AI爱因斯坦能否再造相对论：复古大模型测试引争议

作者是 Philip Ball。科学家眼下在追问一件事：拿历史数据喂出来的语言模型，到底能不能把创造性的突破重演一遍？

1915年，阿尔伯特·爱因斯坦（Albert Einstein）提出广义相对论，人类对物理世界基本结构的认识由此改写。这套理论把引力看成质量造成的时空形变，既是现代物理学的高峰，也撑起了从黑洞研究到引力波测量的宇宙学领域，还常规用于引导太空任务和GPS卫星。

它同时是人工智能领域的一把标尺。领军人物们正在琢磨，自己造出的AI有朝一日能不能达到这个级别的突破。今年2月，在新德里举行的印度人工智能峰会（India AI Summit）上，谷歌DeepMind（Google DeepMind）联合创始人Demis Hassabis提出一个设想：用某个特定截止日期之前的全部已知知识训练一个大语言模型（LLM），截止年份他建议定在1911年，再看它能不能把广义相对论重现出来。Hassabis说：“这将是检验AGI的一个好测试。”他说的AGI，就是通用人工智能这个模糊概念，也是AI行业众人追逐的目标之一。

这类测试未必非得扯上广义相对论。2024年12月，美国非营利组织Truthful AI的研究员Owain Evans就“复古”或“历史”大语言模型做过一场报告，这类模型只用截至某一日期的历史数据训练。Evans抛出的问题是：这样的模型有可能重新发现什么？

今年已有多个团队动手搭建复古模型，其中一项就是冲着Hassabis那个测试去的。不过这些初步尝试暴露出来的，更多是当下AI的局限，而非长处。

以色列理工学院量子光学专家Ido Kaminer认为，相对论那个量级的突破对AI来说并非遥不可及。他参与撰写的一篇预印本论文题为“AI能否追随爱因斯坦的脚步？（Can AI follow in Einstein’s footsteps？）”，已于7月发布[1]。

但他和同事的判断是：若不重新审视当今模型赖以构建的一些原则，这样的突破就不会发生。

Hassabis去年接受媒体采访时拿“爱因斯坦测试”打过比方，谷歌DeepMind另一位研究员Tom Zahavy则在今年1月的一篇论文里把它讲细了。这篇论文题为“LLM不能跳跃”（LLMs can’t jump），核心意思是：现在的大语言模型没法像爱因斯坦那样完成推理上的跳跃。

Zahavy写道，科学哲学家早就看明白，这类进展靠的不是从数据或实例的积累中归纳出普遍规律，而是溯因推理，即“为个别现象发明原因的创造性跳跃”。

现在的AI模型恰恰不擅长这个。比起变革性发现，它们似乎更适合扛下科学研究里繁重的基础活儿：先用已知样本训练，在海量数据集里找相关性，再在提示词引导下，为未知情形给出统计上可能性更高的答案。

于是它们成了有价值的预测工具，数据充沛时能派上用场。可想象力的飞跃——或者按20世纪科学史家托马斯·库恩（Thomas Kuhn）的说法，认识上的“范式转换”——往往出现在没多少数据可参照的时候，或源于那些不太吻合标准场景的反常情况。

遇到这种情况，科学家的常规做法是拿少量数据搭一个“世界模型”，也就是对潜在原理的某种推断。比如17世纪天文学家（Johannes Kepler）对行星运动做了细致观测，并推导出相应的数学关系，这促使（Isaac Newton）提出引力定律，以及描述物体受力运动的力学运动定律。

AI模型能不能照这个路子，从稀疏数据里推理出一般性的世界模型？（MIT）计算机科学家Sendhil Mullainathan认为目前还不行。7月发表的一篇会议论文2中，他和同事向一个“轨道力学”基础模型喂了多种遵循牛顿力学的行星系统的合成数据。

结果并不理想。这个模型自始至终没能归纳出真正的引力定律——也就是两物体间作用力同质量、间距的关系，反倒给每个行星系统各推了一套定律，套套都错，错法还各不相同。

不过，大语言模型在数学上的亮眼进展说明，它们有时确实能凭直觉摸到训练数据背后的逻辑脉络。Mullainathan提到，今年5月，

按照他的说法，这个AI给出的答案并非靠暴力搜索硬凑出来的，求解途中还得做点新的、小规模的抽象工作。可话说回来，这次反证确实把数学文献里现成的思路拼到了一起——所以严格讲，它算不上那种无中生有、爱因斯坦式的灵光一闪。

