文章导读
当AI只能预测数据却无法提出定律时，北大马滟青团队的“AI-牛顿”系统震撼《自然》：它从46个带噪声的物理实验中，自主“发现”了牛顿第二定律F=ma！揭秘符号回归技术如何让AI像人类科学家般迭代构建知识库——不再仅识别模式，而是提炼简洁普适原理。这不仅是科学发现的革命性突破，更将进军量子领域，解决“AI能否真正自主科研”的世纪难题。立即解锁AI驱动科研的未来，你的下一个颠覆启程。
— 内容由好学术AI分析文章内容生成，仅供参考。
2025年11月14日，《自然》（Nature）新闻栏目以《一个中国人工智能模型自主学到了基础物理学——它能发现什么》（“A Chinese AI model taught itself basic physics — what discoveries could it make?”）为题，长篇专题报道了北京大学物理学院马滟青教授课题组在人工智能驱动科学发现领域取得的新进展。
论文截图
报道指出，当前大多数人工智能模型虽然能够可靠地识别数据模式并进行预测，但难以利用这些数据提出具有简洁性和普适性的可解释科学原理。例如，一个AI模型可以被训练来精确预测行星的运行轨迹，但它很可能无法自行显式归纳出背后的万有引力定律。如今，马滟青课题组开发的名为“AI-牛顿”（AI-Newton）的系统，能够在输入实验数据后，自主发现关键的一般性物理原理。
报道介绍了“AI-牛顿”的工作机制。该系统利用一种名为“符号回归”（symbolic regression）的技术，从原始观测数据中自主寻找能够描述物理现象的最简洁的数学方程式。Keyon Vafa认为，该技术的编程方式鼓励它推导重要的概念，是一种有前途的科学发现方法。“AI-牛顿”的创新之处在于，它并非一次性完成任务，而是通过逐步构建概念和规律的知识库，模仿人类科学家的认知过程。通过这种迭代式的学习和知识构建过程，基于涉及小球、弹簧等物体的46个物理实验，“AI-牛顿”从带噪声模拟数据中最终自主“发现”力、质量和加速度之间构成的著名物理定律——牛顿第二定律（F=ma）等。
文中引述了未参与该研究的领域内专家的评价。David Powers认为，能够推导科学规律的模型具有实用价值。但要让AI最终实现自主发现，还需让其参与项目的其他环节，例如识别值得解决的问题、确定需要开展的实验、分析生成的数据、提出假设或验证预测等。因此，实现完全自动化的科学发现仍然是一个长远的目标。
马滟青在采访中表示，他们计划将“AI-牛顿”应用于更具挑战性的领域，例如尝试理解和发现量子理论中的复杂规律。
马滟青课题组的方尤乐（北京大学物理学院2024级在读博士研究生）、见东山（北京大学物理学院2022级在读博士研究生）和李想（北京大学物理学院2025届博士毕业生，现为北京大学博士后）直接参与了文中所述研究，为取得新进展作出重要贡献。
此项研究得到了国家自然科学基金及北京大学高性能计算平台的大力支持。
© 版权声明
本文由分享者转载或发布，内容仅供学习和交流，版权归原文作者所有。如有侵权，请留言联系更正或删除。
相关文章
暂无评论...