“物理科学的基本事实已经全部发现了。”1903年，诺贝尔奖得主阿尔伯特·迈克耳孙留下这句著名预言。上世纪80年代，史蒂芬·霍金也大胆猜测，理论物理学可能在本世纪末落幕。历史没有让他们的预言成真。今天，人工智能的浪潮再次让“科学终结论”浮出水面，但这一次，终结者不再是某个物理学家，而是一行行代码。
从AlphaFold破解蛋白质折叠，到AI辅助设计新药、新材料，机器学习确实在重塑科学研究的方式。但一个根本问题依然悬而未决：AI是在“发现科学”，还是仅仅在“拟合数据”？谷歌前CEO埃里克·施密特（Eric Schmidt）与苏哈斯·马赫什（Suhas Mahesh）在《麻省理工科技评论》发文给出了一个清晰答案——AI for science needs reasoning, not just data。科学需要推理，数据远远不够。
数据洪流，不等于科学发现
迈克耳孙的乐观来自经典物理的辉煌，而今天某些人的乐观则来自海量数据和算力。但科学不是数据的堆砌。真正的科学发现，是从可观测现象中提炼出简洁而普适的规律，再通过严谨的逻辑和实验去证伪或证实。AI天生擅长在数据中找到模式，却常常无法回答“为什么”。一个深度学习模型可以预测分子能否结合，却只能给出一个“黑箱”答案；它可以识别出疾病与基因的关联，却无法解释因果链条。
“科学不是事实清单，而是关于世界如何运转的推理体系。”——Eric Schmidt & Suhas Mahesh
缺失的推理能力
施密特与马赫什指出，当前AI的范式是统计学习：从成千上万的样本中学习概率分布。这种模式在图像识别、自然语言处理中取得了巨大成功，但科学发现所需要的远不止于此。科学推理包括提出假设、设计实验、构造理论，甚至包括对“美学”的直觉判断。传统AI对此无能为力。为此，他们提出了一种“科学基础模型”的构想：将物理定律、化学规则等科学知识内嵌到AI架构中，让机器在数据驱动的直觉之外，拥有逻辑演绎的“第二引擎”。
这种思路并非空想。近年来，神经符号AI（Neural-Symbolic AI）已经试图融合深度学习的感知能力与符号推理的逻辑能力。例如，在数学问题的自动证明中，AI可以结合大模型的直觉搜索与符号验证器，已经能解决部分IMO竞赛题。类似的方法也可能应用于科学发现：让AI提出大胆假说，然后用逻辑和实验去筛选。施密特认为，这样的AI才配得上“科学家”的称号。
人机协作的科学未来
当然，我们距离“AI科学家”还有很长的路。科学的推理是开放的、偶然的，甚至包含非理性因素。爱因斯坦曾说他用思维实验“看见”了光线上的列车，而不仅仅是计算。这是目前AI难以企及的。因此，作者建议不要追求取代人类，而是建立深度协作模式：AI作为“假设机器”，人类作为“裁判”与“探索者”。两者形成不断循环的闭环，从而加速科学发现。
这个愿景令人兴奋，但也要警惕过度炒作。数据是燃料，但引擎才是关键。我们应将更多资源投入到AI的推理能力、可解释性和因果建模上，而不是一味堆叠算力。
编者按：这篇评论击中了当前AI科学应用的要害。大模型已经证明了“规模”的魔力，但科学需要“奥卡姆剃刀”，需要从数据中提炼简洁理论。施密特的“推理+”思路，或许会引领下一波AI科学的突破。挑战在于，如何教会机器像科学家一样思考？这不仅是技术问题，更是对“什么是科学”的哲学追问。
科学终结了吗？
也许有一天，AI能自己发现新的物理定律。但即使如此，科学也并未终结——因为人类对未知的好奇永远无法被穷尽。施密特和马赫什在文末写道：“科学之所以伟大，正因为它永远不会说‘已经完成’。”AI时代真正的变革，不是AI取代科学，而是让科学从数据时代进入推理时代。
本文编译自MIT Technology Review
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接