后，一场关于人工智能（AI）的思想实验再次把人们带回那个年代。 今年2月，在印度新德里举行的印度人工智能峰会上，谷歌“深度思维”联合创始人德米斯·哈萨比斯提出了一个设想——将1911年设为知识截止线，用此前人类积累的知识训练大型语言模型（LLM），看它能不能重新发现广义相对论。哈萨比斯认为，这可以检验通用AI的能力。…","quality_bucket":"high","quality_reason":"High confidence: full text extraction produced 1977 characters.","reading_time_min":1,"cluster_id":null},"card":{"display_title":"AI能否实现“爱因斯坦式”的科学突破- 中国日报网 - China Daily","subtitle":"China Daily · 2026-09-22","summary":"1915年，阿尔伯特·爱因斯坦提出广义相对论，改变了人类对时空和引力的认识。一个多世纪后，一场关于人工智能（AI）的思想实验再次把人们带回那个年代。 今年2月，在印度新德里举行的印度人工智能峰会上，谷歌“深度思维”联合创始人德米斯·哈萨比斯提出了一个设想——将1911年设为知识截止线，用此前人类积累的知识训练大型语言模型（LLM），看它能不能重新发现广义相对论。哈萨比斯认为，这可以检验通用AI的能力。…","badges":["quality:high"],"links":{"read":"/item/87611","original":"https://tech.chinadaily.com.cn/a/202609/22/WS6ab1e194e4b09a165c78bba5.html","diagnose":"/api/diagnose?url=https%3A//tech.chinadaily.com.cn/a/202609/22/WS6ab1e194e4b09a165c78bba5.html"},"quality_warning":null},"export":{"title":"AI能否实现“爱因斯坦式”的科学突破- 中国日报网 - China Daily","url":"https://tech.chinadaily.com.cn/a/202609/22/WS6ab1e194e4b09a165c78bba5.html","summary":"1915年，阿尔伯特·爱因斯坦提出广义相对论，改变了人类对时空和引力的认识。一个多世纪后，一场关于人工智能（AI）的思想实验再次把人们带回那个年代。\n今年2月，在印度新德里举行的印度人工智能峰会上，谷歌“深度思维”联合创始人德米斯·哈萨比斯提出了一个设想——将1911年设为知识截止线，用此前人类积累的知识训练大型语言模型（LLM），看它能不能重新发现广义相对论。哈萨比斯认为，这可以检验通用AI的能力。\n据英国《自然》杂志近日报道，今年以来，多个团队开始尝试构建“历史AI”或“复古LLM”，把训练数据卡在某个历史时间点之前，看模型能否重新发现后来出现的科学思想。结果显示，AI距离“爱因斯坦式”的科学突破，还有不小的距离。\n让AI穿越回去并不容易\n独立AI研究人员迈克尔·赫拉训练了一个名为“Machina Mirabilis”的语言模型，只用1900年以前的数据，想让它产生量子力学、狭义相对论和广义相对论。他向模型输入光电效应等当时已经能够观察到的物理现象，还提供了后来成为广义相对论重要思想来源的“电梯思想实验”。模型偶尔确实会冒出一些颇有意思的答案。面对光电效应，它曾提出光会“分解成大量彼此独立的脉冲”。这个说法，已经挨着光量子概念的边了。\n但这种灵光一闪就没有下文了。多数情况下，模型都失败了。它能说出听起来合理的物理语言，却“不知其所以然”。更多时候，它只是在模仿历史文本里的说法，而不是真的看懂了这些物理现象之间的关系。\n另一个团队把时间卡在了1930年。独立计算机科学家尼克·莱文和同事训练了一个只掌握1930年以前知识的模型，想用它预测后来出现的科学成果。但真正做起来并不容易。历史资料的日期并不总是准确，数字化过程中也会出现错误、混杂。他们发现，这个所谓的“1930年模型”有时竟能正确回答20世纪50年代的问题。\n让AI穿越回去并不容易，就算解决了数据泄露问题，真正的挑战还在后面。\nAI不擅长判断什么值得“死磕”\n今年1月，谷歌“深度思维”研究员汤姆·扎哈维在论文《LLM不会跳跃》中指出，当前LLM还无法完成爱因斯坦那样的推理跨越。科学上的重大进步，往往不是从大量数据里归纳出一般规律，而是从一个具体现象出发，提出此前没有过的解释，这种推理叫溯因推理。\n想象力的飞跃，或是科学哲学家托马斯·库恩所说的“范式转变”，往往发生在数据极少的时候，或者出现在跟既有理论对不上的异常现象上。科学家面对难以解释的问题时，通常会尝试建立一个“世界模型”，即根据少量数据推断背后的基本规律。