AI系统复杂如人脑，新科学诞生破解理解难题

诺贝尔奖得主、谷歌DeepMind首席执行官德米斯·哈萨比斯最近抛出了一个令人深思的判断：理解人工智能系统本身，将发展成为一门独立的科学学科。

这个说法听起来有些绕——研究AI的科学，本身就是一门新科学？但如果深究他的逻辑，就会发现这个预判并非空穴来风，而是有着相当坚实的现实支撑。

哈萨比斯是这样说的："我认为，对人工智能系统本身的理解和分析将会发展成为一门完整的科学，一种工程科学。我们正在构建的这些东西极其复杂，最终，它们的复杂程度将与人类的思维和大脑不相上下。"

这句话的关键词，是"复杂程度与人类大脑不相上下"。

当前最先进的大语言模型，拥有数千亿个参数，以一种连构建者自己都无法完整解释的方式运作。一个输入进去，一个输出出来，中间发生了什么，没有人能真正说清楚。这不是谦虚，这是事实。

MIT《技术评论》在其2026年度十大突破性技术榜单中，将"机制可解释性"列为关键方向之一，理由正是这门学问试图逆向工程神经网络的内部结构，弄清楚模型到底学到了什么，又是如何表征知识的。

哈萨比斯明确点名了这个方向，同时也指出它仅仅是开端，"机制可解释性是其中的一部分，但我认为我们还可以做更多来分析这些系统，这将会是一门科学"。

哈萨比斯的雄心不止于此。他还提出了一个更宏观的构想：AI驱动的超精密模拟，将使经济学、社会学等长期游走于"软科学"边缘的领域，获得接近物理学的严谨性。

他对这个问题的诊断相当犀利。经济学为什么预测失败率那么高？社会学为什么难以建立可重复的规律？哈萨比斯认为根源不在于这些领域的研究者不够聪明，而在于结构性障碍：这些是涌现系统，你不可能像物理实验室里那样，把同一个经济环境重复操控一万次来验证假设。"如果你将利率提高0.5%，你必须在现实世界中进行尝试，然后观察会发生什么"，哈萨比斯说，"你可以提出理论，但你不可能进行成千上万次的重复实验。"

AI模拟提供的，恰恰是这种"重复"的可能性。

如果能够构建足够精确的社会经济模拟器，研究者就可以在虚拟环境中运行数千次政策实验，以统计的严谨性推断因果关系，而不是像今天这样依赖历史数据中的自然实验碎片。哈萨比斯将这称为"通过对非常精确的模拟器进行严格采样来开创一种新科学"。

这个方向已经有人在尝试落地。一家名为Simile的初创公司，正在致力于构建哈萨比斯所描述的这类社会模拟平台，将AI智能体植入虚拟社会环境，模拟人类群体在不同政策、规则和压力下的行为反应。

AlphaFold的成功给了哈萨比斯充足的信心，那是AI以数字速度在生物学领域运行模拟、破解了困扰科学界50年难题的真实案例，也是他获得诺贝尔化学奖的核心成果。他的判断是，这个逻辑可以延伸，而且应该延伸。

这两件事的基础设施，都已经在建设之中。