更新时间：作者：小小条
在人工智能公司竞相承诺即将实现科学突破自动化的当下，计算机视觉先驱李飞飞提出了一个尖锐的问题：即使给AI提供所有恒星运动的观测数据，它能推导出牛顿运动定律吗？她的答案是否定的。这一论断直指当前AI能力与真正科学创造力之间的鸿沟，挑战了硅谷对人工智能潜力的乐观叙事。
作为斯坦福大学以人为本人工智能研究所联合主任、ImageNet数据集的创建者，李飞飞在深度学*革命中扮演了关键角色。正是她在2009年发布的包含1400万张标注图像的ImageNet数据集，为卷积神经网络的突破铺平了道路，开启了计算机视觉的新纪元。如今，这位亲手推动AI进入实用阶段的科学家，却对AI在根本性科学发现方面的能力表达了深刻的怀疑。
李飞飞首先承认AI已在某些维度超越人类："如今人工智能的某些方面已经超越了任何人类。例如，AI能够说多种语言，能够在几十种语言之间进行翻译——几乎没有人能做到这一点——或者AI能够快速计算，能够掌握从化学到生物学再到体育等海量知识。因此，在很多方面，它已经超越了人类。"
但她紧接着指出了关键的局限："AI能否成为牛顿？能否成为爱因斯坦？能否成为毕加索？这仍然是个问题。说实话，我也不知道。"这种审慎的态度与科技行业的主流论调形成鲜明对比。
OpenAI的激进时间表与现实的距离
李飞飞的观点发表之际，正值AI行业对自动化科学研究做出越来越大胆的预测。OpenAI在10月底公开的内部路线图显示，该公司计划在2026年9月实现"实*级AI研究助理"，到2028年3月打造出"完全自动化的AI研究员"，能够自主完成大型研究项目。首席执行官萨姆·奥特曼特别强调，2028年将是"科学完全被AI自动化的节点"，届时AI将实现中等规模的科学突破。
这些承诺建立在对AI能力的根本性假设之上：随着模型规模扩大和计算能力提升，系统将自然涌现出类似人类的创造性推理能力。然而，李飞飞的牛顿定律思想实验揭示了这一假设的脆弱性。她指出："我们拥有今天观测到的所有恒星运动的天体数据。把这些数据交给任何AI算法，它都无法推导出牛顿运动定律。人类拥有的这种能力——是创造力和抽象思维的结合。我认为今天的AI，或者未来的AI，都还无法做到这一点。"
这个例子触及了当前AI系统的核心限制。牛顿在17世纪提出万有引力定律时，并非通过分析海量天文数据得出结论，而是进行了概念上的创造性飞跃——将地面物体的下落与天体运动统一在同一个理论框架下。这需要的不仅是模式识别，更需要建立全新的抽象概念体系，重新定义问题本身。
当代AI系统，无论是大型语言模型还是深度神经网络，本质上都是在海量数据中寻找统计规律并进行插值。它们能够识别数据中的相关性，但难以跨越到因果性的层次，更无法像人类科学家那样提出颠覆性的新概念框架。正如李飞飞所说，AI可以处理化学、生物学等领域的大量知识，但"看到苹果落地并想象万有引力"这种创造性抽象，仍然是人类独有的领域。
AlphaFold的成功与局限
不可否认，AI在某些科学领域已经取得了令人瞩目的成就。谷歌DeepMind开发的AlphaFold系统能够预测蛋白质的三维结构，这项成果被《科学》杂志评为2021年度十大科学突破之一，其开发者也因此获得2024年诺贝尔化学奖的一半奖项。AlphaFold已经预测了超过2亿种蛋白质的结构，是此前实验方法确定结构数量的两倍多。最新的AlphaFold 3不仅能预测蛋白质结构，还能模拟蛋白质与DNA、RNA和小分子药物的相互作用。
然而，AlphaFold的成功恰恰证明了李飞飞论点的正确性。蛋白质折叠问题虽然计算复杂度极高，但其基本物理原理是已知的——氨基酸序列决定蛋白质的三维结构，这一关系遵循热力学定律。AlphaFold所做的是在已有理论框架内，通过学*大量已知蛋白质结构的模式，来预测新蛋白质的折叠方式。这是一项了不起的工程成就，但并非理论上的根本性突破。
