Can AI Follow In Einstein's Footsteps?
Michael Shalyt, Nathan Regev, Marin Soljačić, Ido Kaminer
physics.hist-ph, cs.AI, physics.pop-ph
2026-07-30
Technion 与 MIT 的视角论文指出,AI 对物理的贡献正走反方向:早期符号回归还会给显式方程,如今 AlphaFold、GraphCast 这类黑箱预测器只给答案不给理解,原理级新理论至今零产出。
AlphaFold 解蛋白结构、GraphCast 报天气,AI 在物理相关领域一路高歌猛进。这篇来自 Technion 和 MIT 的视角论文(Shalyt、Regev、Soljačić、Kaminer)问的不是「AI 还能多准」,而是更刺人的一个问题:为什么 AI 至今没拿出一个能跟相对论、标准模型相提并论的原理级新理论?它的诊断是,整个 AI for physics 的重心正沿着与人类物理学史相反的方向移动。
人类物理学大体是从经验模式预报(古巴比伦周期、玛雅天文),走到唯象定律(开普勒三定律、普朗克黑体公式),再到原理性理论(牛顿、麦克斯韦、爱因斯坦),「理解」的层级一路抬升。AI 的贡献反着来:早年的符号回归(BACON、Eureqa、SINDy、AI Feynman)还在老老实实从数据里抠显式方程,近年的明星系统却一个个扔掉方程、只做高精度预测器。
论文的核心分析工具是一套三分法,把物理学发现按数学抽象的层级分成三类:
这套分类当尺子用,量的是「认识论跃迁」有多大,不必当成互斥标签。结论很干脆:今天的 AI 在 A 和 B 上都已有亮眼产出,C 这一格是空的。论文原文写得很直白,no AI has made a discovery of Category C。
为什么 C 这么难?作者把推理拆成三种模式。归纳(induction)是拿数据拟合假设,演绎(deduction)是从给定框架算结果,这俩 AI 都擅长。卡壳的是第三种溯因(abduction):先从抽象原理(对称性、简单性)猜出一套暂时性公理,再推导可证伪的结论去检验。爱因斯坦做广义相对论不是从水星近日点数据里拟合出来的,他先认下等效原理和协变性这套对称性约束,推出候选理论,才回头找实验验证。论文认为当前 AI 还没复现这种「原理在先、验证在后」的范式。
真正的瓶颈也不在「点子不够新」。搜索空间够大时,新颖性很廉价;难的是判断一个新点子的投入产出比,看它能不能做出来、会不会有用、能不能导出可证伪的检验。这种判断力是顶尖物理学家的「直觉」,很少被写成可操作流程,自然也几乎没有训练数据。
这是一篇视角论文,没有跑实验、没有 benchmark 数字。它拿出的「结果」是上面那张分类清单,以及一组被反复印证的事实:AI 已经做出 A 类和 B 类的成果,C 类零产出。下表对应论文里的核心分类:
| 类别 | 类型 | 人类代表 | AI 是否已做到 |
| A 新解/新能力 | 预测、器件、应用 | 弹道与轨道预报、晶体管、激光、对撞机唯象 | 是:AlphaFold(蛋白折叠)、GraphCast(天气预报)、PINN 代理模型 |
| B 新方程/新律 | 理论、ansatz、公式 | 开普勒三定律、洛伦兹力、黑体辐射公式 | 是:AI Feynman 复原费曼讲义方程、符号回归给出暗物质浓度公式、LLM 推散射振幅 |
| C 新数学框架 | 新数学语言、对称性原理 | 牛顿微积分、麦克斯韦场论、量子力学算符形式、规范理论 | 零,至今没有任何 AI 做出 C 类发现 |
一个旁证:作者认为 AI 在创造力上没有根本天花板,并举了几例 AI 越过既有知识做出意外选择——AlphaGo 的「第 37 手」、OpenAI 内部模型证伪 Erdős 平面单位距离猜想、Anthropic 的 Fable 给出 Jacobi 猜想反例。换言之,缺的不是创造性,是那套原理导向的发现模式。
对做 AI for science 的人,这是一份清醒的战略地图。它把「预测得准」和「产出新理论」拆成两件事,提醒读者别被 AlphaFold 式的成功冲昏头、以为剩下的只是工程放大。继续往黑箱预测倾斜,AI 会越来越擅长在已知框架内预测,却可能始终拿不出对标量子引力的候选理论。
更实际的几条路线对从业者有具体落脚点:把显式物理定律当归纳偏置嵌进模型,能用更少数据训练、泛化更好;把计算机代数系统(xAct、Cadabra、FORM、FeynCalc)接进 agent 流程,做成「理论构建沙箱」,让 AI 提出的对称性先被严格检验再撞数据。有效场论社区已经在自动化 EFT 匹配(matchmakereft、Matchete),甚至反向从低能拉氏量搜高能理论。
诚实讲,这更接近一份研究议程,不是一个已被验证的方案。它指方向,不给保证。
作者自己留了几个口子。
第一是「复杂性陷阱」。不是所有领域底下都藏着优雅方程。凝聚态物理、化学、生物里,不同能标的贡献常常无法分离,这时「只有准确预测、没有透明解释」可能本就是能达到的最好结果。论文专门追问 AlphaFold:蛋白折叠没有闭式公式,是过程固有如此,还是我们漏掉了底下的结构规律?它没给答案。
第二是个挑衅性的可能:AI 也许会发现一种人类看不懂的新数学,在 AI 之间用更高层级沟通,逼着人类去理解反而拖慢进度。涌现通信、连续潜空间推理已经有苗头。作者把这个标成「Ipcha Mistabra」(阿拉米语,意为「反方未证」),承认它没被排除。
第三是最根本的怀疑:也许瓶颈不在 AI,在物理本身。也许简单、可实验检验的理论革命这个时代,对人和 AI 都过去了。作者承认过去几十年可被读成这种证据,但仍坚持现在宣判理论物理的终结太早。
读下来另有一处站不太稳:整篇论证的骨架是那条「反向轨迹」,可作者自己也反复声明它只是粗描、不是严格编年律,还举了托勒密、开普勒自认原理导向、麦克斯韦用过又被丢弃的机械脚手架等反例。骨架既然是近似叙事,由此推出的「C 类必然空缺」就多少带着叙事驱动的色彩,而非机制证明。