12 月 10 日，當下，AI 技術輔助科研已經屢見不鮮；但是，AI 能否自主發現科學理論呢？據北京大學官方微信公眾號消息，三百多年前，牛頓整理并發展前人成果，匯總發表為《自然哲學的數學原理》，系統闡述了經典力學的基本原理，提出“F=ma”；近期，一個北大課題組創造了“AI 學者”，并引導它依靠自主學習，再次發現了這一力學基本定律。
2025 年 11 月 14 日，《自然》（Nature）新聞欄目以《一個中國人工智能模型自主學到了基礎物理學 —— 它能發現什么》（“A Chinese AI model taught itself basic physics — what discoveries could it make?”）為題，長篇專題報道了北京大學物理學院馬滟青教授課題組在人工智能驅動科學發現領域取得的新進展。
報道截圖
“AI-Newton”的重要一步：實驗數據 + 合情推理 → 自主發現科學理論當前的人工智能大模型雖然能夠可靠地識別數據模式并進行預測，但難以利用這些數據提出具有簡潔性和普適性的可解釋科學原理，一個 AI 模型可以被訓練來精確預測行星的運行軌跡，但它很可能無法自行歸納出背后的萬有引力定律。
馬滟青課題組實現了一個重要的突破。他們開發了名為“AI-牛頓”（AI-Newton）的系統，在基于涉及小球、彈簧等物體的 46 個物理實驗中，它如同人類科學家一樣，從基礎概念逐步構建復雜理論，從帶噪聲模擬數據中，最終自主“發現”了力、質量和加速度等重要概念，以及它們之間構成的著名物理定律 —— 牛頓第二定律（F=ma）。
該系統能夠從諸多實驗的原始數據中自主發掘物理定律，無需人工監督或先驗物理知識，這意味著 AI 向自主科研發現邁出了重要一步。
論文截圖
“AI-牛頓”并非一次性完成任務，而是采用“大膽猜想、小心求證”的合情推理策略（plausible reasoning），通過逐步構建概念和規律的知識庫，模仿人類科學家的認知過程，自主建立了完整的科學理論。
實驗庫中預先設定了存儲物理實驗及對應的數據模擬生成器。理論庫存儲自主發現的知識，采用以概念為核心的三層架構（符號、概念與定律）。
論文截圖
該系統突破了神經網絡系統的算法黑箱，綜合符號回歸模型與合情推理的優勢，構建出自主發現工作流。該工作流能持續從實驗數據中提煉知識，并將其表述為物理概念與定律，既保留了數學公式的可解釋性和邏輯可回溯性，又提升了數據模式識別的效率與精度。
哈佛大學的計算機專家 Keyon Vafa 認為，“該技術的編程方式鼓勵推導重要的概念，是一種有前景的科學發現方法。”
“AI+ 科學”研究新范式：從科研工具，到“超級大腦延伸”“AI-牛頓”所體現的迭代式學習和知識構建過程，既保留了人類的理論概括能力，又克服了研究周期長的局限，可以助力彌補人類科學研究的短板。
本次嘗試不僅突破了先前研究中的部分局限，也展現出顯著的擴展潛力，有望在助推前沿科學發現的同時，為邁向通用人工智能開辟可行路徑。當 AI 不僅能模擬數據，還能尋找規律，科學家將得以從繁瑣的試錯中解放，聚焦于更富創造性的思考。
馬滟青在采訪中表示，他們計劃將“AI-牛頓”應用于更具挑戰性的領域，例如嘗試理解和發現量子理論中的復雜規律。
馬滟青課題組的方尤樂（北京大學物理學院 2024 級在讀博士研究生）、見東山（北京大學物理學院 2022 級在讀博士研究生）和李想（北京大學物理學院 2025 屆博士畢業生，現為北京大學博士后）直接參與了文中所述研究，為取得新進展作出重要貢獻。
