发现,是在期望与观测之间制造并检测偏差,从而形成可检验的假说、施行实验并在新旧证据中不断修正理论的艺术。现代科学与工程的进步,不只是解出更多已知的问题,而在于识别并放大那些微弱却决定性的偏差。进入一个AI启蒙的时代,我们必须重新思考人工智能在发现过程中的角色:从"拟合世界"的工具,变为"挑战世界"的伙伴。 当下的人工智能系统在许多有明确定义解答的问题上表现卓越。大型语言模型和深度学习系统能在数学竞赛、编程挑战以及标准化推理任务中超越人类专家,显示出在复杂规则体系下快速寻找最优解的能力。然而,发现往往要求对长尾现象的敏感性:那些稀有、噪声中隐含、难以直接归类为"正确/错误"的异常。
传统的训练范式 - - 通过预训练拟合数据分布以及通过监督或强化学习最大化奖励 - - 倾向于压制异常,推动模型走向模式寻求(mode-seeking),以确保在多数情况下表现稳定。这种趋同使得模型更善于确认既有期望,而不是质疑它们。 要让AI成为真正的发现工具,目标函数和训练范式需要根本性调整。强化学习若以发现为目标,就必须对"有意义的异常"下定义,并且这种定义要能够通过实验验证。在数学或某些理论领域,一个异常或新命题的"有意义"往往主观且难以量化;物理与材料科学反而提供了更为清晰的场景:某种材料在液氮温度以上超导、一种合金在没有稀土元素的前提下仍具强磁性、某种合成材料同时兼具极低密度与高强度,这些都是可直接通过实验测量的偏差。实验上的可验证性,为把"新奇"从模型想象转向现实世界提供了明确的桥梁。
有效的发现系统需要一个多层次的"期望框架",使得弱信号能够在不同尺度和不同视角间相互印证。历史上的重大科学进展往往并非源于单一突破,而是源于多个局部异常在不同领域中彼此呼应,最终促成整体范式的重构。原子假说便是典型例子:从气体定律、化学计量到布朗运动、光学散射,各种看似无关的现象在假设原子存在后变得连贯而可解释。每一项观测本身只是局部偏差,但当这些偏差在多尺度上保持一致时,它们共同构成了强有力的论据。 物理科学为这种跨尺度一致性建模提供了天然的分层结构:从量子电子结构到原子与分子层面,再到连续介质与器件级别。正是这种层次化使得先验可以在不同尺度上被形式化并强制一致性约束。
对于人工智能而言,这意味着并非只训练单一模型去拟合观测数据,而是要并行维护多套模型:从量子力学模拟器、分子动力学预测、到宏观实验与设备级表征。任何提出的假说都必须在这些层次上通过不同形式的检验,才能具备说服力。 构建这样的AI发现系统,需要在几个关键环节上创新。首先是生成异常的能力。传统的监督训练和许多RL设置都奖励"正确",而非"新奇"。可以借鉴好奇心驱动的强化学习思想,但必须把"好奇"与"可验证性"结合:模型应寻找那些在仿真或先验推断中显示出偏离的候选,但这些偏离同时应指向能够在实验室中被测量的量纲。
其次是闭环实验平台的整合。自动化合成、机器人实验台与高通量表征技术,使得AI提出的候选可以快速得到反馈,从而将探索空间显著扩展。第三是奖励设计:除了新颖性奖励之外,还要加入可重复性、信号强度与跨尺度一致性的评分,避免模型仅凭噪声或偶然相关提出不稳健的假说。 然而,构建这样的体系并不简单。定义"有意义的异常"本身即充满挑战:一个看似新颖的测量偏差可能是系统误差、样本污染或统计偶然,而非物理新现象。实验成本与时间限制也对探索策略提出了有力约束,意味着AI必须在高昂的试错代价下优化探索效率。
此外,解释性与可理解性是科学发现的基础:若AI仅输出黑盒候选而无法给出跨尺度一致的物理理由,人类科学家难以信任或接受这些成果。 为应对这些挑战,有几条可行路径。将物理先验嵌入模型之中,使用物理信息神经网络、守恒定律约束或对称性约束,能显著缩小候选空间并提升生成假说的质量。多模态学习能把计算预测、实验测量与文献知识结合起来,形成可互证的证据链。贝叶斯实验设计与主动学习框架使AI能够评估实验带来的信息增益,优先选择高价值实验以降低成本。通过将自动化实验平台与仿真模型紧密耦合,形成"在仿真中筛选 - 在实验中验证 - 再在模型中更新"的闭环,可以在保证可验证性的同时放大探索速度。
材料科学是这种AI-驱动发现范式的天然先行领域。由于材料性能通常可以被明确量化(如临界温度、电导率、机械强度、磁性等),AI可以基于这些明确目标去寻找异常。高温超导材料的发现是一例理想的试验场 - - 一旦定义了"临界温度显著超出预期"这一可验证的偏差,AI可以在巨大的化学空间中提出候选,利用量子计算或近似电子结构模拟先行筛选,再把最有希望的配方交给自动化合成与表征平台验证。若成功,这类工作不仅带来产业与技术价值,更能推动理论物理对电子关联效应与晶格相互作用的新理解。 更远大的可能性在于AI能够推动范式级的革命。历史上,重大科学进步常常来自对既有框架的挑战:当异常积累到足够程度时,整个理论体系可能需要重构。
AI若能在多学科、多尺度中同时识别并整合这些异常,便有机会提出超出当前理论范畴的新假设,从而促成更深层次的科学启蒙。然而,这种潜力也伴随风险:范式重构往往伴随高不确定性与争议,科学共同体需要谨慎评估AI提出的新观念,避免被噪声或算法偏差误导。 人类与AI的协作将是未来发现模式的核心。AI擅长处理海量数据、在高维空间中寻找微弱信号并保持思维的广度;人类科学家擅长提出有价值的问题、判断证据的真实性与伦理性,并在跨学科的语境中解释新现象。理想的发现流程不是完全自动化地由AI"宣布"新理论,而是由AI提出候选偏差与可检验假说,经过严谨的实验验证与理论论证,最后由人类科学家进行综合评估并将新知识融入科学共同体。 在政策与伦理层面,我们也必须为AI驱动的发现设定边界。
自动化实验平台可能被滥用于危险材料的合成或违背伦理的研究方向,科研资助与监管机构需要制定相应的准则与审查机制。同时,成果的可复现性、数据与模型的透明度,以及对潜在错误结论的追责,都应成为科研过程中不可或缺的部分。 结语:科学进步常在矛盾中前行。AI的加入既是工具的进化,也是方法论的挑战。将人工智能训练成发现引擎,需要我们在目标设计、跨尺度建模与实验闭环方面做出系统性创新。物理与材料科学为这一转型提供了理想的试验场,因为它们具备明确的可验证量纲与分层的理论框架。
若能谨慎而大胆地将AI能力与人的判断相结合,我们或许正站在一个新的启蒙时代门槛上:在那里,矛盾不仅推动科学进步,也使人工智能本身在科学的反哺下获得更深刻的理解与自我修正能力。未来的发现,可能正从那些原本被训练为"异常"的微弱信号开始。 。
