专题 · FULL STORY

LLM极限之争：能否实现科学直觉跃迁

DeepMind论文指出大语言模型缺乏科学发现的关键直觉跃迁能力，引发LeCun与Hinton等大佬激辩。业界深入探讨了纯LLM路线的结构性局限与未来潜力。

2026-07-27 ~ 2026-08-07 · 7 集 · 35 条

第 1 集 · AI攻入数学搜索前线，深层理论仍待突破(2026-07-27,3 条)

帖子认为，AI 正在数学、软件和药物等可验证领域形成“生成假设—测试—修正”的持续搜索循环；在数学与理论物理中，它已在短程任务和借反例证伪上展现进展，但面对依赖深层理论、新概念与范式跃迁的猜想，现有方法仍难突破。

第 2 集 · DeepMind论文称LLM缺乏科学发现关键“直觉跃迁”(2026-07-28,7 条)

Google DeepMind研究员Tom Zahavy在ICML 2026发表立场论文《LLMs Can't Jump》，指出当前大语言模型（LLM）在数据压缩和逻辑演绎方面表现出色，但无法完成科学发现中关键的“直觉跃迁”——即从感知经验直接跳跃到抽象公理的非逻辑过程。论文以爱因斯坦提出广义相对论为例，说明基础科学突破需要超越现有数据的公理跨越。Zahavy随后澄清，这是一篇个人立场论文，并非DeepMind官方表态，也不意味着LLM永远无法做出科学发现；前沿实验室和学界已在用LLM推动真实科学进展。

已确认

  • Tom Zahavy参与的论文将科学发现拆解为三步：接触感知数据、通过非逻辑的“直觉跃迁”提出抽象公理、最后进行严格逻辑演绎。
  • 论文认为，当前LLM擅长组合型任务和逻辑演绎，但在需要人类概念先验的领域仍存在结构性限制，无法完成科学发现中关键的“直觉跃迁”。
  • 论文以爱因斯坦提出广义相对论为例，说明基础科学突破需要超越现有数据的公理跨越。
  • Tom Zahavy明确澄清，这是一篇个人立场论文，并非DeepMind的官方表态，也不是在宣称LLM永远无法做出科学发现。他强调前沿实验室和学界已经在用LLM推动真实的科学进展。

为什么重要

  • 该研究直接触及当前AI领域的核心争议：扩大模型规模和增加数据量是否足以实现通用人工智能（AGI）。
  • 观察人士Peter Berezin等人据此认为，如果LLM无法跨越概念创新的鸿沟，那么当前的技术路线可能只是通向超级智能的死胡同。
  • 这项研究为评估大模型的真实能力提供了新视角，明确了当前AI技术在基础科学创新方面的边界与挑战。

第 3 集 · AI辅助解决FrontierMath四十年未解难题(2026-07-28,3 条)

开发者David Turturean宣布，他主要依靠语音交互使用AI，成功解决了EpochAI FrontierMath的一个开放性数学问题。该问题涉及2-adic numbers的绝对伽罗瓦群表示，是悬而未决约40年的难题。这是FrontierMath开放问题基准迎来的首个实质性突破，充分展现了AI在辅助前沿数学研究方面的巨大潜力。

第 4 集 · DeepMind论文：LLM能推导相对论但无法发明它(2026-07-30,5 条)

Google DeepMind 的一篇论文（作者 Tom Zaharay）探讨了大语言模型在科学发现中的结构性局限，指出当前 AI 无法完成真正意义上的科学发明。论文将科学发现拆解为归纳、演绎和溯因三个过程，并以爱因斯坦提出广义相对论为案例：当时牛顿力学预测与观测误差仅 10⁻⁹，LLM 能基于已知前提进行推导，但在结构上无法完成提出新科学前提所需的「溯因跳跃」。开发者 JoshuaJBouw 结合自身在边缘计算项目中的实践印证了这一观点：当前大模型遇到未知问题时，往往会生硬地退回到旧的已知技术，缺乏创造性跨越能力。

已确认

  • DeepMind 论文将科学发现拆解为归纳、演绎和溯因三个核心过程。现代生成式 AI 擅长模式识别（归纳）和基于已知前提的逻辑推导（演绎）。
  • 论文以爱因斯坦提出广义相对论为案例指出，在牛顿力学预测与观测极度吻合（误差仅 10⁻⁹）的情况下，LLM 能够进行推导，但在结构上无法完成提出新科学前提所需的溯因跳跃。
  • 开发者 JoshuaJBouw 结合自身在边缘计算项目中的实践经验，印证了论文的核心观点：当前大模型在遇到未知问题时，往往会生硬地退回到旧的已知技术，缺乏创造性的跨越能力。

