本文来自微信公众号： 防冷涂的腊 ，，，，作者：防冷涂的腊，，，，原文问题：《给 AI 一个 1901 年的天下，，，，它能发明相对论吗？？？》
Google DeepMind CEO 哈萨比斯 提出过一个很有意思的测试：
把一个现代 AI 的知识阻止时间设在 1901 年，，，，只允许它接触此前人类积累的知识。。然后看它能不可像爱因斯坦一样，，，，在没有读事厥后论文的情形下，，，，于 1905 年提出狭义相对论。。
若是它能做到，，，，说明 AI 已经具备了靠近顶尖科学家的创立力； ；；；若是做不到，，，，它仍然只是一个很是强盛的知识处理系统。。
我的谜底很明确：不可。。
问题不在算力，，，，也不在资料数目。。纵然把 1901 年以前的物理学文献所有交给 AI，，，，它仍然无法完成爱因斯坦式的突破。。
由于狭义相对论不是一次知识补全。。它重新界说了人类明确时间、空间和运动的方式。。
Hassabis 在讨论 AI 创立力时，，，，区分了两种能力：一种是在已经界说好的问题中寻找谜底，，，，另一种是提出新的理论和假说。。后者才靠近他所明确的真正创立力。。
这个测试真正要问的是：若是一项科学突破需要的知识都已经泛起，，，，新理论会不会自然从旧知识中生长出来？？？
相对论告诉我们，，，，不会。。
01 范式决议了科学家在解决什么问题
明确这个问题，，，，需要先讲一下托马斯·库恩在《科学革命的结构》中提出的“范式”。。
这个看法可以简朴明确为：一个时代的科学家配合接受的一套解题规则。。它划定了哪些问题值得研究、应该使用什么看法、什么算有用证据，，，，以及怎样的诠释才算合理。。
好比在牛顿物理学的框架里，，，，时间匀称流逝，，，，空间是物体运动的牢靠舞台。。这些内容通常不会被当成问题，，，，它们是科学家用来研究其他问题的条件。。
在一个范式内部，，，，大部分科学研究都像解题。。理论和实验泛起冲突，，，，科学家会检查丈量是否准确、参数是否需要调解，，，，或者理论中是不是遗漏了某个条件。。只要基本框架仍然有用，，，，研究就会继续在原有系统里寻找谜底。？？？舛靼颜庵盅芯砍莆巴ɡ蒲А。。
异常一连积累，，，，原有框架又无法诠释，，，，科学革命才可能爆发。。新的理论会重新划定哪些问题主要、哪些看法有用，，，，甚至改变科学家明确统一组实验效果的方式。。
范式切换，，，，不是在旧谜底中选出一个更好的谜底，，，，而是改变我们明确问题的方式。。
狭义相对论正是一次这样的转变。。
02 爱因斯坦重新界说了时间
19 世纪末，，，，物理学已经建设起两套很是乐成的理论。。牛顿力学可以诠释物体怎样运动，，，，麦克斯韦方程则统一了电和磁。。单独使用时，，，，两套理论都很有用； ；；；放到一起，，，，却泛起了一道难以处理的裂痕。。
在牛顿力学中，，，，速率可以相加。。一个人在行驶的火车上向前扔球，，，，站台上的人测到的球速，，，，应该即是火车速率加上球相对火车的速率。。凭证同样的逻辑，，，，差别运动状态的视察者丈量光速，，，，也应该获得差别效果。。但麦克斯韦方程给出的光速似乎是一个牢靠值。。
迈克尔逊—莫雷实验也没有测出预期中的“以太风”。。若是光必需在以太中撒播，，，，地球又在以太中运动，，，，实验原来应该测出差别偏向上的光速差别，，，，效果却没有。。
其时许多科学家仍在原有框架中寻找诠释：是不是以太会被地球带着一起运动？？？物体运动时会不会爆发缩短？？？是否保存某种机制，，，，使人类永远无法测出以太？？？
爱因斯坦面临的是统一批矛盾，，，，却换了一个起点。。他不再追问为什么测不到以太，，，，也不再坚持所有视察者共享统一个绝对时间。。