\n例如，17世纪，天文学家约翰内斯·开普勒通过观测行星运动总结出数学规律。牛顿在此基础上，进一步建立万有引力定律和经典力学体系。关键在于，牛顿不是在做一道根据数据求答案的题。他要判断哪些现象值得解释，再提出一个此前不存在的理论框架。普朗克也一样。他发现自己的黑体辐射公式虽然能较好吻合实验，却始终不够完美。他没把它当误差，而是继续追问，最终提出能量量子化。\n这正是当前AI的短板。模型靠学习海量数据中的相关性，根据已知例子训练，再对未知问题给出统计上最可能的答案。数据充足时，这是有用的预测工具。\n那么，AI模型能否同样从稀疏数据中推理出普适的世界模型？美国麻省理工学院计算机科学家森迪尔·穆莱纳坦认为目前还不能。今年7月，他和同事给一个“轨道力学”AI模型提供了多个遵循牛顿力学的虚拟行星系统，希望它推导出万有引力定律。结果模型确实学到了东西，却没有找到真正的规律。它为不同行星系统生成了不同的引力定律，每一套都有各自的错误。\n可见，AI越来越擅长寻找规律，却还不太擅长判断什么值得“死磕”。\n下一场科学突破需要什么样的AI？\n今年5月，AI推翻了匈牙利数学家保罗·埃尔德什提出的一项存在80年之久的猜想。\n穆莱纳坦认为，这是一项“真正的概念性进步”。他说，AI不是通过简单的暴力搜索找到答案，而是在解题过程中引入了一些新的数学概念。不过，AI仍然整合了数学文献中已经存在的思想，并不像爱因斯坦那样，从看似毫无关联的地方突然产生一次突破性的发现。\n因此，一些科学家认为，未来的AI科学家不能只是一个更大的语言模型。穆莱纳坦提出，模型需要同时理解人类已有的知识、真实世界的数据，以及“数学空间”，即如何操作数学对象。AI系统的评价标准也不能只有预测准确率，还应考查理论的简单性、解释范围等。\n目前，一些研究团队已经开始探索自动化科学系统，让AI选择和规划实验，由机器人执行实验，再根据结果形成新的假设。\n爱因斯坦生前在接受《生活》杂志编辑威廉·米勒采访时曾说，最重要的是不要停止提问，好奇心自有其存在的理由。\n对今天的AI来说，找到一个答案或许并不难，难的是在答案尚不存在的时候，提出那个值得追问的问题。爱因斯坦测试真正有价值的地方，或许就在这里。","source":"China Daily","date":"2026-09-22T02:01:54+00:00","content":"1915年，阿尔伯特·爱因斯坦提出广义相对论，改变了人类对时空和引力的认识。一个多世纪后，一场关于人工智能（AI）的思想实验再次把人们带回那个年代。\n今年2月，在印度新德里举行的印度人工智能峰会上，谷歌“深度思维”联合创始人德米斯·哈萨比斯提出了一个设想——将1911年设为知识截止线，用此前人类积累的知识训练大型语言模型（LLM），看它能不能重新发现广义相对论。哈萨比斯认为，这可以检验通用AI的能力。\n据英国《自然》杂志近日报道，今年以来，多个团队开始尝试构建“历史AI”或“复古LLM”，把训练数据卡在某个历史时间点之前，看模型能否重新发现后来出现的科学思想。结果显示，AI距离“爱因斯坦式”的科学突破，还有不小的距离。\n让AI穿越回去并不容易\n独立AI研究人员迈克尔·赫拉训练了一个名为“Machina Mirabilis”的语言模型，只用1900年以前的数据，想让它产生量子力学、狭义相对论和广义相对论。他向模型输入光电效应等当时已经能够观察到的物理现象，还提供了后来成为广义相对论重要思想来源的“电梯思想实验”。模型偶尔确实会冒出一些颇有意思的答案。面对光电效应，它曾提出光会“分解成大量彼此独立的脉冲”。这个说法，已经挨着光量子概念的边了。\n但这种灵光一闪就没有下文了。多数情况下，模型都失败了。它能说出听起来合理的物理语言，却“不知其所以然”。更多时候，它只是在模仿历史文本里的说法，而不是真的看懂了这些物理现象之间的关系。\n另一个团队把时间卡在了1930年。独立计算机科学家尼克·莱文和同事训练了一个只掌握1930年以前知识的模型，想用它预测后来出现的科学成果。但真正做起来并不容易。历史资料的日期并不总是准确，数字化过程中也会出现错误、混杂。他们发现，这个所谓的“1930年模型”有时竟能正确回答20世纪50年代的问题。\n让AI穿越回去并不容易，就算解决了数据泄露问题，真正的挑战还在后面。\nAI不擅长判断什么值得“死磕”\n今年1月，谷歌“深度思维”研究员汤姆·扎哈维在论文《LLM不会跳跃》中指出，当前LLM还无法完成爱因斯坦那样的推理跨越。科学上的重大进步，往往不是从大量数据里归纳出一般规律，而是从一个具体现象出发，提出此前没有过的解释，这种推理叫溯因推理。\n想象力的飞跃，或是科学哲学家托马斯·库恩所说的“范式转变”，往往发生在数据极少的时候，或者出现在跟既有理论对不上的异常现象上。科学家面对难以解释的问题时，通常会尝试建立一个“世界模型”，即根据少量数据推断背后的基本规律。\n例如，17世纪，天文学家约翰内斯·开普勒通过观测行星运动总结出数学规律。