本文来自微信公众号： 防冷涂的年的腊 ，作者：防冷涂的世界腊，原文标题：《给 AI 一个 1901 年的明相世界，它能发明相对论吗？对论》

Google DeepMind CEO 哈萨比斯（Demis Hassabis）曾提出一个极具启发性的思想实验：

将现代 AI 的知识截止时间设定在 1901 年，限制其仅能接触此前人类积累的年的知识体系。随后观察它能否在未曾阅读后续论文的世界情况下，于 1905 年独立提出狭义相对论。明相

这一测试的对论核心逻辑在于：若 AI 能做到，则证明其具备接近顶尖科学家的年的创造力；若做不到，则表明它本质上仍是世界一个强大的知识处理工具，而非真正的明相创新主体。

我的对论结论非常明确：不能。

瓶颈不在于算力，年的也不在于数据量。世界即便将 1901 年以前所有的明相物理学文献全盘输入 AI，它依然无法完成爱因斯坦式的范式突破。

因为狭义相对论并非一次简单的知识补全，而是一场对人类理解时间、空间和运动方式的根本性重构。

Hassabis 在探讨 AI 创造力时，区分了两种能力：一种是在既定问题框架内寻找最优解，另一种是提出全新的理论与假说。后者才触及他所定义的“真正创造力”的核心。

这个测试真正追问的是：如果一项科学突破所需的知识要素均已存在，新理论是否会自然地从旧知识中涌现？

相对论的历史告诉我们：不会。

01 范式决定了科学家在解决什么问题

要理解这一困境，必须引入托马斯·库恩在《科学革命的结构》中提出的“范式”（Paradigm）概念。

简而言之，范式是一个时代科学家共同体共同接受的一套解题规则。它规定了：
* 哪些问题值得研究；
* 应该使用何种概念体系；
* 什么被视为有效证据；
* 怎样的解释才算合理。

以牛顿物理学为例，时间均匀流逝、空间是物体运动的固定舞台，这些被视为公理而非问题。它们是科学家研究其他现象的前提，而非被研究的对象。

在范式内部，大部分科学研究属于“常规科学”，即解题过程。当理论与实验出现冲突时，科学家通常会检查测量精度、调整参数或补充遗漏条件，只要基本框架未崩塌，研究就会在原有体系内继续。

只有当异常持续积累且原有框架无法解释时，科学革命才可能发生。新理论将重新定义什么是重要问题、什么是有效概念，甚至改变科学家解读同一组实验结果的方式。

范式切换，不是在旧答案中挑选更好的一个，而是彻底改变我们理解问题的方式。

狭义相对论正是这样一次范式转移。

02 爱因斯坦重新定义了时间

19 世纪末，物理学建立了两套极其成功的理论体系：
1. 牛顿力学：解释物体运动规律。
2. 麦克斯韦方程组：统一电与磁。

两者单独使用均无懈可击，但结合时却出现了一道难以弥合的裂缝。

在牛顿力学中，速度是可加的。若人在行驶的火车上向前扔球，站台观察者测得的速度应为“火车速度 + 球相对火车速度”。依此逻辑，不同运动状态的观察者测量光速，结果应不同。然而，麦克斯韦方程暗示光速是一个恒定值。

此外，迈克尔逊—莫雷实验未能检测到预期的“以太风”。若光需通过以太传播且地球在其中运动，实验应测出不同方向的光速差异，但结果为零。

当时，多数科学家仍试图在原有框架内修补：
* 以太是否被地球拖曳？
* 物体运动时是否发生洛伦兹收缩？
* 是否存在某种机制导致人类永远无法探测以太？

爱因斯坦面对同样的矛盾，却选择了不同的起点。他不再追问“为何测不到以太”，也不再坚持“所有观察者共享绝对时间”。

他基于两个基本假设出发：
1. 相对性原理：所有惯性参考系中的物理定律形式相同。
2. 光速不变原理：真空中的光速对所有惯性观察者相同。

若这两点成立，则必须调整人类对时间和空间的理解：
* 同时性不再是绝对的，而是依赖于观察者的参考系。
* 时间间隔和空间长度随观察者的运动状态而变化。

爱因斯坦将原本被视为前提的“绝对时间”，转化为了需要重新审视的核心问题。

这才是相对论测试的真正难点：相关实验、理论矛盾和数学工具均已存在，但这些知识不会自动提示研究者：也许错的不是某个参数，而是我们理解时间的方式。

03 AI 能生成新答案，却仍受旧知识约束

要解释 AI 为何无法发明相对论，需深入理解大语言模型（LLM）获取知识及产生“创造力”的机制。

LLM 通过海量文本训练，学习词语、概念及知识间的统计关系。其基础任务是预测下一个最可能出现的词。规模足够大后，模型掌握了语言形式，并衍生出总结、归纳、推理、迁移和组合能力。

面对已定义的研究问题，AI 表现卓越：
* 快速阅读大量论文，整理观点；
* 完成计算推导，生成代码；
* 提出候选假说和实验方案。
过去团队需数月完成的文献综述，AI 可在几分钟内梳理脉络。

