文章核心观点 - 北京大学马滟青团队开发了名为AI-牛顿（AI-Newton）的创新系统，该系统能够完全自主地从原始实验数据中推导出物理定律，而无需任何先验物理知识或监督，这标志着向AI驱动的自主科学发现迈出了重要一步 [2] 突破传统：AI驱动的科学发现新范式 - 当前科学发现面临两大挑战：人类主导的研究周期长且易受预设观念影响；现有AI方法如神经网络难以解释，符号回归方法在处理复杂系统时面临组合爆炸问题 [5] - AI-Newton的设计灵感来源于人类科学家的思考方式，但摒弃了对人类知识的依赖，仅从最基本的时空坐标观测数据出发，通过自主定义物理概念和建立数学关系来重新发现核心物理定律 [6] 核心架构：概念驱动的知识发现引擎 - AI-Newton的核心是其三层知识库架构（符号、概念和定律），模仿了人类物理学家组织知识的方式，系统从简单概念（如位置、时间）开始，逐步构建更复杂的概念（如速度、加速度），最终形成完整的物理定律 [8] - 系统能够自主定义物理概念，例如通过分析弹簧悬挂小球的实验，将弹簧的伸长量定义为“质量”的度量，并能从不同实验中识别出“引力质量”和“惯性质量”的等价性，展现了强大的概念抽象能力 [10] 工作原理：合理推理与符号回归的完美结合 - AI-Newton的工作流程融合了合理推理与符号回归技术，系统通过推荐引擎选择要分析的实验和概念，模仿了人类在探索与利用之间的平衡策略 [12] - 当系统发现某个通用定律在新场景中不成立时，会通过合理推理尝试添加新项来修正定律，例如从动能守恒出发，通过引入弹性势能项，最终发现完整的机械能守恒定律 [12] 实验验证：重新发现牛顿力学定律 - 研究团队在46个牛顿力学实验上测试了AI-Newton，涵盖了从简单自由落体到复杂多体系统的各种场景，所有测试数据都通过求解微分方程并添加高斯分布误差来模拟真实实验条件 [14] - AI-Newton成功重新发现了牛顿第二定律、能量守恒定律和万有引力定律等核心物理规律，系统平均能发现约90个物理概念和50个通用定律，为所有测试实验提供了完整的物理解释 [17] 两大特征：渐进性与多样性并存 - 通过多轮测试分析，发现AI-Newton具有两个核心特征：渐进性进步，系统模仿人类科学家，从简单概念开始逐步构建复杂知识体系，反映了逻辑一致性；发现多样性，在不同测试案例中，系统发现重要概念和定律的顺序和时间存在显著差异，确保了重要定律的发现不依赖于特定实验配置 [19] 未来展望：通往通用人工智能的新路径 - AI-Newton的框架展现出强大的扩展潜力，通过引入更强大的数学工具（如矢量形式体系、逻辑推理）和自然语言集成，系统可以处理更复杂的物理概念，甚至表达难以纯数学表达的概念（如惯性、量子力学原理） [21] - 这项研究不仅推动了AI驱动的科学发现，还为实现通用人工智能（AGI）提供了新思路，AI有望在尖端科学发现中发挥重要作用，成为人类科学家的强大合作伙伴，意味着迎来了科学研究范式转变的关键节点 [21]