与牛顿定律的提出相比，差异是显而易见的。牛顿不是在已知引力理论的框架内改进计算方法，而是创造了引力这个概念本身，建立了一套全新的描述自然界的数学语言。这种从无到有的概念创造，与AlphaFold在既定框架内的优化完全不在同一层次。
类似的局限也出现在DeepMind的材料科学AI系统中。该系统能够预测数百万种新材料的性质，加速材料发现过程，但它依赖的仍是现有的材料科学理论和计算方法。它能告诉我们某种新合金的性质如何，但无法像量子力学创始人那样，重新定义我们理解物质本质的方式。
模式识别与概念创造的鸿沟
当前AI技术的根本限制在于其方法论本质。深度学*系统通过在大规模数据集上训练，学*输入和输出之间的映射关系。这种方法在数据充足、问题边界明确的领域非常有效，但科学史上最伟大的突破往往发生在数据匮乏、问题本身尚未明确定义的情况下。
爱因斯坦提出相对论时，并没有海量的高速运动物体或强引力场的实验数据可供分析。他的洞见来自对麦克斯韦方程组和牛顿力学之间矛盾的深刻思考，以及关于时间和空间本质的哲学反思。达尔文提出进化论时，生物学界连基因的概念都还不存在。这些理论的诞生依赖的是概念上的大胆想象和逻辑上的严密推演，而非数据驱动的归纳。
更深层的问题在于，AI系统缺乏对世界的因果理解。它们可以告诉你在特定条件下会发生什么，但无法解释为什么会发生。图灵奖得主朱迪亚·珀尔长期批评深度学*忽视因果推理，他认为真正的智能需要构建世界的因果模型，而不仅仅是识别统计相关性。牛顿定律之所以伟大，不仅在于它能精确预测天体运动，更在于它揭示了运动背后的因果机制——力导致加速度。
李飞飞指出的"创造力和抽象思维的结合"，正是指向这种因果理解和概念创新的能力。人类科学家能够从少量观察中提炼出普遍原理，能够质疑现有理论的基本假设，能够想象出前所未有的可能性。这些能力是否能够通过更大规模的神经网络和更多的训练数据自然涌现出来，目前仍然是一个开放的问题。
以人为本的AI研究方向
李飞飞领导的斯坦福以人为本人工智能研究所，其名称本身就体现了她对AI发展方向的思考。与追求通用人工智能或超级智能的路径不同，这个研究所关注的是如何让AI更好地服务于人类需求，如何确保AI技术的发展符合人类价值观。
在科学研究的语境下，这意味着将AI定位为科学家的强大工具，而非科学家的替代者。AI可以处理海量数据，识别人类可能忽略的模式，加速假设的验证过程。AlphaFold在蛋白质结构预测上的成功，极大地提升了结构生物学的研究效率，使得科学家能够将更多精力投入到机制研究和药物设计上。但在提出新理论、定义新问题、进行概念创新这些科学研究的核心环节，人类的创造力仍然不可或缺。
这种观点并非贬低AI的价值，而是更准确地理解其能力边界。如同显微镜扩展了人类的视觉能力，但并未取代观察者的思考，AI工具可以极大地增强科学家的能力,但无法替代科学家的洞察力。认清这一点，或许比盲目乐观更有利于AI在科学领域的健康发展。
OpenAI承诺的2028年"完全自动化AI研究员"能否兑现，时间会给出答案。但李飞飞的警告值得整个行业深思：在追求更强大AI系统的过程中，我们不应混淆规模化的模式识别与真正的科学创造力。前者可以通过技术进步不断提升，后者则涉及智能和创造力的本质，可能需要我们对AI采取根本性不同的研究路径。
当AI能够真正推导出牛顿运动定律时，我们或许才能说它具备了与人类科学家相当的创造力。在那之前，AI最好的角色或许是站在牛顿肩膀上的工具，而不是试图成为牛顿本人。
版权声明：本文转载于今日头条，版权归作者所有，如果侵权，请联系本站编辑删除