开场：托勒密与哥白尼的 AI 时代版

公元 150 年，托勒密提出了地心说模型。这个模型用 80 多个均轮和本轮（圆上套圆），可以精确预测行星的位置，误差不超过 1 度。

公元 1543 年，哥白尼提出了日心说。他的模型预测精度比托勒密模型还差一点——因为哥白尼坚持用正圆轨道，而行星轨道实际上是椭圆。

如果评价标准是"预测精度"，托勒密赢了。但科学史选择了哥白尼。为什么？

因为哥白尼的模型更"简单"、更"优雅"、更"符合物理直觉"。它不需要 80 个参数就能解释行星运动的基本规律。

现在，把"托勒密模型"替换成"AI 模型"，把"哥白尼模型"替换成"物理定律"。这就是 AI 科学方法论面临的核心哲学问题。

AI 的"预测"和科学的"理解"不是一回事

让我用一个具体的例子说明。

2025 年，一个 AI 模型准确预测了某种钙钛矿太阳能电池的光电转换效率（PCE），误差只有 0.3%。但当你问模型"为什么这种钙钛矿效率高"时，它给出的"特征重要性"排名是：第 37 个输入特征最重要，第 112 个次之，第 5 个第三。

这些特征是什么？它们是在训练过程中自动生成的高维向量，没有物理意义。你不能说"因为带隙宽度是 1.5 eV"或"因为载流子迁移率是 20 cm²/Vs"。你只能说"因为第 37 个特征的值是 0.873"。

这在工程上够用了——如果你只是想要一个高效率的太阳能电池。但在科学上远远不够——如果你想要理解"为什么这个材料效率高"以便设计下一个更好的材料。

科学史上的"预测"与"理解"

科学史上，预测和理解的脱节并不罕见：

量子力学（1920 年代）： 物理学家们学会了用薛定谔方程精确预测电子的行为，但关于"波函数坍缩"意味着什么，至今已经争论了 100 年。“闭嘴，计算”（Shut up and calculate）成了量子力学界的一句名言。预测能力极强，理解极其有限。

分子动力学模拟（1980 年代）： 计算机可以模拟蛋白质的折叠过程，输出每个原子的轨迹。但只看轨迹，你完全无法理解"为什么蛋白质会折叠成这个形状"——那需要理解疏水作用、氢键、范德华力等物理概念。

深度学习（2010 年代至今）： 神经网络可以预测一切，从蛋白质结构到股票价格到天气。但"权重矩阵"和"偏置向量"不是科学理论。科学理论需要概念、原理、因果链条。

三种 AI 科学方法论

当前 AI 在科学发现中有三种主流方法论，各有优劣：

方法一：黑箱预测（Black-box Prediction）。 AI 直接从数据中学习模式，输出预测。优点是快、准，缺点是完全不可解释。代表：AlphaFold 3 的结构预测。

方法二：可解释 AI（Explainable AI）。 在预测的同时，AI 试图告诉你"为什么"。比如 SHAP 值、注意力权重可视化。但问题是，这些"解释"通常是对 AI 内部计算的事后合理化，不一定是真正的因果机制。

方法三：物理信息 AI（Physics-informed AI）。 在 AI 的训练中嵌入物理定律作为约束。这保证 AI 的预测不会违反已知的物理规律。代表：物理信息神经网络（PINN）。优点是物理一致性强，缺点是只能嵌入已知的物理定律，无法发现新定律。

目前最前沿的方向是方法三+方法二的混合：用物理约束保证基本正确，再用可解释 AI 方法揭示潜在的因果机制。

一个正在发生的范式转变

2026 年，科学的"AI 方法论"正在经历一个范式转变。传统科学方法论是：

假设 → 实验 → 观察 → 理论 → 预测 → 验证

AI 科学方法论变成了：

数据 → 模式识别 → 预测 → 回溯因果 → 假设生成 → 实验验证

关键的区别在于"假设"的位置。传统方法中，假设是人类科学家基于已有理论提出的。AI 方法中，假设是 AI 从数据中"发现"的，然后人类去验证。

这里有一个致命的风险：AI 从数据中发现的"模式"可能只是数据中的偏倚或噪声，而不是自然规律。 2025 年，MIT 的团队发现，一个用于预测材料性质的 AI 模型，实际上是在学习"论文发表的年份"——因为随着实验技术进步，某些材料性质逐年改善，AI 发现了这个时间趋势，把它当成了材料的固有属性。

科学的目标是什么？

这个问题回到了科学哲学的根本。

如果你认为科学的目标是"准确预测自然现象"，那 AI 已经赢了。如果你认为科学的目标是"用简洁的、可理解的原理来解释自然"，那 AI 还没入门。

诺贝尔物理学奖得主 Eugene Wigner 在 1960 年写过一篇著名的文章《The Unreasonable Effectiveness of Mathematics in the Natural Sciences》，探讨了数学为什么能"不合理地有效"描述自然。60 多年后，我们面临一个类似的问题：AI 的"不合理有效性"——它为什么能预测得这么好，即使我们完全不知道它是怎么做到的？

结尾：科学不会消失，但会改变

AI 不会让科学消失。但它会改变科学家的角色。

未来的科学家可能不再是"假设提出者"（这由 AI 做），而是"假设验证者"和"因果解释者"。AI 从数据中挖掘出候选规律，人类科学家设计实验来验证、解释这些规律，把它们纳入现有的理论框架中。

科学的核心不是预测，而是理解。只要人类还想知道"为什么"，科学家的角色就不可替代。 但如果你只是想"知道答案"而不关心"为什么"，那你可能已经不需要科学家了——你只需要 AI。

推荐阅读：Eugene Wigner《The Unreasonable Effectiveness of Mathematics》(1960)；MIT 材料 AI 偏倚研究 (Nature Machine Intelligence, 2025)；Nature 评论《AI and the future of scientific understanding》(2026)