在人工智能屡屡攻克人类智力巅峰的今天——从围棋博弈到蛋白质结构预测，从代码生成到诗歌创作——一个令人困惑的缺口依然存在：AI似乎还无法真正实现科学发现。科学家们指出，这不仅是当前技术的短板，更是衡量人工智能是否真正“智能”的终极考题。
科学发现：AI的“阿克琉斯之踵”
如果说AI是无所不能的“天才”，那科学发现就是它始终迈不过去的那道坎。2024年，诺贝尔化学奖被授予了两位研究蛋白质结构的科学家，其中DeepMind的AlphaFold贡献巨大。然而，即便是这项被视作AI里程碑的成就，本质上仍是“求解”而非“发现”。
“AlphaFold预测了数亿种蛋白质结构，但它并不知道‘蛋白质为什么折叠成这个形状’这个问题的哲学意义。”中国科学院计算技术研究所的研究员李明（化名）在采访中表示，“它更像是一个超强的计算器，而非牛顿那样能够从苹果落地悟出万有引力的思想者。”
真正的科学发现，需要跨越从数据到理论的“惊险一跃”。这意味着要能够提出新的概念、构建因果解释、设计关键实验并修正既有范式。而目前的主流AI——尤其是基于深度学习的模型——本质上是模式识别机器，它们擅长的是在已有数据中寻找规律，而非创造全新的知识框架。
四大硬伤：为何AI难以触碰科学前沿？
1. 缺乏因果推理能力
英国人工智能先驱Judea Pearl几十年如一日地呼吁：当前的AI主要基于统计相关，而非因果逻辑。科学发现的核心是“为何”和“如果”，而AI更擅长回答“是什么”。例如，在流行病学中，AI可以精准预测感染人数，但不一定能识别出“病毒变异→传播力增强→感染率上升”这一因果链条。
2. 无法进行“反事实”思考
科学发现常常需要设想“如果世界是另一种样子会怎样”。爱因斯坦的广义相对论就是在思想实验中萌芽的。而AI的训练模式决定了它只能基于真实世界的数据进行学习，无法像人类科学家那样自由地进行“反事实”虚构，并从中提炼出可验证的假说。
3. 实验设计能力缺失
在实验室里，科学家不仅需要分析数据，更要为自己提出的假说设计验证实验——这要求对变量进行精细控制，对不可预期结果保持开放。AI可以优化实验参数（如智能调参），但无法提出“我们能否通过测量量子纠缠来验证这个新理论？”这样具有开创性的实验方案。
4. 创造性幻觉与知识边界
让AI“发明”新理论，往往会陷入一种困境：要么输出平庸的已知知识，要么产生看似合理但实际荒谬的“幻觉”。2023年的一项实验中，研究者让GPT-4尝试提出新的物理学理论，结果模型产出了大量语法正确但逻辑混乱的“伪科学”文本，暴露出它对深层物理概念的彻底无知。
“终极考题”的真正含义
为什么说科学发现是人工智能的“终极考题”？因为这不仅考验算力与数据，更考验一种人类独有的认知能力：将直觉、假设、实验、证伪与范式革命融为一体的能力。
清华大学人工智能研究院的张教授认为：“当前的AI还处于‘牛顿之前’的状态——它能观测天体、记录数据、拟合轨道，但无法提出引力定律。科学发现需要‘跳出数据看数据’，需要怀疑一切既定假设的勇气，需要面对未知时的创造性焦虑，这些都是目前AI无法真正模拟的。”
值得注意的是，有些研究者正在尝试新路径。例如，利用强化学习让AI在虚拟实验室中探索化学空间，或者用大模型来辅助生成科研假设并设计验证流程。2024年，日本学者开发了一个名为“科学发现AI”的框架，在模拟环境中成功“重新发现”了开普勒定律和热力学定律。但这些进展依然局限在人类已明确的知识体系内，距离独立提出原创理论还有显著差距。
未来展望：不是取代，而是协作
或许，我们不应期望AI立刻成为“人工智能界的诺贝尔奖得主”。更现实的路径是，AI作为科学家的强大助手，负责那些人类不擅长的“苦活”：高通量数据挖掘、复杂系统模拟、跨领域知识关联。而提出突破性假说、设计关键实验、审视科学范式是否过时——这些依然需要人类的创造力与批判思维。
“科学发现是‘人工智能的终极考题’，但出卷人其实是人类自己。我们无需焦虑AI何时能考满分，而应思考如何利用AI让人类科学发现的速度和广度提升十倍、百倍。”一位国际知名期刊的编辑在近期专栏中如此写道。
当AI真正能够从海量噪声中找到那一个反直觉的真理，并对其深信不疑，敢于挑战整个学科的公论——那一刻，才是人工智能真正站上科学巅峰的时刻。而这条路，或许才刚刚开始。