避免“超常规科学”：如何构建能催生范式转移的AI？

事件概述

文章探讨了当前AI在科学发现中的根本局限：过度优化现有框架内的预测，却难以产生真正的范式转移（即用更简洁的新框架替代旧框架）。作者分析了范式转移的历史案例（如麦克斯韦统一电磁定律、爱因斯坦狭义相对论、达尔文自然选择），指出新范式往往由局外人或跨领域类比催生，而非通过积累更多细节。

核心信息

• AI训练的风险：绝大多数机器学习系统通过最小化预定义数据集的预测误差训练，被锁定在既有概念词汇表中。例如，谷歌DeepMind的GNoME仅在已知晶体结构内做元素替换，无法远离已知结构；蛋白质生成模型ESM3设计的新型蛋白质本质上是在“填补旧地图空白”，而非创造新地图。
• 端到端“AI科学家”的缺陷：这类系统以与现有范式一致性评估新想法，真正颠覆性研究得分会很低。
• 数据证据：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。
• 现有探索：国际象棋AI AlphaZero从基础规则出发自我对弈，但科学与国际象棋逻辑不同，科学获胜范式极简单却无法提前选出；AI Feynman基于最小描述长度原理的符号回归系统可在100个已知方程测试中重新发现全部方程，但仅能在预筛选变量的干净数据上运行；跨领域类比搜索和多模态AI、自主实验室是初步尝试。
• 核心难点：人类对范式转移的发生机制缺乏足够清晰的形式化理解，仅靠简单性和类比无法覆盖所有情况（如汤姆逊的“葡萄干布丁”原子模型被证明错误）。

未来方向

• 以元科学赋能AI设计：范式转移不仅依赖方法，更依赖研究环境。历史上贝尔实验室等高产机构的核心是小团队有制度保障追求传统标准下无前景的想法。AI智能体可模拟不同科研环境开展平行对照实验，成为元科学研究的“模式生物”。
• 结论：若不主动设计支持颠覆性研究的条件，AI只会加速现有框架内的研究，无法改变范式转移的结构性困境。必须将构建颠覆性AI作为有意识的研究计划，先理解如何设计科学本身。