2024 年以来，大语言模型在自动证明数学定理、辅助科研及自主实验规划等领域表现卓越。然而，一个核心问题随之浮现：若将人类现有全部科学知识赋予 AI，它能否独立完成下一次真正的科学发现？
DeedMind 在论文《LLMs can't jump》中通过思想实验探讨了这一问题：若将 1905 年前后爱因斯坦可获取的全部知识输入当今大模型，它能否独立提出广义相对论？答案是否定的。这并非因为模型缺乏知识或算力，而是当前大模型缺失了科学发明中最关键的一步——从物理经验跃迁至基础公理（Axiom）的能力。
论文链接：https://philsci-archive.pitt.edu/28024/1/Scientific_Invention_Position_Paper%20%2817%29.pdf
科学发现的本质并非推导
回顾广义相对论，人们常聚焦于复杂的张量计算、黎曼几何或爱因斯坦场方程。但论文指出，这些属于发现后的数学推导。真正的难点在于数学构建之前：为何能想到引力与加速度等价？
爱因斯坦的科学发明并非遵循连续的逻辑推导链，而是经历了一次从物理体验到抽象公理的跃迁。经典案例即“自由落体中的电梯”思想实验：身处自由下落电梯的人会短暂失重，而在远离引力持续加速的飞船中则会感受到类似重力的作用。这种基于现实世界的感知体验，促使爱因斯坦提出了等效原理（Equivalence Principle），即在局域范围内，引力与加速度无法区分。
该原理并非由实验数据直接推导或数学公式计算得出，而是建立在物理直觉上的假设。此后，爱因斯坦才进一步发展出时空弯曲、测地线、应力—能量张量及最终的场方程，将这一思想扩展为完整理论体系。这一步骤才是真正意义上的科学发明起点。
被忽略的科学发明路径：溯因跃迁
基于此历史案例，DeppMind 指出现代 AI 对科学发现过程的理解过于简化。当前大多数自动科学发现框架默认遵循“数据 → 建模 → 验证 → 新理论”的路径。
图示：爱因斯坦 E-J-A 图表的生成式人工智能重构图
实际上，该路径隐藏了最关键的概念——Abductive Jump（溯因跃迁）。这不同于传统的统计推断，而是面对现象时主动提出能解释这些现象的新假设。爱因斯坦完成的正是这样一次跃迁：他未根据已有理论推导，而是提出了此前从未存在的新公理。
只有完成这一步，科学研究才进入熟悉的演绎（Deduction）阶段：通过数学推导扩展理论、导出可验证预测，并最终经由实验验证。
图示：爱因斯坦等效原理的思想实验（AI 生成）
AI 缺失的关键：物理锚定
既然大模型擅长逻辑推演，为何无法完成“溯因跃迁”？这可借用“中文房间”思想实验解释：操作者虽能按规则输出正确中文，却未真正理解文字含义。同理，大模型虽能熟练运用物理语言、推导公式甚至讨论广义相对论，但始终停留在符号层面，理解的仅是符号间的统计关系，而非其对应的物理世界。
缺乏物理锚定是模型无法完成科学发明的根本原因。对大模型而言，“重力”、“加速度”、“自由落体”仅是训练语料中的词汇，虽能形成复杂语言联系，却无对应的真实物理经验。因此，大模型擅长演绎推理，却难以从经验中建立新公理体系，无法实现 Abductive Jump。
世界模型与物理先验
目前多数视频生成模型虽表现出一定的“直觉物理”，但这源于训练数据而非真正理解。更具价值的是能进行交互式模拟（Interactive Simulation）的世界模型。以 Google DeepMind 提出的Genie为例，其核心突破在于引入可操控的动作空间（Action-controllability）。
图示：世界模型的仿真（AI 生成）
若要让 AI 重演爱因斯坦的电梯思想实验，仅生成下落视频远远不够。关键在于让 AI 主动改变实验条件，如“剪断钢缆”、“改变加速度”或“修改引力方向”，并比较不同假设下的物理后果。
物理先验：缩小搜索空间的直觉
论文同时指出，即便拥有世界模型，AI 也未必能自动产出科学发明。爱因斯坦的成功不仅依赖模拟能力，更拥有一种能主动缩小搜索空间的Physical Prior（物理先验）。这是一种关于世界如何运行的强烈直觉，而非单纯的数学公式。
未来，若世界模型能提供稳定、可交互的物理环境，赋予 AI 持续进行反事实实验的能力，并结合约束搜索方向的世界先验，连接经验、直觉与逻辑的那一步或许才能真正实现自动化。
真正的创造从来不是已有知识的简单重组，而是在经验世界中建立新公理，再由数学和实验不断验证。当 AI 试图从科学助手迈向科学家时，解决“如何产生第一性假设”这一问题将具有核心价值。