📢 转载信息
原文链接：https://www.nature.com/articles/d41586-025-03659-4
原文作者：Mohana Basu
研究人员向人工智能提供涉及具有钟摆式运动的系统的物理实验数据，以观察其能否推导出基本的物理定律。图片来源：stefilyn/Getty
大多数人工智能 (AI) 模型能够可靠地识别数据中的模式并做出预测，但在利用这些数据提出广义的科学概念（如万有引力定律）方面存在困难。现在，中国的一个团队开发了一个名为 AI-Newton 的系统，该系统在被输入实验数据后，能够自主地“发现”关键的物理学原理，例如描述力和质量对加速度影响的牛顿第二定律。
北京大学的物理学家、该系统的开发者之一马延庆（Yan-Qing Ma）表示，该模型通过逐步建立概念和定律的知识库来模仿人类的科学过程。马补充说，能够识别有用的概念意味着该系统有潜力在没有人类预先编程的情况下发现科学见解。
马萨诸塞州剑桥市哈佛大学的计算机科学家Keyon Vafa解释说，AI-Newton 使用一种称为符号回归的方法，模型在该方法中会搜寻最佳的数学方程来表示物理现象。他补充道，这项技术是科学发现的一个有前景的方法，因为该系统的编程方式鼓励它进行概念推导。
北京大学的团队使用模拟器生成了46项物理实验的数据1，这些实验涉及球体和弹簧的自由运动、物体间的碰撞以及表现出振动、振荡和钟摆式运动的系统行为。模拟器还特意引入了统计误差，以模拟真实世界的数据。
例如，AI-Newton 获得了给定时间的球的位置数据，并被要求得出一个解释时间和位置之间关系的数学方程。它成功地得出了速度的方程。它将这些知识存储起来用于下一组任务，在这些任务中，它成功地利用牛顿第二定律推导出了球的质量。这些结果尚未经过同行评审。
行星轨迹
科学家们以前曾使用 AI 模型来预测行星轨道。2019 年，瑞士苏黎世联邦理工学院 (ETH) 的研究人员开发了“AI Copernicus”，这是一个利用地球观测数据推导出行星轨迹公式的神经网络。在这种情况下，需要人类来解释这些方程并理解它们与太阳系中行星运动的关系。
Vafa 和他在马萨诸塞州剑桥市麻省理工学院的同事们对几种 foundation models 进行了类似实验，这类 AI 模型经过大量数据集（包括 GPT、Claude 和 Llama 等大型语言模型）的训练。
他们训练这些模型来预测太阳系中行星的位置，然后要求它们预测控制行星轨迹的力。在一篇预印本论文2中，研究人员表明，当模型仅用轨道轨迹数据进行训练时，它们无法利用这些知识执行除预测行星轨迹之外的任何任务。当试图将这些轨道轨迹数据转化为关于力如何运作的定律时，基础 AI 模型推导出了一个毫无意义的引力定律。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区