最新 12 月 10 日消息，当下，AI 技术辅助科研已经屡见不鲜；但是，AI 能否自主发现科学理论呢？据北京大学官方微信公众号消息，三百多年前，牛顿整理并发展前人成果，汇总发表为《自然哲学的数学原理》，系统阐述了经典力学的基本原理，提出“F=ma”；近期，一个北大课题组创造了“AI 学者”，并引导它依靠自主学习，再次发现了这一力学基本定律。

2025 年 11 月 14 日，《自然》（Nature）新闻栏目以《一个中国人工智能模型自主学到了基础物理学 —— 它能发现什么》（“A Chinese AI model taught itself basic physics — what discoveries could it make?”）为题，长篇专题报道了北京大学物理学院马滟青教授课题组在人工智能驱动科学发现领域取得的新进展。

“AI-Newton”的重要一步：实验数据 + 合情推理 → 自主发现科学理论

当前的人工智能大模型虽然能够可靠地识别数据模式并进行预测，但难以利用这些数据提出具有简洁性和普适性的可解释科学原理，一个 AI 模型可以被训练来精确预测行星的运行轨迹，但它很可能无法自行归纳出背后的万有引力定律。

马滟青课题组实现了一个重要的突破。他们开发了名为“AI-牛顿”（AI-Newton）的系统，在基于涉及小球、弹簧等物体的 46 个物理实验中，它如同人类科学家一样，从基础概念逐步构建复杂理论，从带噪声模拟数据中，最终自主“发现”了力、质量和加速度等重要概念，以及它们之间构成的著名物理定律 —— 牛顿第二定律（F=ma）。

该系统能够从诸多实验的原始数据中自主发掘物理定律，无需人工监督或先验物理知识，这意味着 AI 向自主科研发现迈出了重要一步。

“AI-牛顿”并非一次性完成任务，而是采用“大胆猜想、小心求证”的合情推理策略（plausible reasoning），通过逐步构建概念和规律的知识库，模仿人类科学家的认知过程，自主建立了完整的科学理论。

实验库中预先设定了存储物理实验及对应的数据模拟生成器。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）。

该系统突破了神经网络系统的算法黑箱，综合符号回归模型与合情推理的优势，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，既保留了数学公式的可解释性和逻辑可回溯性，又提升了数据模式识别的效率与精度。

哈佛大学的计算机专家 Keyon Vafa 认为，“该技术的编程方式鼓励推导重要的概念，是一种有前景的科学发现方法。”

“AI+ 科学”研究新范式：从科研工具，到“超级大脑延伸”

“AI-牛顿”所体现的迭代式学习和知识构建过程，既保留了人类的理论概括能力，又克服了研究周期长的局限，可以助力弥补人类科学研究的短板。

本次尝试不仅突破了先前研究中的部分局限，也展现出显著的扩展潜力，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。当 AI 不仅能模拟数据，还能寻找规律，科学家将得以从繁琐的试错中解放，聚焦于更富创造性的思考。

马滟青在采访中表示，他们计划将“AI-牛顿”应用于更具挑战性的领域，例如尝试理解和发现量子理论中的复杂规律。

马滟青课题组的方尤乐（北京大学物理学院 2024 级在读博士研究生）、见东山（北京大学物理学院 2022 级在读博士研究生）和李想（北京大学物理学院 2025 届博士毕业生，现为北京大学博士后）直接参与了文中所述研究，为取得新进展作出重要贡献。

此项研究得到了国家自然科学基金及北京大学高性能计算平台的大力支持。

报道原文：

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

论文原文：

https://arxiv.org/pdf/2504.01538