Hassabis抛出1911年测试这个设想之后，旧金山的独立AI研究员Michael Hla也做了类似尝试。Hla在3月挂到个人网站上的文章里写道，他用1900年以前的数据训练了一个大语言模型，取名Machina Mirabilis，看它能不能自己得出量子力学、爱因斯坦1905年的狭义相对论，以及广义相对论。

他还给模型递了些提示。有一回，他把光电效应的观测结果喂了进去——就是光把电子从金属板上打出来的那个现象，后来爱因斯坦用光量子假说作了解释。另一回，他给了模型“电梯”思想实验的核心内容，爱因斯坦正是顺着这个实验走向广义相对论的。

Hla觉得，有些场合下模型确实冒出了“直觉的闪光”。拿光电效应来说，它称光“分解为大量离散的脉冲”，这已经摸到了光量子的边。但Hla也写道，大多数时候这个大语言模型过不了关：它并不理解自己摆出来的物理，有时只是“鹦鹉学舌地说些乍看有理的词”，看上去没有“任何有力的世界内部表征”可供推理。

还有一个麻烦：数据里塞满了不规范的英语，加上印刷材料数字化留下的失真，想训练一个受历史约束的大语言模型，难度相当大。

独立计算机科学家Nick Levine和同事4月在线发布的研究（见go.nature.com/4ilz5sp）得到了同样的结论。他们想只用截至1930年的已知知识搭一个复古AI模型，挑这个年份，是因为该年出版的作品已在2026年初于美国进入公有领域。

Levine说，有了这类模型，原则上“我们可以尝试检验1930年代发展起来的事物相关的问题”，比如图灵机这一计算理论的核心概念、数学基础里的哥德尔不完备性定理，或者1934年才首次在出版物中提出的中微子。

可真动手时，Levine和同事发现，想只靠截至1930年的知识建一个复古模型并不容易，训练材料到处是窟窿。按Levine的说法：“如果你问它20世纪50年代发生了什么，它往往会说漏嘴。”——而且经常答对。比如这个本该只懂1930年以前知识的模型，居然答上了富兰克林·D·罗斯福政府的问题，而罗斯福的任期是1933年至1945年。数据集日期标得含糊或者不准时，想把某个日期之后的信息筛干净就很难。

即便如此，Levine觉得往后应该能让这个“1930年心智”去做预测，可能包括“你在预测市场中会看到的那些东西”。他以前干过经济学领域的量化预测员。

他还说，预测型AI模型也能用来预判科学发现。他打算试一件事：拿一个比方说截至今年1月的数据训出来的模型，看它能不能得出一项现在已经知道是6月做出的发现。“我预测，仅因涉及数据和资源的规模，[这类]模型即可做出些不寻常的发现。”

苏黎世大学的研究人员则在一个叫Ranke-4B的项目里，造出了整整一个历史模型家族（见go.nature.com/46efotz）。训练用的是带时间戳的文本，截止年份分别是1913、1929、1933、1939和1946年，个个都是有历史意义的节点。团队成员、如今在苏黎世联邦理工学院（ETH）任职的经济学家Daniel Göttlich说，眼下的历史数据和算力都不够，这些模型达不到现代LLM的水平，所以他只想看看模型能不能冒出带着未来进展痕迹的构想。“打个比方，我们检测的不是天才，只是天才的火花。”他说。

麻省理工学院计算机科学家Jacob Andreas的看法是，AI语言模型要产出广义相对论那样的理论，在给定数据对应的众多（虚假）理论里，把它当作一个概率性输出结果拿出来，并没有什么明显的障碍。真正的麻烦在于分辨：哪些理论是对的、或者至少值得去检验，哪些是错的。Mullainathan和同事做的轨道力学模型，生成了一堆（错误的）“引力定律”，情况就是这样。数学领域则不同，LLM每一步是对是错，当场就能验证。

