我国学者推出“AI-牛顿”，根据实验数据自主发现牛顿第二定律、万有引力定律等基本定律

撰文丨王聪

编辑丨王多鱼

排版丨水成文

在科学探索的历史长河中，人类科学家通过观察、假设和验证的方式发现了无数自然定律。然而，面对日益复杂的科学问题，传统研究模式的局限性逐渐显现。

近日，北京大学马滟青团队在预印本平台arXiv上发表了题为：AI-Newton: A Concept-Driven Physical Law Discovery System without Prior Physical Knowledge 的研究论文。

该研究开发了一个名为AI-牛顿（AI-Newton）的创新系统，它能够完全自主地从原始实验数据中推导出物理定律（例如牛顿第二定律、万有引力定律、能量守恒定律等），而无需监督或任何先验物理知识。这一成就标志着向 AI 驱动的自主科学发现迈出了重要一步。

突破传统：AI 驱动的科学发现新范式

当前的科学发现面临着两大挑战：一方面是人类主导的研究周期长、容易受预设观念影响；另一方面是现有 AI 方法存在明显缺陷——神经网络如同黑箱难以解释，而符号回归方法在处理复杂系统时面临组合爆炸问题。

AI-Newton系统的设计灵感来源于人类科学家的思考方式，但摒弃了对人类知识的依赖。该系统仅从最基本的时空坐标观测数据出发，通过自主定义物理概念和建立数学关系，重新发现了牛顿力学中的核心定律。

核心架构：概念驱动的知识发现引擎

AI-Newton 的核心是其三层知识库架构（符号、概念和定律），这一设计模仿了人类物理学家组织知识的方式。系统首先从简单的概念（例如位置、时间）开始，逐步构建更复杂的概念（例如速度、加速度），最终形成完整的物理定律。

1

AI-Newton 的知识库和自主发现工作流

特别值得关注的是，AI-Newton 能够自主定义物理概念。例如，它通过分析弹簧悬挂小球的实验，将弹簧的伸长量定义为“质量”的度量。更令人惊讶的是，系统还能从不同实验中识别出“引力质量”和“惯性质量”的等价性，展现了其概念抽象能力。

工作原理：合理推理与符号回归的完美结合

AI-Newton 的工作流程融合了合理推理与符号回归技术。系统通过推荐引擎选择要分析的实验和概念，这一过程模仿了人类在探索与利用之间的平衡策略。

当系统发现某个通用定律在新场景中不成立时，它会通过合理推理尝试添加新项来修正定律。例如，其从动能守恒出发，通过引入弹性势能项，最终发现完整的机械能守恒定律。

实验验证：重新发现牛顿力学定律

研究团队在 46 个牛顿力学实验上测试了 AI-Newton，涵盖了从简单自由落体到复杂多体系统的各种场景。所有测试数据都通过求解微分方程并添加高斯分布误差来模拟真实实验条件。

测试实验及结果

令人印象深刻的是，AI-Newton 成功重新发现了牛顿第二定律、能量守恒定律和万有引力定律等核心物理规律。系统平均能发现约 90 个物理概念和 50 个通用定律，为所有测试实验提供了完整的物理解释。

两大特征：渐进性与多样性并存

通过多轮测试分析，研究团队发现了 AI-Newton 的两个核心特征：

渐进性进步：系统模仿人类科学家的研究模式，从简单概念开始，逐步构建复杂知识体系。这种渐进过程反映了系统的逻辑一致性。

发现多样性：在不同测试案例中，AI-Newton 发现重要概念和定律的顺序和时间存在显著差异。这种多样性确保了重要定律的发现不依赖于特定实验配置。

概念发现时间的统计分析

未来展望：通往通用人工智能的新路径

AI-Newton 的框架展现出强大的扩展潜力。研究团队指出，通过引入更强大的数学工具（例如矢量形式体系、逻辑推理）和自然语言集成，系统可以处理更复杂的物理概念，甚至表达诸如惯性和量子力学原理等难以纯数学表达的概念。

这项研究不仅推动了 AI 驱动的科学发现，还为实现通用人工智能（Artificial General Intelligence，AGI）提供了新思路。当 AI 开始自主发现科学定律，它们有望在尖端科学发现中发挥重要作用，最终成为人类科学家的强大合作伙伴，共同探索未知的自然规律，这也意味着我们迎来了科学研究范式转变的关键节点。

论文链接：

https://arxiv.org/abs/2504.01538