他从两个基本条件出发：所有惯性参考系中的物理定律具有相同形式，，，，真空中的光速对所有惯性视察者相同。。若是这两点都建设，，，，需要调解的即是人们对时间和空间的明确。。
两个相隔很远的事务是否同时爆发，，，，不再拥有一个自力于视察者的绝对谜底； ；；；时间距离和空间长度，，，，也会随着视察者的运动状态爆发转变。。
爱因斯坦把原来被看成条件的“绝对时间”，，，，酿成了需要重新审阅的问题。。
这才是相对论测试真正难题的地方。。相关实验、理论矛盾和数学工具已经泛起，，，，但这些知识不会自动告诉研究者：也许错的不是某个参数，，，，而是我们明确时间的方式。。
03 AI 能天生新谜底，，，，却仍受旧知识约束
要诠释 AI 为什么发明不了相对论，，，，还需要相识目今大语言模子怎样获得知识，，，，又怎样爆发所谓的“创立力”。。
大语言模子通过海量文本训练，，，，学习词语、看法和知识之间的关系。。最基础的训练使命，，，，是凭证已有内容展望接下来最可能泛起什么。。规模足够大以后，，，，模子由此掌握了语言形式，，，，并形成总结、归纳、推理、迁徙和组合能力。。
面临一个已经界说好的研究问题，，，，AI 可以迅速阅读大宗论文，，，，整理差别看法，，，，完成盘算推导，，，，天生代码，，，，也可以提出候选假说和实验方案。。已往一个研究团队需要几个月完成的文献综述，，，，它可能几分钟就能整理出基本脉络。。
但它判断“什么是合理的”，，，，主要依据仍然来自已有知识。。若是训练资料普遍接受以太保存，，，，模子就会把以太视为合理条件； ；；；若是大大都论文都在研究以太为什么无法被探测，，，，它也会沿着这个偏向继续寻找谜底。。
这不料味着 AI 没有创立力。。它最常见的创立，，，，是重新组合已有知识：文章、代码和假说都可以是新的，，，，组成它们的质料和基本判断标准仍然来自旧知识。。
再往前一步，，，，AI 还可以在牢靠规则内找到人类没有发明的谜底。。AlphaGo 的“第 37 手”就是典范例子。。那一步前所未见，，，，但围棋的规则、输赢目的和反馈机制都已经确定，，，，AI 做的是在重大的可能性空间里寻找新路径。。
相对论要求的是另一种创立。。它没有在“怎样探测以太”这个问题下继续寻找更优解，，，，而是重新审阅以太和绝对时间是否有须要保存。。它改变了问题自己。。
AI 已经可以在旧地图上找到人类没有走过的路。。相对论需要的，，，，却是意识到这张地图可能画错了。。
04 从发明矛盾到范式跳跃，，，，AI 还差什么
若是真的训练一个知识阻止在 1901 年的模子，，，，把经典力学、麦克斯韦方程和相关实验效果交给它，，，，AI 能不可发明其中的矛盾？？？
虽然可以。。它可以指出经典速率叠加与光速稳固之间的冲突，，，，也能整理迈克尔逊—莫雷实验给以太理论带来的难题。。只要提醒足够明确，，，，它还可以一次天生几十种诠释方案。。
但这仍然不是相对论。。
一、识别异常之后，，，，AI 仍会回到旧框架
理论与实验纷歧致，，，，可能有许多原因：丈量误差、参数过失、条件遗漏、理论适用规模有限，，，，或者基础看法自己有问题。。AI 善于列出这些可能性，，，，却很难自力判断问题事实出在哪一层。。
在旧范式中，，，，绝对时间从未被视为一个需要磨练的假设。。它更像试卷上已经给定的条件。。研究者会用这个条件继续解题，，，，很少先去质疑问题自己。。
从“两套理论保存矛盾”走到“绝对时间可能不保存”，，，，中心没有一条可以按方法完成的推导。。这一步需要推翻用来推导的条件。。
