在人工智能與科學研究深度融合的當下，一項來自北京大學物理學院的研究引發(fā)全球關(guān)注。該團隊開發(fā)的“AI-牛頓”系統(tǒng)，成功實現(xiàn)了人工智能自主發(fā)現(xiàn)經(jīng)典力學核心定律的突破，為智能驅(qū)動的科學探索開辟了全新路徑。這一成果被國際頂級學術(shù)期刊《自然》以專題形式報道，標志著AI在基礎(chǔ)科學領(lǐng)域的探索邁出關(guān)鍵一步。

傳統(tǒng)人工智能模型雖能高效處理數(shù)據(jù)并做出預測，卻難以從海量信息中提煉出具有普適性的科學原理。例如，現(xiàn)有模型可精準模擬行星運動軌跡，卻無法自主歸納出萬有引力定律。針對這一難題，馬滟青教授團隊構(gòu)建的“AI-牛頓”系統(tǒng)，通過模擬人類科學家的認知模式，在涉及小球、彈簧等物體的46組物理實驗中，從含噪聲的模擬數(shù)據(jù)中自主識別出力、質(zhì)量、加速度等核心概念，并最終推導出牛頓第二定律（F=ma）。整個過程無需人工干預或預設(shè)物理知識，完全依靠系統(tǒng)自身的數(shù)據(jù)解析與邏輯推演。

該系統(tǒng)的創(chuàng)新之處在于其獨特的“雙庫架構(gòu)”與推理機制。實驗庫內(nèi)置物理實驗的數(shù)字化模擬生成器，可持續(xù)產(chǎn)生多樣化實驗數(shù)據(jù)；理論庫則采用“符號-概念-定律”三層知識存儲結(jié)構(gòu)，支持系統(tǒng)逐步構(gòu)建科學理論體系。在運行過程中，“AI-牛頓”遵循“假設(shè)-驗證”的認知循環(huán)，通過符號回歸模型提取數(shù)據(jù)中的潛在規(guī)律，再利用合情推理策略驗證假設(shè)的合理性，最終形成可解釋的數(shù)學表達式。這種設(shè)計既保留了公式推導的透明性，又顯著提升了數(shù)據(jù)處理效率。

哈佛大學計算機專家Keyon Vafa評價稱，該系統(tǒng)的編程邏輯鼓勵對核心概念的深度挖掘，為科學發(fā)現(xiàn)提供了極具潛力的方法論。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，“AI-牛頓”突破了算法黑箱的限制，其推導過程可完整回溯，每個結(jié)論均能通過數(shù)學邏輯自洽性檢驗。例如，在驗證F=ma的過程中，系統(tǒng)不僅識別出變量間的定量關(guān)系，還自主定義了“力”的矢量性質(zhì)，展現(xiàn)出超越簡單模式識別的認知能力。

這項研究的意義遠不止于重現(xiàn)經(jīng)典定律。研究團隊指出，該系統(tǒng)所體現(xiàn)的迭代式學習模式，既延續(xù)了人類理論建構(gòu)的創(chuàng)造性，又克服了人工推導周期長的局限。在量子物理等復雜領(lǐng)域，傳統(tǒng)研究往往需要耗費數(shù)十年驗證假設(shè)，而“AI-牛頓”的快速數(shù)據(jù)處理能力可大幅縮短這一過程。目前，團隊已啟動將其應用于量子理論規(guī)律探索的計劃，試圖在更高維度的物理體系中檢驗系統(tǒng)的泛化能力。

從工具屬性到認知延伸，人工智能正在重塑科學研究的范式。當AI不再局限于輔助計算或模擬，而是開始主動參與理論構(gòu)建，科學家得以從重復性試驗中解放，將精力投向更具突破性的思考。這項研究獲得的國家自然科學基金支持，也反映出學界對智能科學探索路徑的高度重視。隨著系統(tǒng)架構(gòu)的持續(xù)優(yōu)化，未來或可出現(xiàn)更多“AI學者”，在材料科學、天體物理等領(lǐng)域推動人類認知邊界的拓展。