为什么重要

  • 这一研究结论明确了当前 AI 能力的边界。它表明 LLM 虽然是强大的知识应用和演绎工具，但在复杂定理证明和高级抽象科学发现方面存在根本的短板，无法替代人类科学家的原创性思维。

第 5 集 · LeCun与Hinton激辩：代码生成系统是否超越纯LLM(2026-08-04,9 条)

Yann LeCun 在 X 平台明确表示，真正好用的代码生成系统并不只是纯自回归 token 预测（即纯 LLM），这一观点引发与 Geoffrey Hinton 的激烈交锋。双方围绕大模型发展路线展开辩论，核心分歧在于复杂系统组合与纯模型扩展（Scaling）孰优孰劣。这场争论触及 AI 发展的核心路线选择，并引发社区对“事后改写历史”叙述和“苦涩教训”适用性的质疑。

已确认

  • Yann LeCun 强调，他讨论的对象是纯自回归 token 预测，也就是普通 LLM 的工作方式。他认为，强大的代码生成系统并不只局限于这一个单一的预测循环。
  • 面对社区对其观点的疑惑与指责，LeCun 态度强硬，称自己的言辞是对网友“无知侮辱”的恰当回应。
  • Geoffrey Hinton 加入辩论并回击 LeCun，双方在 X 平台上围绕大语言模型的发展路线展开交锋，互指对方观点傲慢或无知。
  • @suchenzang、@mathemagic1an 与 @danielmac8 等人指出，外界存在一种“事后改写历史”的叙述，试图证明某种单一系统路线早就是唯一正确答案。他们支持澄清这一误解，强调不应把所有代码系统都简单等同于纯 LLM。

尚未确认

  • @lambdaviking 提出对当前行业趋势的质疑：过去坚持“Scaling”观点的人曾反对把 LLM 塞进复杂系统，但现在将开源模型嵌入复杂系统并包装成“neurosymbolic（神经符号）”的做法，是否真的违背了“苦涩教训”中所强调的通用算力优于人工归纳偏置的规律，目前仍无定论。

为什么重要

  • 这场争论触及了当前 AI 发展的核心路线分歧：是继续押注纯 LLM 的参数与算力扩展，还是转向构建包含多种模块的复杂系统。明确“纯 LLM”与“完整系统”的边界，有助于客观评估各类代码生成工具的实际能力与技术底座。

第 6 集 · 驳斥LeCun等质疑：LLM是通向超级智能的必经之路(2026-08-05,3 条)

针对 Yann LeCun、Gary Marcus 等人关于“纯 LLM 是死胡同”的质疑，AI 社区近期引发了激烈争论。反对者指出，贬低 LLM 路线的学者往往因不看好而未投入研究，但实际上现代大模型是当今 AI 系统不可或缺的基石。文章强调，尽管未来 AI 可能会演变为更高维度的世界模型，但继续投资和扩展 LLM 依然是通向人类级别 AI 和超级智能的必经之路。

第 7 集 · DeepMind论文引热议：LLM缺乏科学发现的直觉跳跃能力(2026-08-06,5 条)

近期业界围绕大语言模型（LLM）在科学创新上的局限性展开深入探讨。多方分析与一篇被广泛引用的DeepMind立场论文指出，LLM虽在归纳与演绎上表现惊人，但受限于纯语言架构，无法完成产生真正科学突破所需的创造性“溯因跳跃”。这一共识表明，单靠语言模型无法实现科学飞跃，未来AI需要引入多模态世界模型来补齐短板。

已确认

  • 推理能力的边界：多篇帖子均将推理分为三种类型。@maierak与@bigdata指出，LLM已经精通统计归纳（模式拟合）和形式演绎（如定理证明），但无法进行“溯因跳跃”。
  • 科学创新的阻碍：@maierak以爱因斯坦发现相对论为例，说明科学飞跃需要创造出超越现有数据的新公理与直觉跨越，这是当前LLM底层架构无法做到的。@skdh也提到物理学家Tim Gowers的观点，认为证明的演进是一种方法上的元外推，创造力并非凭空产生。

为什么重要

  • 指明AI下一步走向：@bigdata与@maierak均强调，由于LLM受限于语言本身对现实理解的局限，AI要实现更高级别的智能（如科学发现），就必须突破现有的纯文本架构，走向结合多模态世界模型的道路。