二、假说数目解决不了理论选择
现在的大语言模子已经可以天生科学假说。。但天生假说，，，，距离建设新理论还很远。。
若是 1901 年的主流研究都围绕以太睁开，，，，AI 更可能提出一种新的以太模子，，，，或者设计更细密的以太探测实验。。纵然它无意天生了“以太可能不保存”这个选项，，，，也执偾众多候选方案中的一个。。
真正难题的是理论选择：为什么要放弃一个被整个科学配合体接受的条件？？？这个看起来反常的假说，，，，能否用更少的条件统一更多征象？？？在缺少直接证据时，，，，为什么值得沿着它继续研究？？？
科学突破既要爆发新想法，，，，也要从大宗可能性中识别出值得押注的偏向。。AI 可以制造选项，，，，却无法自力完成这样的选择。。
三、AI 没有一个必需要想通的问题
科学家之以是一直追问，，，，有时并不是由于公式算不出来。。理论可能已经能够诠释实验，，，，但整个系统仍然不敷精练，，，，或者差别理论之间保存显着裂痕。。研究者对这种不协调感应不知足，，，，才会继续寻找更统一的诠释。。
目今 AI 的目的来自外部。。人类让它诠释某个实验，，，，它就寻找能够完成使命的方案； ；；；人类让它提出十种假说，，，，它就天生十种假说。。使命竣事后，，，，它不会继续追问，，，，也不会由于某种天下观不协调而恒久投入其中。。
纵然给它恒久影象、一连使命和自动实验能力，，，，研究目的与评价标准仍然来自外部。。一连执行一个问题，，，，与自动决议哪个矛盾值得追问、哪个条件需要推翻，，，，并非一回事。。
它可以模拟嫌疑的语言，，，，却没有必需把这个问题想通的需要。。
AI 可以把旧范式里的路走到止境，，，，却不会自然爆发“这条路自己可能错了”的激动。。
05 99% 的汗水，，，，和 1% 的灵感
认可这条界线，，，，并不会削弱 AI 对科学研究的价值。。未来大宗科研事情都会被它重构。。
文献阅读、资料整理、盘算推导、代码实现、实验设计、模子筛选，，，，这些重复、繁琐又耗时的部分，，，，都可以越来越多地交给 AI。。已往需要几年才华梳理清晰的文献冲突，，，，AI 可能几分钟就能找出来； ；；；原来依赖大宗实验扫除的过失偏向，，，，也可以通过模子加速筛选。。
AI 还会让异常更早袒露，，，，让科学家把更多时间留给判断、选择息争释。。它对科研的意义，，，，可能远大于我们今天看到的文献总结和代码天生。。
AI 越强，，，，人类在科学研究中的价值越会向上游移动：决议研究什么，，，，识别哪个矛盾值得追问，，，，判断什么时间应该放弃旧诠释。。
但 Hassabis 的相对论测试提醒我们：科学研究最要害的时刻，，，，有时不在于更快地回覆问题，，，，而在于意识到问题问错了。。
当问题已经界说清晰，，，，AI 可以比绝大大都人做得更快、更周全。？？？梢坏┩黄埔笱芯空呦右勺罨〉奶跫，，，，知识数目和盘算速率都无法自动完成这一步。。
爱迪生一经说过：“天才是 1% 的灵感加 99% 的汗水。。”
这里的灵感并非凭空泛起的闪念。。它来自人类对矛盾的敏感、对旧条件的嫌疑，，，，以及在没有标准谜底时重新搭建诠释框架的能力。。
爱因斯坦面临的资料，，，，并不比同时代的物理学家更多。。
他真正改变的，，，，是看待这些资料的方式。。
AI 现在能替换 99% 的汗水，，，，却替换不了那 1% 的灵感。。
本内容由作者授权宣布，，，，看法仅代表作者自己，，，，不代表虎嗅态度。。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
