8.3
深览指数
科技虎嗅·冷眸··AI 生成
把爱因斯坦的知识喂给大模型，它能发明相对论吗？
本文基于 Google DeepMind 研究员 Tom Zahavy 的论文《LLMs can't jump》，系统论证了当前大语言模型（LLM）在科学创造力上的结构性缺陷。核心结论是：LLM 精于归纳（数据压缩）和演绎（形式化证明），但无法完成科学发现必需的“溯因（Abduction）”飞跃——即凭空提出全新公理假设的能力。作者以爱因斯坦提出广义相对论的历史为案例，指出当时缺乏足够的数据误差信号，驱动发现的是来自具身仿真的物理直觉，而非数据拟合。文章为深度读者提供了理解 AI 科学能力边界、区分“数据压缩”与“真正发明”的清晰框架，并指出了未来 AI 架构（物理一致性世界模型）的发展方向。适合对 AI 前沿、科学哲学、AGI 技术路线感兴趣的读者。原文 ↗
核心观点
- ▍当前大语言模型（LLM）在结构上无法完成科学发现所必需的“溯因（Abduction）”飞跃，即凭直觉提出全新公理假设的能力，其精通的归纳与演绎不足以支撑真正的发明。
- ▍真正科学发现的瓶颈在于从感官经验到公理体系（E→A）的直觉“跳跃”，这一过程高度依赖具身仿真与物理先验，而非数据压缩或逻辑推导。
- 01在爱因斯坦提出广义相对论时，牛顿引力并未面临经验性危机，水星近日点进动等微小异常被归因于未知行星“火神星”，不存在驱动模型优化的“误差信号”。
- 02论文采用皮尔士（C.S. Peirce）的逻辑框架，区分了三大推理类型：演绎（规则+案例→结果）、归纳（案例+结果→规则）和溯因（规则+结果→案例）。LLM 擅长前两者，但无法完成后者。
- 03爱因斯坦的“最幸福想法”（等效原理）源于“电梯思想实验”这一具身仿真，他通过想象坠落观察者的物理感受，凭空构建了新的公理，而非基于数据统计。
- 04在 1913 年至 1915 年的“整合期”，爱因斯坦与数学家 Grossmann 合作，已识别出黎曼曲率张量，却因一个“致命错误”（误以为无法在静态场回归牛顿引力）而放弃，导致理论推迟两年。
反方 / 局限
- — 作者指出，像 Sakana AI 的“AI Scientist”和 DeepMind 的“AlphaEvolve”等系统，虽然能实现科学循环的机械化与进化优化，但它们本质上仍是“中文屋”操作，在固定框架内优化指标，缺乏感官接地和反事实物理仿真的能力。
- — 文章承认，在数学或计算机科学等抽象领域中，“感性经验”（E）可能建立在高维拓扑或形式系统上，溯因跳跃的性质必须适应学科本体论，并非所有科学发现都依赖物理世界的具身仿真。
Tom ZahavyAlber EinsteinC.S. PeirceDavid HilbertMarcel GrossmannRoger PenroseGoogle DeepMind广义相对论等效原理溯因推理具身仿真中文屋Scaling LawLLMs can't jump
29 分钟 · 5 卡片 · 15 资料
读原文 →