AI自主「發現」牛頓第二定律？北大概念驅動型發現系統AI-Newton

編輯丨coisini

今天談人工智能（AI）做科研已不再是新鮮事，但如果說 AI 自主「發現」了牛頓第二定律呢？

我們知道，AI 模型擅長識別數據模式并進行預測，但利用數據推導廣義科學概念對 AI 來說仍然是一項挑戰。

最近，《Nature》報道了一個由北京大學研究團隊開發的概念驅動型發現系統 ——AI-Newton，該系統能夠從原始數據中自主推導物理定律，無需人工監督或先驗物理知識。

研究論文：https://arxiv.org/pdf/2504.01538

AI-Newton 集成了以物理概念為核心的知識庫與知識表征，并配備自主發現工作流。

作為概念驗證，研究團隊將 AI-Newton 應用于大量牛頓力學問題。在給定含噪聲實驗數據的情況下，該系統通過自主定義的概念，成功重新發現了牛頓第二定律、能量守恒定律和萬有引力定律等基礎物理定律。這標志著 AI 向自主科學發現邁出了重要一步。

AI-Newton

神經網絡可以高效學習高維空間中的模式，但由于其黑箱特性往往可解釋性有限，加之數據驅動方法外推能力薄弱，導致其在推導物理定律時，可靠性備受質疑。

從機器學習的角度看，符號模型具有模型緊湊、具備顯式可解釋性、泛化性優異等優勢。符號回歸方法能同時探索數學表達式結構與參數以實現數據擬合，在重新發現支配方程（governing equation）和守恒量方面展現出獨特優勢。基于大型語言模型（LLM）的符號回歸方法能利用其廣博的跨學科知識生成合理的候選表達式，從而高效引導搜索方向。

知識庫

AI-Newton 通過逐步構建概念與定律的知識庫，模擬了人類的科學發現過程。

知識庫是 AI-Newton 的核心組件，負責存儲和管理結構化知識。如下圖所示，知識庫由實驗庫與理論庫構成。AI-Newton 采用具有嚴格定義語法與語義的物理領域特定語言（DSL）進行知識表征。

實驗庫存儲物理實驗及對應的數據模擬生成器。每個實驗的輸入僅包含涉及的物理對象、幾何信息、實驗參數和時空坐標。需要強調的是，所有其他概念（如質量或能量）均無需先驗物理知識，AI-Newton 可以自主發現。每個實驗的輸出為帶有統計誤差的模擬數據。

理論庫存儲自主發現的知識，采用以概念為核心的三層架構（符號、概念與定律）。人類物理學家在構建描述復雜物理現象的簡潔普適定律時，概念同樣具有關鍵作用。AI-Newton 將概念和定律顯式表征為 DSL 表達式。這不僅增強了可解釋性，還有助于將發現的知識應用于各類問題。

自主發現工作流

AI-Newton 將合情推理（plausible reasoning）與符號方法相結合，構建出自主發現工作流。該工作流能持續從實驗數據中提煉知識，并將其表述為物理概念與定律。

需要說明的是，合情推理是一種基于局部證據進行理性推斷的方法。與演繹邏輯不同，它產生的是語境合理的結論而非普遍必然的定論，這映射了科學實踐中先提出假設再嚴格驗證的研究范式。

工作流每次啟動試驗時，會從知識庫中選擇一項實驗和若干概念。這一過程通過推薦引擎實現，該引擎融合了受 UCB 算法啟發的價值函數，并在科學發現過程中采用動態神經網絡適配。

為避免工作流在積累足夠知識前陷入復雜實驗，研究團隊提出了 era-control 策略：限定每次試驗在特定 era 的掛鐘時間內完成。若經過充分嘗試后仍未獲得新知識，推薦引擎將增加分配時間并進入新 era。這種推薦機制模擬了人類在利用與探索之間進行平衡的決策傾向。

實驗測試

作為概念驗證，研究團隊將 AI-Newton 應用于牛頓力學問題，重點關注 46 項預定義實驗，涉及三類主要物理對象：小球（包括普通小球與天體）、彈簧與斜面。實驗設計涵蓋孤立系統與耦合系統，具體包括：

1. 單個小球與彈簧的自由運動

2. 小球的彈性碰撞

3. 呈現平動振動（translational vibrations）、轉動振蕩（rotational oscillations）與類擺運動（pendulumlike motions）的耦合系統

4. 重力相關問題（如拋體運動與斜面運動）及復雜彈簧 - 小球系統

5. 涉及引力相互作用的天體力學問題

通過改變物理對象的數量和空間維度，研究團隊系統性地增加了實驗的復雜度。為模擬真實實驗條件，模擬器還引入了統計誤差以模擬現實世界的數據特征。

在最大試驗次數設定為 1200 次的條件下，AI-Newton 展現出穩健的知識發現能力，在各測試案例中平均識別出約 90 個物理概念與 50 條普適定律。如下圖所示，這些發現包括能量守恒定律、牛頓第二定律等重要普適定律及其相關概念，為從簡單系統到高自由度復雜構型的全部實驗提供了完整解釋。

研究團隊向 AI-Newton 提供小球在特定時刻的位置數據，要求其建立描述時間與位置變量關系的數學方程。實驗結果表明：AI-Newton 不僅成功推導出速度方程，還將這一知識儲備用于后續任務，借助牛頓第二定律準確計算出小球質量。

總的來說，AI-Newton 不僅突破了先前研究中的部分局限，更展現出顯著的擴展潛力。例如，引入更強大的數學工具將顯著增強 AI-Newton 的推導與證偽能力；其核心框架本身具備與自然語言融合的兼容性，可提供更多元的知識表征與更靈活的合情推理。AI-Newton 還有望在助推前沿科學發現的同時，為邁向通用人工智能開辟可行路徑。

參考內容：

https://www.nature.com/articles/d41586-025-03659-4