然而，AI 判断“合理性”的依据仍源自已有知识分布：
* 若训练数据普遍接受“以太存在”，模型会将以太视为合理前提；
* 若多数论文研究“以太探测”，模型会沿此方向继续优化。

这并非否定 AI 的创造力。AI 最常见的创造形式是重组已有知识：文章、代码和假说可以是新的，但其组成材料和判断标准仍来自旧知识。

更进一步，AI 能在固定规则内发现人类未找到的答案。例如 AlphaGo 的“第 37 手”，虽前所未见，但围棋规则、胜负目标和反馈机制是确定的，AI 是在巨大可能性空间中寻找新路径。

相对论要求的是另一种创造。它未在“如何探测以太”的问题下寻找更优解，而是重新审视“以太”和“绝对时间”存在的必要性。它改变了问题本身。

AI 能在旧地图上找到人类未走的路；相对论需要的，却是意识到这张地图可能画错了。

04 从发现矛盾到范式跳跃，AI 还差什么

若训练一个知识截止于 1901 年的模型，输入经典力学、麦克斯韦方程及相关实验，AI 能否发现矛盾？

可以。它能指出经典速度叠加与光速不变的冲突，整理迈克尔逊—莫雷实验对以太理论的冲击。只要提示明确，它能生成数十种解释方案。

但这仍不是相对论。原因有三：

一、识别异常后，AI 仍会回归旧框架

理论与实验的不一致可能源于：测量误差、参数错误、条件遗漏、理论适用范围有限，或基础概念错误。AI 擅长列举这些可能性，却难以独立判断问题究竟出在哪一层。

在旧范式中，“绝对时间”从未被视为可检验的假设，它更像是试卷上给定的条件。研究者习惯用此条件解题，极少质疑题目本身。

从“两套理论存在矛盾”到“绝对时间可能不存在”，中间没有可逐步推导的路径。这一步需要推翻推导的前提。

二、假说数量解决不了理论选择

当前 LLM 已能生成科学假说，但生成假说距离建立新理论尚远。

若 1901 年主流研究围绕以太展开，AI 更可能提出新的以太模型或设计更精密的探测实验。即使它偶然生成“以太可能不存在”的选项，这也仅是众多候选方案之一。

真正的困难在于理论选择：
* 为何要放弃被科学共同体接受的前提？
* 这个反常假说能否用更少的前提统一更多现象？
* 在缺乏直接证据时，为何值得押注于此？

科学突破既需产生新想法，也需从海量可能性中识别出值得探索的方向。AI 可制造选项，却无法独立完成这种基于直觉和审美的选择。

三、AI 没有一个必须想通的问题

科学家不断追问，有时并非因为公式算不出，而是体系不够简洁或存在明显裂缝。研究者对这种不协调感到不满足，才会寻求更统一的解释。

当前 AI 的目标来自外部：人类让它解释实验，它就寻找方案；人类让它提出假说，它就生成假说。任务结束后，它不会继续追问，也不会因世界观不协调而长期投入。

即使赋予 AI 长期记忆、持续任务和自动实验能力，其研究目标与评价标准仍来自外部。持续执行一个问题，与主动决定哪个矛盾值得追问、哪个前提需要推翻，本质不同。

它可以模拟怀疑的语言，却没有必须把这个问题想通的内在驱动力。

AI 可将旧范式里的路走到尽头，却不会自然产生“这条路本身可能错了”的冲动。

05 99% 的汗水，和 1% 的灵感

承认这一边界，并不会削弱 AI 对科研的价值。相反，未来大量科研工作将被 AI 重构。

• 文献阅读、资料整理、计算推导、代码实现、实验设计、模型筛选：这些重复、繁琐且耗时的部分，将越来越多地交给 AI。
• 加速筛选：过去需数年梳理的文献冲突，AI 可几分钟找出；依赖大量实验排除的错误方向，可通过模型加速筛选。

AI 将使异常更早暴露，让科学家将更多时间留给判断、选择和解释。其对科研的意义，可能远超当前的文献总结和代码生成。

AI 越强，人类在科学研究中的价值越向上游移动：
* 决定研究什么；
* 识别哪个矛盾值得追问；
* 判断何时应放弃旧解释。

但 Hassabis 的相对论测试提醒我们：科学研究最关键的时刻，有时不在于更快地回答问题，而在于意识到问题问错了。

当问题已定义清楚，AI 可比绝大多数人更快、更全面。可一旦突破要求研究者怀疑最基础的前提，知识数量和计算速度都无法自动完成这一步。

爱迪生曾说：“天才是 1% 的灵感加 99% 的汗水。”

这里的灵感并非凭空出现的闪念，它来自人类对矛盾的敏感、对旧前提的怀疑，以及在无标准答案时重新搭建解释框架的能力。

爱因斯坦面对的资料，并不比同时代物理学家更多。

他真正改变的，是看待这些资料的方式。

AI 目前能替代 99% 的汗水，却替代不了那 1% 的灵感。

本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。如对本稿件有异议或投诉，请联系 tougao@huxiu.com。

本文来自虎嗅，原文链接：https://www.huxiu.com/article/4874543.html?f=wyxwapp