核心内容总结
这篇来自Google DeepMind的论文，用爱因斯坦发明广义相对论的真实案例，狠狠泼了“LLM靠堆数据和参数就能实现科学革命”的冷水。论文指出：LLM擅长从数据里找规律（归纳）、从已知公理推结论（演绎），但缺了科学发现最关键的一步——溯因（为解释现象凭空提出全新假设的能力）。这种能力需要“具身仿真”（像爱因斯坦的电梯思想实验那样，在脑子里模拟物理体验），而LLM只是处理文字的“中文房间”，没有物理接地的感官体验，所以永远做不出像广义相对论这样的范式突破。未来AI要实现真正的科学发现，必须把LLM和能互动、反事实仿真的物理世界模型结合起来。
详细解读
1. 别被“数据压缩=科学发现”骗了
很多人觉得：AI只要看足够多的数据，就能像科学家一样发现新定律——本质是“数据压缩”，把复杂数据提炼成简洁规律。但论文说这完全错了！
爱因斯坦搞广义相对论时，牛顿力学几乎完美：惯性质量和引力质量的等价性被验证到10⁻⁹的精度，唯一的小异常（水星近日点进动）还被归因为“没发现的行星”。没有明显的“数据误差”让AI去优化，AI要是只会压缩数据，最多把牛顿定律弄得更简洁，绝不会想到“时空是弯曲的”这种颠覆性的新框架。
就像你给AI看一万张苹果下落的照片，它能总结出“苹果会往下掉”，但永远不会问“为什么往下掉？是不是时空被地球压弯了？”——因为没有数据驱动它去想这些。
2. LLM的“能力盲区”：缺了“溯因”这根筋
论文用逻辑学框架把推理分成三种：
- 归纳：从大量案例里找规律（比如AI从无数实验数据里总结出守恒律）；
- 演绎：从已知公理推结论（比如LLM根据广义相对论公式算出水星轨道）；
- 溯因：为解释奇怪现象提出新假设（比如爱因斯坦看到光速不变，提出“光速在所有参考系都恒定”的新公理）。
LLM在归纳和演绎上已经很强，但溯因是它的死穴。为什么？因为溯因是“凭空创造”——没有现成的数据或公理给它参考，需要靠物理直觉和想象。比如爱因斯坦的“电梯思想实验”：他想象自己在电梯里自由下落，感觉不到引力，于是突然想到“引力和加速度是一回事”（等效原理）。LLM没有这种“模拟物理体验”的能力，只能在文字符号里打转，永远跳不出已知框架。
3. 溯因需要“具身仿真”，LLM没有这个“体验卡”
爱因斯坦的溯因能力，来自他能在脑子里“做实验”——不是算公式，而是模拟真实的物理感受。比如电梯实验：他不是在纸上推导，而是“代入”电梯里的人的视角，感受那种失重的状态，才把“引力”和“加速度”联系起来。
LLM呢？它就像一个没摸过任何东西的人，只靠读物理书学知识。你跟它说“自由下落”，它能说出定义，但永远不知道那种“脚离开地面、身体飘起来”的感觉。没有这种感官锚定，它不可能提出像等效原理这样的新假设——因为这些假设不是从文字里来的，是从“体验”里来的。
4. 未来AI的出路：LLM+物理世界模型
论文给出了明确的方向：要让AI做科学发现，不能只靠LLM，得给它加一个“物理一致的世界模型”——就是能让AI在里面“互动、仿真、反事实思考”的虚拟实验室。
比如Google的Genie模型，它能生成可互动的虚拟环境：AI可以“剪断电梯缆绳”，看电梯里的物体怎么运动；可以“改变引力大小”，观察行星轨道的变化。这种能力让AI能像爱因斯坦一样做思想实验，从体验里提炼新假设。
简单说：未来的科学AI，得是“会读书的实验员”——既懂文字里的知识，又能在虚拟世界里动手做实验，才能完成从“观察”到“发明”的跳跃。
一句话总结
LLM能当“科学助手”（归纳数据、演绎结论），但成不了“科学革命先驱”（提出新公理）。要让AI像爱因斯坦一样，得先让它“感受”世界，而不是只“读”世界。