Google DeepMind 研究员 Tom Zahavy 在个人立场论文《LLMs can’t jump》中追问：如果只给 AI 爱因斯坦当时掌握的知识，它能否提出广义相对论所需的新物理原理？

这个问题比“AI 能不能做科学发现”更具体。Zahavy 参与过 AlphaProof，也认可基于大语言模型的系统已经在产生真实发现。论文主张，当前 LLM 缺少从物理经验形成新理论前提的机制。这就留下一个具体问题：在没有大量反常数据指路时，系统怎样迈出这一步？

模型可以依据一套理论算出预测，也可以从数据里寻找规律。爱因斯坦提出等效原理却还做了一件事：设想观察者自由下落时会经历什么，再把这个思想实验提升为关于物理世界的原则。论文把这一步称为“跳跃”。

科学发现的三种推理与一个常见误区

从已有规则推结果、从案例找规则、为现象提解释，是三种不同的任务。皮尔士对推理的区分，可以用物体下落这个例子理解：

1. 演绎：规则与初始条件 → 预测。 给定引力规律和物体初始状态，推算它怎样下落。如果前提为真、推导有效，结论才可靠。形式化证明工具可以核对推导是否符合规则，物理前提能否描述现实仍需观测检验。
2. 归纳：观测案例 → 一般规律。 比较不同物体的下落记录，总结忽略空气阻力后，它们在同一位置以相同加速度下落。案例可以很多，也可以较少；总结出的规则能推广多远，需要继续检验。
3. 溯因：背景知识与现象 → 候选解释。 看到物体一致下落、自由落体者局部失重，进一步设想这些现象是否体现同一个物理原则。提出解释不保证解释正确，它只是给后续推导和检验提供了新起点。

如果询问模型“人在下落的电梯里会有什么感觉”，它可能给出准确答案。但训练资料可能早已包含电梯思想实验，所以这次回答不足以证明它能独立发明等效原理；同样，也不能只凭答案就断定它内部没有推理。要检验独立发现，必须控制系统能接触的知识和现成答案。

“数据压缩即创造”的理论困境

一种由计算机科学家施密德胡伯等人倡导的观点，把科学发现看作压缩：用更简洁的规则解释更多观测。例如，与其逐条记录运动轨迹，不如找到一组能生成这些轨迹的规律。

Zahavy 对这种解释提出的挑战是：广义相对论诞生时，没有一大批清楚要求“改用弯曲时空”的反常数据。牛顿引力能解释大量观测，但水星轨道仍有异常。有人尝试用太阳附近尚未发现的“祝融星”解释它；同一异常，并不唯一指向一种新理论。

当时也存在概念上的张力：牛顿引力的远距作用，怎样与相对论和场论的图像相容？Zahavy 承认，AI 可能识别这类不一致。因此，数据稀缺不能简写成没有问题、没有反馈或算法完全没有方向。

论文真正质疑的是：如果目标主要是改善现有数据的预测误差，什么会促使系统放下表现很好的旧框架，尝试一套全新的时空概念？这是对研究目标的质疑，论文并没有实际训练一个历史模型、测得其损失接近零，再观察它无法突破。

最终理论更简洁，也不等于寻找它的每一步都更简单。 新数学工具、错误方程和被放弃的假设，可能先扩大候选空间、增加复杂度。只奖励眼前拟合或压缩改善，是否足以支持这种探索，正是作者提出的问题。

检验也有新旧之分：水星轨道是既有观测，后来成为重要检验；日食星光偏折则在理论提出后接受新的观测检验。科学家可以先提出解释，再寻找能区分新旧理论的证据。

扎哈维的论证：身体模拟、具身跳跃与认知盲区

爱因斯坦在写给莫里斯·索洛文的信中，用一个循环描述科学创造：经验 → 提出理论前提 → 推导可测后果 → 实验检验 → 新经验。论文关心的是从经验到新前提的那一步。论文中的循环图是 AI 重绘的示意，电梯图也由 AI 生成；它们解释概念，不能充当模型能力实验。

这里的理论前提，是后续推导暂时接受的基本假设或物理要求。论文整理了爱因斯坦探索中的七项要求，包括局部等效、能量与动量作为引力来源，以及弱引力、慢速条件下回到牛顿结果等。Zahavy 判断，若给定这些前提，现代 AI 有可能承担方程搜索、推导和排错；这篇论文没有实际做限制历史知识的模型重发现测试。

