AI自主「发现」牛顿第二定律？北大概念驱动型发现系统AI-Newton

编辑丨coisini

今天谈人工智能（AI）做科研已不再是新鲜事，但如果说 AI 自主「发现」了牛顿第二定律呢？

我们知道，AI 模型擅长识别数据模式并进行预测，但利用数据推导广义科学概念对 AI 来说仍然是一项挑战。

最近，《Nature》报道了一个由北京大学研究团队开发的概念驱动型发现系统 ——AI-Newton，该系统能够从原始数据中自主推导物理定律，无需人工监督或先验物理知识。

研究论文：https://arxiv.org/pdf/2504.01538

AI-Newton 集成了以物理概念为核心的知识库与知识表征，并配备自主发现工作流。

作为概念验证，研究团队将 AI-Newton 应用于大量牛顿力学问题。在给定含噪声实验数据的情况下，该系统通过自主定义的概念，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基础物理定律。这标志着 AI 向自主科学发现迈出了重要一步。

AI-Newton

神经网络可以高效学习高维空间中的模式，但由于其黑箱特性往往可解释性有限，加之数据驱动方法外推能力薄弱，导致其在推导物理定律时，可靠性备受质疑。

从机器学习的角度看，符号模型具有模型紧凑、具备显式可解释性、泛化性优异等优势。符号回归方法能同时探索数学表达式结构与参数以实现数据拟合，在重新发现支配方程（governing equation）和守恒量方面展现出独特优势。基于大型语言模型（LLM）的符号回归方法能利用其广博的跨学科知识生成合理的候选表达式，从而高效引导搜索方向。

知识库

AI-Newton 通过逐步构建概念与定律的知识库，模拟了人类的科学发现过程。

知识库是 AI-Newton 的核心组件，负责存储和管理结构化知识。如下图所示，知识库由实验库与理论库构成。AI-Newton 采用具有严格定义语法与语义的物理领域特定语言（DSL）进行知识表征。

实验库存储物理实验及对应的数据模拟生成器。每个实验的输入仅包含涉及的物理对象、几何信息、实验参数和时空坐标。需要强调的是，所有其他概念（如质量或能量）均无需先验物理知识，AI-Newton 可以自主发现。每个实验的输出为带有统计误差的模拟数据。

理论库存储自主发现的知识，采用以概念为核心的三层架构（符号、概念与定律）。人类物理学家在构建描述复杂物理现象的简洁普适定律时，概念同样具有关键作用。AI-Newton 将概念和定律显式表征为 DSL 表达式。这不仅增强了可解释性，还有助于将发现的知识应用于各类问题。

自主发现工作流

AI-Newton 将合情推理（plausible reasoning）与符号方法相结合，构建出自主发现工作流。该工作流能持续从实验数据中提炼知识，并将其表述为物理概念与定律。

需要说明的是，合情推理是一种基于局部证据进行理性推断的方法。与演绎逻辑不同，它产生的是语境合理的结论而非普遍必然的定论，这映射了科学实践中先提出假设再严格验证的研究范式。

工作流每次启动试验时，会从知识库中选择一项实验和若干概念。这一过程通过推荐引擎实现，该引擎融合了受 UCB 算法启发的价值函数，并在科学发现过程中采用动态神经网络适配。

为避免工作流在积累足够知识前陷入复杂实验，研究团队提出了 era-control 策略：限定每次试验在特定 era 的挂钟时间内完成。若经过充分尝试后仍未获得新知识，推荐引擎将增加分配时间并进入新 era。这种推荐机制模拟了人类在利用与探索之间进行平衡的决策倾向。

实验测试

作为概念验证，研究团队将 AI-Newton 应用于牛顿力学问题，重点关注 46 项预定义实验，涉及三类主要物理对象：小球（包括普通小球与天体）、弹簧与斜面。实验设计涵盖孤立系统与耦合系统，具体包括：

1. 单个小球与弹簧的自由运动

2. 小球的弹性碰撞

3. 呈现平动振动（translational vibrations）、转动振荡（rotational oscillations）与类摆运动（pendulumlike motions）的耦合系统

4. 重力相关问题（如抛体运动与斜面运动）及复杂弹簧 - 小球系统

5. 涉及引力相互作用的天体力学问题

通过改变物理对象的数量和空间维度，研究团队系统性地增加了实验的复杂度。为模拟真实实验条件，模拟器还引入了统计误差以模拟现实世界的数据特征。

在最大试验次数设定为 1200 次的条件下，AI-Newton 展现出稳健的知识发现能力，在各测试案例中平均识别出约 90 个物理概念与 50 条普适定律。如下图所示，这些发现包括能量守恒定律、牛顿第二定律等重要普适定律及其相关概念，为从简单系统到高自由度复杂构型的全部实验提供了完整解释。

研究团队向 AI-Newton 提供小球在特定时刻的位置数据，要求其建立描述时间与位置变量关系的数学方程。实验结果表明：AI-Newton 不仅成功推导出速度方程，还将这一知识储备用于后续任务，借助牛顿第二定律准确计算出小球质量。

总的来说，AI-Newton 不仅突破了先前研究中的部分局限，更展现出显著的扩展潜力。例如，引入更强大的数学工具将显著增强 AI-Newton 的推导与证伪能力；其核心框架本身具备与自然语言融合的兼容性，可提供更多元的知识表征与更灵活的合情推理。AI-Newton 还有望在助推前沿科学发现的同时，为迈向通用人工智能开辟可行路径。

参考内容：

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