把知识截到 1911 年，AI 能自己推出相对论吗
“爱因斯坦测试”是把大模型的训练数据截断在广义相对论之前，看它能否独立重演这一次突破。多个团队做出各自的复古模型，结果指向同一个缺口：AI 擅长归纳，不擅长判断什么值得追问。
1915 年爱因斯坦把引力解释成时空弯曲时，同行的第一反应据说是“这是从哪儿来的”。Google DeepMind 联合创始人 Demis Hassabis 提出过一个检验通用人工智能的设想：把训练数据的截止时间设在 1911 年，只喂那之前的文献，看模型能不能自己走到广义相对论。
今年，几个团队真的动手做了。2026 年 9 月 9 日《自然》的新闻特写《The Einstein test》汇总了这批尝试，结论对 AI 不太客气。
图1：三个团队各自选的历史截断点，以及他们想检验的东西
给足线索，模型还是走不到那一步
独立研究者 Michael Hla 用 1900 年以前的数据训练了一个叫 Machina Mirabilis 的模型，想让它产出量子力学、狭义相对论和广义相对论。他给过相当明显的提示：把光电效应的观测摆到模型面前，又直接描述了后来通向等效原理的电梯思想实验。
模型偶尔给出了有意思的话。面对光电效应，它说光会“分解成大量彼此独立的脉冲”——这句话已经贴着光量子的边了。然后就没有下文。多数时候模型只是在复述听起来像物理的语言，Hla 判断它并没有建立起可以推理的内部世界模型。
还有一个工程上的麻烦：历史文本数字化时日期错乱、夹杂 OCR 噪声，想严格切断知识比想象中难。独立计算机科学家 Nick Levine 的团队把截止年设在 1930 年（这一年出版的文献在 2026 年初进入美国公有领域），结果这个“1930 年心智”能正确回答 1950 年代的问题，包括 1933 年后才上任的罗斯福政府相关提问。
苏黎世大学的 Ranke-4B 系列更系统，分别以 1913、1929、1933、1939、1946 年为截断点训练了一组模型。受限于历史文本量与算力，这些模型的能力明显弱于现代大模型，团队的目标也调低了：不指望它诞生划时代理论，只看能不能冒出一点未来科学的思想火花。
真正卡住的地方：溯因推理
麻省理工学院的 Sendhil Mullainathan 团队做了一个更干净的测试。他们给一个轨道力学基础模型输入多套遵循牛顿力学的虚拟行星系统观测数据，看它能不能提炼出万有引力定律。
模型学会了拟合，却没有找到真正的规律。它为每一套行星系统各给出一条定律，每条都错得各有特色。放在人类历史上对照很刺眼：开普勒当年靠的是第谷肉眼观测留下的粗糙星历表。
图2：从数据里找规律，与从反常里提出新解释，是两种不同的动作
今年 1 月，DeepMind 研究员 Tom Zahavy 在论文《LLM 不会跳跃》里给出的判断与之呼应：科学上的重大推进往往不是从大量数据中归纳出规律，而是从一个具体现象出发，提出此前没有过的解释。这种动作叫溯因推理，它通常发生在数据很少、或者出现异常的时候。
普朗克是个典型。他的黑体辐射公式已经和实验吻合得不错，只是不够完美。他没有把残差当误差处理，继续追问下去，最后提出能量量子化。
AI 在数学上已经能做出什么
这不代表 AI 在科学上一事无成。今年 5 月，OpenAI 的模型推翻了匈牙利数学家 Paul Erdős 提出的一个存在 80 年的猜想。Mullainathan 认为这是一次真正的概念性推进：解法不是靠暴力搜索撞出来的，过程中引入了新的小抽象。
差别在于，这个反例整合的是数学文献里已经存在的思想，不是从看似无关的角落里突然冒出来的新框架。MIT 的 Jacob Andreas 指出了另一个更难的问题：模型可以一次性生成大量备选理论，但它没有能力判断哪一个值得投入。人类科学家不会批量生成假说再逐一筛选，而是靠直觉抓住值得深挖的方向，然后长期盯住反常线索。
接下来要改的是什么
现有大模型的训练目标是预测下一个词，优化的是统计意义上的预测准确率，不是解释力和简洁性。AlphaFold 能给出蛋白质结构，但对折叠背后的物理机制并没有真正的理解。
研究者提出的方向包括：让模型接触真实世界的观测数据和数学空间，而不只是文本；把理论的简洁程度和解释范围放进优化目标；以及把“选哪个问题值得追”这件事显式地建模出来。
对学习者来说，这场测试的收获可能比结果更有用。它把“什么算真正的科学创造力”拆成了可检验的部件——提出问题的能力、判断反常是否值得追究的能力、在极少数据下建立世界模型的能力。这三件事目前都还没有被算力直接换来。
评论 (0)
正文划词可点「问萝卜特」——自动发评论并由 AI 回复
加载评论中…