提出前提又是怎样发生的？电梯思想实验提供了两组对照。在足够小的区域和短时间内，忽略潮汐效应：

• 地球附近的自由落体舱，与深空惯性漂浮舱，都让人失重。 在前一间舱里，人、舱体和松手的小球一起下落，小球相对人近似漂浮。这里的重力并未消失，只是舱内局部运动近似呈现无引力环境。
• 地面静止舱，与深空向上加速舱，都能让人感到重量。 在后一间舱里，地板向上追赶松手的小球；取约 9.8 m/s² 的加速度，可以近似对应地面的下落情景。

爱因斯坦把这种对应推广到比小球下落更广的范围：在足够小的自由落体实验室中，忽略潮汐效应，局部的非引力物理实验应当遵循与无引力惯性实验室相同的规律。 这项主张不再只解释“人为什么失重”，还要求光信号、钟等其他物理过程也能在局部等效的框架下得到一致描述。Zahavy 将这种借助可操纵的心理场景产生解释的过程称为“操纵式溯因”：改变情境，比较后果，再提出更一般的假说。

把小球换成一束光，就能看到新前提怎样带出新问题。设想深空火箭最初静止，随后向上加速；从左壁水平发出的光，在外部惯性观察者看来沿直线传播。光飞行期间，火箭舱体已经向上移动，因此舱内观察者会看到光路向地板一侧偏。加速与重力的局部对应，使人进一步追问：引力环境中的光传播也应受到怎样的影响？AEI 的光线偏折讲解说明了这条推理的作用与限度：局部对应能提供预测线索，太阳旁光线的完整偏折量，还需要整体时空几何。

钟也给出可以检验的后果。在地球附近的稳定引力环境中，把相同的钟放在不同高度，让低处的钟每次“滴答”都向高处发送一个光脉冲。高处观察者用自己的钟比较，会发现收到的脉冲间隔比本地同样的“滴答”更长，据此判断低处的钟走得更慢。从低处向高处传播的连续光，接收频率也会降低，这称为引力红移。每个观察者在自己身边都觉得钟正常走；差别通过不同位置之间的比较显现。这类后果把一种新原则变成了能推导、能测量的主张。

作者认为，纯粹处理物理语言可能缺少形成这种直觉的经验基础。但这仍是机制论证，不能从一段逼真的下落视频，就断定生成模型内部一定有或一定没有可靠的物理表征。论文也承认，ARC-AGI 这类少样例网格任务已在测试寻找隐藏规则的解释性推断；它追问的是，这是否覆盖了主动构造物理情境、获得经验并形成新原则的过程。

因此，论文建议探索可主动干预、物理规律保持一致的世界模型。系统需要能改变条件，例如设想剪断电梯缆绳，再比较后果；随后把不同情景中的关系抽象成可检验命题，交给数学推导和实验核对。物理先验可以帮助缩小候选空间，但模拟器也可能学错规律，能操作环境并不自动等于能发明理论。Genie 一类可控环境启发了这条路线，其存在本身并未证明这个难题已经解决。

这里还有“研究什么”的主动性：研究者会自己制造问题的变化，再决定哪种后果值得追查。论文以测试时强化学习为相邻能力的例子，承认系统可以生成新的棋局或数学问题并学习求解；它继续追问的是，能否超出既定规则内的变化，提出新的物理前提。作者也将这条世界模型路线主要放在物理研究中；数学与计算机科学的探索对象，可以是抽象结构和形式系统，不必照搬物理身体的经验。

直觉不是理论：等效原理的严格物理边界

电梯思想实验提出了一个有用的原则，尚不足以单独确定完整的引力理论。这个原则本身也有明确的尺度条件。

1. 为什么要限定局部，并忽略潮汐效应？

地球附近的真实引力场并不完全均匀。设想同一自由落体舱内有两颗左右分开的球，它们最初相对舱体静止。两颗球都朝同一地心落去，所以除了共同下落外，还会缓慢彼此靠近。舱内观察者消去了共同下落，仍可能测到这点相对运动。

这就是潮汐效应的一种表现：不同位置受到的引力影响有差别。与之对照，在理想的深空惯性舱中，忽略其他引力及两球相互作用，初始相对静止的两球会保持间距。

观察范围越小、时间越短，这种差别越容易忽略。AEI 的等效原理讲解说明，“无限小时空区域”是数学极限表述；实际实验只需在相应精度下，把区域和时长取得足够小。扩大范围或延长观察，就可能测到潮汐效应，不能把局部近似直接推广到任意大的区域。

2. 从直觉公理到场方程的漫长跋涉

为什么这里开始谈几何？回看那两颗球：跟着舱体下落，可以消去共同下落，却不能同时消去整片区域里不同自由落体之间的相对变化。广义相对论用时空几何组织这些运动关系：没有受到推力等非引力作用的物体，沿时空中自然延伸的路径运动，这种路径称为“测地线”；邻近路径仍可能彼此靠近或远离。潮汐效应正是时空弯曲在相对运动中的表现。这给几何描述提供了直观动机，却还不能从一间电梯唯一确定完整理论。