这也说明大语言模型和人类建理论的路子不一样：人很少先去概率性地铺开一堆可能的理论，再回头找其中哪个是对的（如果有的话）。一个世纪前，物理学家埃尔温·薛定谔（Erwin Schrödinger）写下量子波动力学方程，就是个例子——到今天研究人员还在琢磨他当时是怎么想的。

Andreas说：“几乎可以肯定的是，他的思维过程并不是先随机生成一堆像理论似的说法，再去检查哪些与实际观测相符。”

另外还有一个问题：这个想法值不值得往下挖。Andreas举例说，LLM“对什么是有趣的数学定理没有很好的概念”。他补充道，模型判断什么重要的本事，“实际上正是与人类专家的一大差距”。

科学认识上的变革性转变，常常来自对细微差异的留意，而这类“离群值”恰恰是AI模型倾向于抹平的东西。Kaminer和同事说，“在物理学中，人类的发现历来往往有赖于一种持久‘执念’的能力——这种认知方式使研究人员经年坚持一个离群的想法。”

物理学家马克斯·普朗克（Max Planck）就是这样：自己的黑体辐射公式算出的结果，已经和实验测得的光谱“足够接近”，他却不认。正是这份执着，让他在1900年提出能量量子化的假设（Hla的Machina Mirabilis也考察过这一问题）。狭义相对论的经验动机其实更少——和普遍看法相反，爱因斯坦并没有因为实验没能探测到假想的“以太”（人们曾认为光通过这种介质传播）而太受困扰。

更普遍地说，科学突破很少只靠既定的经验数据自然长出来：它们来自理论或概念、实验与实验技术之间持续而微妙的相互作用。分子生物学这类学科尤其如此，因为与物理学的大部分领域不同，它们不受一小组明确界定的基本定律支配。

正因如此，部分研究者把目光投向自动化系统的搭建：让机器自己挑选实验、安排实验步骤、用机器人把实验做出来，再依据得到的结果给出假设[3,4]。

不过就算在这一块，推动进展的有时也不是什么关键的新数据，而是看问题的角度变了。拿内在无序蛋白来说，过去人们觉得它结晶性太差，X射线分析根本做不了，后来才明白这类蛋白本来就没有稳定结构，于是把无序当作一种特性来看，不再当成问题。还有如今叫作生物分子凝聚体的东西——细胞里那些液滴状的聚集体——早在概念被提出之前几十年就已经被人看到，只是一直没人当回事。

那AI能否复制这种信念、推理或感知层面的跳跃？在Andreas看来，这个难题“可能更像是要弄清楚如何将这类无意识的、难以言喻的直觉飞跃自动化，而非执行我们已经知道如何实现的经典搜索程序”。

Mullainathan 直言，“大语言模型本身并不是这类任务的合适对象”。在他看来，要训练的模型得同时吃下知识语料、真实世界的数据（也就是物理世界长什么样），再加上“数学空间”（怎么摆弄数学对象）。这几样，他说“在当前时代尚属滞后”。

除了预测准，AI 发现系统还得有新的性能目标。Kaminer 表示，想让它们做出相对论级别的发现，“不只要针对预测准确性来优化，还要奖赏简洁性、解释力等更多方面”。

眼下，造出更像人那样推理的 AI 模型，动力似乎并不充足。加拿大阿尔伯塔大学计算机科学家 Rich Sutton 把这叫做“AI 的苦涩教训”：“把我们以为的人类思考方式植入系统，从长远来看行不通。”真正左右算法表现的，常常只是更多算力和训练数据。

这类模型的价值，一般看它能不能预测得又好又快又准，未必要求它讲清现象背后的物理过程。谷歌 DeepMind 的蛋白质结构工具 AlphaFold 就是例子：它没去解决蛋白质如何折叠的问题，只是预测折叠后的形状，把这个问题绕了过去。

Andreas 猜测，大语言模型至少在初期只能做出很有限的发现，针对的是“我们已经清楚重要问题所在”的情形，答案在于“借用别处已存在的解决方案或作类比”。

他设想过那个时候人类研究者的反应：“可恶，当初就该在那个领域再读个博士，那我就会发现这个了。”

但广义相对论，没人觉得会这样冒出来。Andreas 说：“他们只会想，这到底是怎么想出来的？”