在人工智能與科學探索的交叉領域，一項突破性成果引發(fā)學界關注。北京大學物理學院馬滟青教授團隊開發(fā)的“AI-牛頓”系統(tǒng)，成功實現(xiàn)了人工智能自主推導經(jīng)典力學核心定律的里程碑式進展。該系統(tǒng)通過分析46組基礎物理實驗數(shù)據(jù)，在無人工干預的情況下獨立“發(fā)現(xiàn)”了牛頓第二運動定律（F=ma），相關研究被國際權威學術期刊《自然》以專題形式報道。

傳統(tǒng)人工智能模型雖擅長數(shù)據(jù)模式識別與預測，但在抽象科學原理方面存在明顯局限。以行星運動預測為例，現(xiàn)有模型可精準模擬軌道參數(shù)，卻難以自主歸納出萬有引力定律。馬滺青團隊通過構建新型認知架構，使“AI-牛頓”系統(tǒng)突破了這一瓶頸。該系統(tǒng)采用“概念構建-規(guī)律驗證”的迭代學習模式，通過分析小球碰撞、彈簧振動等基礎實驗的模擬數(shù)據(jù)，逐步建立起力、質量、加速度等核心概念，最終推導出具有普適性的物理定律。

研究團隊設計的雙庫架構是關鍵創(chuàng)新點：實驗庫集成物理實驗的數(shù)字化模擬生成器，理論庫則采用“符號-概念-定律”三層知識存儲結構。系統(tǒng)在運行過程中持續(xù)從實驗數(shù)據(jù)中提取特征，通過符號回歸算法生成候選公式，再運用合情推理策略驗證理論有效性。這種設計既保留了數(shù)學公式的可解釋性，又顯著提升了數(shù)據(jù)處理的效率與精度。

哈佛大學計算機專家Keyon Vafa評價稱，該系統(tǒng)的編程邏輯有效引導了核心概念的推導過程，為科學發(fā)現(xiàn)提供了全新范式。相較于傳統(tǒng)神經(jīng)網(wǎng)絡的“黑箱”運作，這種可回溯的推理路徑更接近人類科學家的認知模式。實驗數(shù)據(jù)顯示，系統(tǒng)在處理含噪聲數(shù)據(jù)時仍能保持較高準確性，其推導結果與經(jīng)典力學理論完全吻合。

這項突破不僅標志著人工智能從科研工具向“認知主體”的轉變，更為復雜科學規(guī)律的發(fā)現(xiàn)開辟了新路徑。研究團隊透露，后續(xù)計劃將系統(tǒng)應用于量子力學等前沿領域，嘗試破解微觀世界的規(guī)律密碼。該成果得到國家自然科學基金及北京大學高性能計算平臺的支持，參與研究的包括物理學院在讀博士生方尤樂、見東山以及博士后研究員李想。

《自然》新聞欄目特別指出，這種自主發(fā)現(xiàn)模式可能重塑未來科研生態(tài)。當人工智能開始承擔基礎理論推導工作，科學家將得以從重復性試驗中解放，專注于更具創(chuàng)造性的思維活動。這種“人機協(xié)同”的新范式，或將加速人類對自然規(guī)律的認知進程。