核心内容总结
本文的核心观点是：当前的AI擅长在现有科学框架内做精准预测（像一张细节拉满但无法指导方向的地图），却无法推动“范式转移”——那些能彻底改写科学规则的颠覆性发现（比如相对论、进化论）。文章警告，过度依赖这类AI会导致“超常规科学”风险：我们在现有模型里跑得更快，却失去了提出全新问题的能力。要改变这一点，我们需要构建“有远见的AI”，让它能跳出框架思考；同时，还得用AI研究科学本身的运作规律（元科学），创造出利于范式转移的条件。
1. 地图隐喻：AI为何做不了“大创新”
文章用两个地图例子讲清AI的局限：
- 博尔赫斯的完美地图：一个和帝国一样大的地图，细节100%准确，但完全没用——你没法用它找路。当前AI就像这个地图：它在海量数据（比如数万亿文本、蛋白质结构）上训练，能精准预测现有框架内的结果（比如AlphaFold预测蛋白质折叠），但无法“重新画地图”。
- 伦敦地铁图的革命：1933年前的地铁图按地理精确绘制，市中心车站挤成一团，郊区却占了大片空间，根本没法看。哈里·贝克扔掉地理精确性，把地铁画成彩色线路和均匀间隔的车站（像电路图），一下子变得清晰好用。这就是范式转移——但AI做不到贝克的事：它不会主动放弃旧框架，创造新的、更有用的结构。
2. “超常规科学”：AI的隐形陷阱
“超常规科学”指的是：我们在现有模型里的预测能力越来越强，但提出全新问题的能力越来越弱。文章举了几个例子：
- 霍乱的故事：1849年伦敦霍乱爆发，医生法尔画了地图，发现低海拔地区死亡率高，于是认为是“瘴气”（有害空气）导致。如果用AI训练法尔的数据，它会精准预测下次哪里爆发，却永远找不到真正原因——被污染的河水（后来巴斯德的细菌学说才解决）。
- DeepMind的GNoME：它发现了220万种新材料，但大多是已知结构的元素替换（比如用周期表相邻元素替换），没跳出旧框架。
- AI辅助研究的局限：研究显示，用AI的科学家发论文更多、引用更高，但研究主题范围缩小了5%——AI引导他们扎堆在数据多的现有领域，而非探索新方向。
风险在于：我们把“更多细节”当成“更深理解”，却错过了能改变世界的大想法。
3. 范式转移的秘密：人类是怎么做到的？
文章用爱因斯坦、达尔文的例子，总结出范式转移的3个关键：
- 简单性优先：爱因斯坦用两条原理（物理定律在所有参考系相同、光速恒定）取代了复杂的“以太”理论；麦克斯韦用4个方程统一了电和磁。好的范式往往是简单的，能解释更多现象。
- 跨学科类比：达尔文从马尔萨斯的经济学（资源竞争）得到启发，提出进化论；费曼发现热流、流体流动、静电学共享同一套方程。跨领域的类比能带来全新视角。
- 跳出框架的勇气：爱因斯坦是专利局职员（学术圈外人），没被“以太”的传统观念束缚；而数学天才庞加莱因为放不下“以太”，即使算出相同数学结果，也没发现相对论。
- 容忍不完美：达尔文的自然选择理论最初缺少遗传机制（他提出错误的“泛生论”），但核心思想足够强大，直到遗传学出现才补全细节。
4. 如何构建“有远见的AI”？
要让AI能推动范式转移，文章提出几个方向：
- 追求简单性：AI Feynman系统用“符号回归”找最简单的方程解释数据，成功重新发现了100个费曼物理学讲义里的方程（比之前的软件多29个）。
- 找跨领域类比：AI可以在海量数据里找不同领域的结构相似性（比如像达尔文那样把经济学和生物学联系起来）。
- 结合物理体验：多模态AI（同时处理视觉、触觉、运动）或自主实验室（AI+机器人）能让AI把抽象想法和真实世界反馈结合（像爱因斯坦想象骑在光上的思想实验）。
- 人类+AI协作：人类有跨模态的广度（看、听、摸、思考），AI有处理海量数据的深度。两者结合，能发现AI alone找不到的类比。
5. 元科学：用AI研究“科学本身”
要让AI推动范式转移，还得先搞懂科学怎么运作。这就是“元科学”：
- AI模拟科学环境：我们没法在真实实验室做对照实验（比如测试小团队 vs 大团队哪个更易出创新），但AI可以模拟不同科研环境（团队规模、层级结构、沟通模式），看哪些条件能催生范式转移。
- 历史经验的启示：贝尔实验室、施乐PARC等机构能产出颠覆性成果，是因为它们是小团队，有制度保护去做“看似没用”的研究。AI可以模拟这些条件，验证其有效性。
- 关键结论：AI不会自动带来范式转移。我们得主动设计利于创新的条件（比如机构激励、团队结构），而AI能帮我们找到这些条件。
最后想说的
文章不是反对AI，而是希望AI能从“预测工具”变成“创新伙伴”。要做到这一点，我们不仅要改进AI技术，还要用AI研究科学本身的规律——毕竟，要让AI帮我们画新地图，得先知道什么样的地图才是有用的。