核心观点 - 人工智能在科研中的角色发生质变，从辅助工具迈向“可独立认知的科研主体” [1] - 北京大学团队研发的“AI-牛顿”系统在没有预设物理知识的条件下，从46组实验数据中独立推导出牛顿第二定律F=ma，并登上《自然》杂志 [1] - 该系统采用近似科学家“先假设、再求证”的合情推理策略，而非传统大模型的简单拟合，突破了神经网络的“黑箱”困境 [1] - 外界认为这种编程方式或将成为未来科学发现的重要方法，展示了面向未知领域的原生探索能力 [2] - 团队计划将该方法扩展至更复杂的量子体系等领域，意味着AI正从数据分析者向“理论生成的参与者”进一步靠拢 [2] 技术突破与系统特点 - 系统在没有预设任何物理背景知识的条件下，被置于包含小球、弹簧等装置的46组物理实验数据中 [1] - 系统不仅能识别运动模式，更在迭代推理中逐步构建出“力”“质量”“加速度”等基础概念，并最终得出牛顿第二定律F=ma [1] - 系统依靠三层结构（符号、概念、定律）在繁杂数据与可解释公式之间建立联结，使推导路径可回溯、逻辑链条清晰 [1] - 该系统突破神经网络“黑箱”困境的关键在于其可回溯的推导路径和清晰的逻辑链条 [1] 行业影响与未来展望 - 《自然》杂志引用哈佛大学学者观点指出，这种编程方式能够鼓励模型主动逼近核心概念，或将成为未来科学发现的重要方法 [2] - 相比以往在已知理论框架内验证假设，“AI-牛顿”展示的是一种面向未知领域的原生探索能力 [2] - 团队计划将该方法扩展至更复杂的研究方向，包括尝试从量子体系中寻找规律 [2] - 这意味着AI从单纯的数据分析者，正向“理论生成的参与者”进一步靠拢 [2] 研究团队与支持 - 该研究由北京大学物理学院马滟青教授课题组完成，参与者包括博士研究生方尤乐、见东山以及李想 [2] - 研究获得国家自然科学基金与北京大学高性能计算平台支持 [2]