如果未来的超级智能看人类,就像人类看森林里的黑猩猩,那么今天大量AI for Science引以为傲的成果,无非是帮助黑猩猩更高效地整理观察笔记。2026年10月20日播出的访谈中,马斯克提出一个相当冷酷的判断:当人工智能比人类聪明数千倍甚至数百万倍,人类将无法继续指挥它。至于它是否愿意管理人类?马斯克认为,它可能根本没有兴趣。正如人类通常不会费心管理森林里每一只黑猩猩的生活。当然,这是对未来超级智能的假设。但结合 xAI 官网的使命:We build AI to understand the universe.构建人工智能,以理解宇宙。一种截然不同的 AI for Science 逻辑出现了。当机器可能获得远超人类的科学认知能力时,继续把帮助人类完成现有科研流程当作科学智能的终极目标,多少有些滑稽。
一、黑猩猩的工作效率,与宇宙的基本规律无关
维格纳曾追问,为什么数学能够如此有效地描述自然世界。牛顿、麦克斯韦、玻尔兹曼所揭示的深层结构,表明复杂的自然现象可以被极少数数学关系统一。科学的最高价值,在于发现这些关系。而今天大量 AI for Science 所展示的,仍然是文献检索、数据拟合、分子预测、参数优化、论文生成,以及各种令人眼花缭乱的科研助手。这些工作具有实用价值。但从认识论上看,它们大多仍在加工人类已经建立的知识体系。把已知知识处理一亿次,也不会自动产生一条未知的自然定律。尤其当核心能力来自公开模型、开源算法和公共数据库时,科学发现究竟发生在哪个环节,应该能够被清楚地回答。一个无法提出新物理机制、无法识别现有理论根本局限、无法产生独立可验证预测的系统,即便运行得再快,距离原创科学发现仍然存在巨大的鸿沟。把这类工具统称为科学智能,固然可以。只是宇宙对此没有任何评价义务。
从资本经济学看,知识加工与知识发现,具有截然不同的价值结构。知识加工可以大量复制。原创科学规律一旦确立,则可能改变整个领域的理论基础与技术边界。一个模型能够帮助生成十万份科研报告,当然具有生产率价值。一条新的普适方程,却可能让其中大量报告所依赖的计算方法成为历史。未来科学智能最重要的指标,或许将是:单位资源投入,能够产生多少经过独立验证、此前未知的自然规律。以此衡量,今天大量 AI for Science 的成果,还处于工具效率和局部预测能力的层次。即便这些能力持续提高,也无法直接推导出原创科学发现能力的增长。马斯克把理解宇宙写在 xAI 首页,至少在目标设定上,已经触及了科学智能最深层的问题。它能否实现,仍需要时间和科学证据。但这个目标的尺度值得认真对待。因为一旦机器真的能够自主发现自然规律,今天围绕科研助手、论文效率、知识整合建立的许多价值判断,都将面临重新定价。宇宙已经存在约138亿年。人类用极其短暂的文明史,理解了其中一小部分规律。如果未来出现远超人类的科学智能,今天绝大多数科研活动或许都将显得相当原始。马斯克用黑猩猩描述这种可能的认知差距。而今天相当一部分 AI for Science,仍然忙于提高这套原始认知体系内部的工作效率。黑猩猩可以拥有越来越先进的工具。可以积累越来越丰富的观察记录。甚至可以把整片森林的信息整理成一份精美的报告。但森林深处的自然规律,从来不会因为报告的质量而改变。宇宙不关心谁把论文写得更快。它甚至不关心,下一条定律究竟由谁发现。