牛顿在此基础上，进一步建立万有引力定律和经典力学体系。关键在于，牛顿不是在做一道根据数据求答案的题。他要判断哪些现象值得解释，再提出一个此前不存在的理论框架。普朗克也一样。他发现自己的黑体辐射公式虽然能较好吻合实验，却始终不够完美。他没把它当误差，而是继续追问，最终提出能量量子化。\n这正是当前AI的短板。模型靠学习海量数据中的相关性，根据已知例子训练，再对未知问题给出统计上最可能的答案。数据充足时，这是有用的预测工具。\n那么，AI模型能否同样从稀疏数据中推理出普适的世界模型？美国麻省理工学院计算机科学家森迪尔·穆莱纳坦认为目前还不能。今年7月，他和同事给一个“轨道力学”AI模型提供了多个遵循牛顿力学的虚拟行星系统，希望它推导出万有引力定律。结果模型确实学到了东西，却没有找到真正的规律。它为不同行星系统生成了不同的引力定律，每一套都有各自的错误。\n可见，AI越来越擅长寻找规律，却还不太擅长判断什么值得“死磕”。\n下一场科学突破需要什么样的AI？\n今年5月，AI推翻了匈牙利数学家保罗·埃尔德什提出的一项存在80年之久的猜想。\n穆莱纳坦认为，这是一项“真正的概念性进步”。他说，AI不是通过简单的暴力搜索找到答案，而是在解题过程中引入了一些新的数学概念。不过，AI仍然整合了数学文献中已经存在的思想，并不像爱因斯坦那样，从看似毫无关联的地方突然产生一次突破性的发现。\n因此，一些科学家认为，未来的AI科学家不能只是一个更大的语言模型。穆莱纳坦提出，模型需要同时理解人类已有的知识、真实世界的数据，以及“数学空间”，即如何操作数学对象。AI系统的评价标准也不能只有预测准确率，还应考查理论的简单性、解释范围等。\n目前，一些研究团队已经开始探索自动化科学系统，让AI选择和规划实验，由机器人执行实验，再根据结果形成新的假设。\n爱因斯坦生前在接受《生活》杂志编辑威廉·米勒采访时曾说，最重要的是不要停止提问，好奇心自有其存在的理由。\n对今天的AI来说，找到一个答案或许并不难，难的是在答案尚不存在的时候，提出那个值得追问的问题。爱因斯坦测试真正有价值的地方，或许就在这里。","confidence":0.9,"diagnostics_url":"/api/diagnose?url=https%3A//tech.chinadaily.com.cn/a/202609/22/WS6ab1e194e4b09a165c78bba5.html","quality_bucket":"high","failure_kind":"none","retryable":false,"quality_reason":"High confidence: full text extraction produced 1977 characters.","quality_profile":{"profile_version":"extraction_quality.v2","bucket":"high","confidence":0.9,"failure_kind":"none","retryable":false,"retry_after_attempts":0,"reason":"High confidence: full text extraction produced 1977 characters.","operator_guidance":{"severity":"ok","recommended_action":"trust_full_text","next_step":"Use the extracted full text as the primary article source.","operator_label":"Ready","can_retry":false,"can_use_summary":false,"diagnostics_required":false},"content_depth":{"contract_version":"content_depth.v1","category":"full_text","label":"Full text","has_full_text":true,"has_summary":true,"content_length":1977,"summary_length":1977,"usable_text_length":1977,"source_field":"content"},"legacy_collapsed":false,"signals":{"extract_state":"ok","extract_error":null,"extract_retries":0,"content_length":1977,"summary_length":1977}},"tags":[],"format_contract_version":"news_item_formats.v1"}}}