为颠覆性科学设计 AI：如何做出「范式转移」的发现？
一句话看懂：一篇深度分析指出，当前 AI 擅长在既有框架内做预测，但无法催生“范式转移”级别的科学突破。研究者呼吁有意识地构建能发现全新概念框架的 AI，而非仅仅做预测性更强的机器，否则 AI 只会加速“超常规科学”的风险——在已知领域越做越强，但提出新问题的能力在同步减弱。
事件核心：发生了什么
文章基于对科学史上多次范式转移（如麦克斯韦统一电磁定律、爱因斯坦的狭义相对论、达尔文自然选择学说）的分析，指出当前 AI 系统的设计存在根本性局限：绝大多数模型通过最小化预定义数据集的预测误差来训练，这使其被锁定在既有数据的“概念框架”内。例如，谷歌 DeepMind 的 GNoME 只能对已知晶体结构做元素替换，大模型生成的新型蛋白质也仅仅是填补“旧地图”的空白，而非绘制“新地图”。对 4100 万篇研究论文的分析显示，AI 辅助研究的主题覆盖面比传统研究减少约 5%，AI 倾向聚集在数据丰富的成熟领域，收敛于现有解决方案。文章还对比了国际象棋 AI AlphaZero：它从基本规则出发自我对弈，能生成独创性策略，但科学的“获胜范式”本身极其简单，却缺乏方法提前筛选出好范式。
为什么重要
这篇文章的核心价值在于指出了一种结构性风险：如果 AI 系统只是规模更大、数据更稠密的“地图”，科学进步可能会陷入“超常规科学”陷阱——在现有模型内预测能力越来越强，但提出全新类别问题的能力同步减弱。这直接影响 AI 行业的技术路线选择：继续扩大模型规模、增加训练数据，并不等同于催生颠覆性发现。相反，研究者需要从设计层面引入“简单性”“跨领域类比”等目标（如基于最小描述长度原理的 AI Feynman，可在 100 个已知方程测试中重新发现全部方程），甚至模拟研究环境。文章特别提到，历史上高产颠覆性发现的贝尔实验室，其核心制度保障是小团队能追求“传统标准下无前景”的想法，这与 AlphaZero 的自我对弈逻辑异曲同工。这意味着，如果 AI 行业不主动设计支持颠覆性研究的条件，资本和技术只会加速收敛于现有框架，而不是改变它。
对用户/开发者/创作者的影响
对 AI 研究者与开发者：需要重新思考“评估创新”的标准——端到端 AI 科学家目前以与现有范式的一致性来评估新想法，但真正颠覆性的研究会得分很低。建议在训练目标中加入“简单性”“跨域类比”等原则，而非仅仅最小化预测误差。例如，符号回归系统 AI Feynman 提供了基于最小描述长度原理的思路。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对政策制定者与资金方：要意识到大规模投入算力和数据并不必然带来范式转移。文章引用的数据显示，AI 辅助研究实际缩小了探索覆盖范围，这可能加剧科研“内卷”。建议资助方向需关注元科学研究，例如用 AI 智能体模拟不同科研环境（团队结构、层级制度）对发现的影响。
对创作者与普通用户：可借这一视角审视当前大模型在科学发现中的实际作用。目前 AI 擅长在已知领域做“填空”，但无法像爱因斯坦从专利局职员身份出发那样，跳出框架提出全新假设。这意味着在需要真正原创性突破的场景（如新药靶点发现、全新物理原理假设）中，AI 的输出需要谨慎对待，它可能更像“知识检索器”而非“概念发明者”。
值得关注的后续
1. 基于最小描述长度原理的符号回归系统（如 AI Feynman）能否从实验室干净数据扩展到真实噪声数据，是检验其能否落地的关键。
2. 以“多模态 AI 自主实验室”为代表的系统是否能将推理植根于物理经验，从而真正突破纯数据驱动的概念框架，值得跟踪。
3. 如果产业界或学术机构开始设立专门支持“颠覆性科学 AI”的研究计划（而非仅仅提升模型规模），将表明行业对“超常规科学”风险的共识正在形成。
来源：Readhub · AI