要得到完整场方程，还需要寻找描述时空弯曲的数学工具，并让候选理论同时满足物理要求。爱因斯坦为此与数学家马塞尔·格罗斯曼合作。

这些要求会限制候选答案。例如，描述物质与能量怎样影响时空的方程，应与能量、动量守恒相容；在弱引力和慢速条件下，也必须恢复牛顿理论已经解释得很好的运动结果。电梯里的直觉并不直接给出这些要求的全部数学实现。

附录还列出一项更具体的要求：引力场自身携带的能量也参与引力作用，场会影响自身。这样一来，不能总把几个来源各自产生的引力效果直接相加，就当作合起来的最终答案；方程还要容纳这种反馈，这就是它需要非线性结构的一层物理原因。把这个要求写进数学，又是从直觉走向可计算理论的一步。

论文用《苏黎世笔记本》中的探索说明：他们一度接近适当的曲率工具，却因判断静态引力场及牛顿极限时采用了错误假设而放弃候选，随后在草案路线中反复修正。这里的问题是约束与前提的误判。

在逐步确定最终方程的过程中，水星轨道检验提供了重要支持；它并非等最终版本公布后才出现。最后建立的关系，可以概括为物质与能量的分布约束时空怎样弯曲，时空几何又决定自由落体怎样运动。从物理直觉到这样的可计算理论，中间还有数学构造、排错和观测检验。

反向论点与真实分歧：通往相对论是否只有一条路？

Yong Zheng-Xin 在回应文章《Hot Take: LLM can ‘jump’》中提出了一个反问：即使模型无法复制爱因斯坦的心理过程，是否仍能走另一条路线发现同样的理论？

他引用的费曼式路线，先借用狭义相对论，以及后来发展的量子场论对相互作用的描述，再结合引力的实验性质，限制候选引力模型。其技术起点称为“无质量自旋 2 场”。普通读者可以先抓住它的工作方式：选定一种候选场，要求它既符合已有理论的规则，又能一致地描述引力怎样作用于物质；这些条件必须同时成立，互相冲突的候选就要排除；施加这样的相互作用一致性要求，可以恢复广义相对论的结构。这条路线把别处已经建立的知识变成筛选条件，更依靠理论之间的联系与数学推导，不要求重演电梯思想实验。

这条反驳改变了可用知识条件。 量子场论是在广义相对论之后发展起来的；费曼也已经知道相对论的结果。事后重建已知理论，比在历史上首次提出它容易。Yong 自己承认，这条路线不能证明费曼必然会从零发现广义相对论，更不能证明只掌握爱因斯坦当时知识的 AI 已经能做到。

它的价值在于提醒我们：一种人类发现路径，未必是所有智能系统的必经之路。Yong 认为，当知识足够丰富时，系统可能从不同领域的矛盾或联系中提出新解释，再用代码、形式化证明或实验检验。跨领域知识连接能走多远，仍需要逐项验证。

两方关注的问题因此有所不同：Zahavy 追问物理新前提怎样从经验中产生；Yong 追问，更丰富的知识网络是否能提供另一条发现路径。解释了人类当年怎样发现，并没有排除未来机器怎样发现。

这篇论文究竟论证到了哪一步？

《LLMs can’t jump》的价值，是把“科学发现”拆开来看：从数据找规律、依前提推结果、提出新的解释性前提，以及让预测接受现实检验，分别需要什么能力。AlphaProof 的数学证明成绩和 AlphaEvolve 的算法结果，可以证明各自任务上的进展，不能自动回答新的物理前提来自哪里。

AlphaEvolve的过程尤其具体：语言模型提出程序，自动评估器运行并打分，演化过程再选择有前景的方案继续改进。它依赖可检查的反馈，但整套机制不能笼统说成只靠梯度下降；能够验证的新算法，也不能简单贬为复制旧知识。

Zahavy 对新前提来源的质疑，仍未构成现有模型做不到的证明。这篇立场论文没有设置历史知识截止的训练对照、不同模型的重发现成功率，也没有给出不可能性定理。官网后来进一步澄清：他认可基于 LLM 的真实科学发现，也承认继续扩展现有系统可能已经足够。

要判断机器是否跨出了那一步，至少需要分清它看过什么、提出了什么新假说、假说怎样接受独立检验。能流畅解释已知相对论，不能代替这样的证据；以爱因斯坦的发现过程为例，也不足以排除机器找到另一条有效道路。数据不足时如何产生值得检验的新前提，是这篇论文留下的具体研究问题。