爱因斯坦测试：AI用1900年知识能重发现相对论？

如果将人工智能的知识边界严格限制在1911年爱因斯坦所能掌握的范围内，它能否在四年后的1915年独立提出相对论？这个极具脑洞的思想实验，正是诺贝尔奖得主、Google DeepMind联合创始人哈萨比斯提出的AGI检验方案。

这个测试的巧妙之处在于，我们可以对照科学史的已知结果，验证AI是否具备超越训练数据的自主推理能力，而非单纯复刻已有知识。这类检验AI通用智能的尝试，后来被《自然》期刊正式命名为“爱因斯坦测试”。

今年3月，独立研究者迈克尔·赫拉将这个测试的知识截止时间进一步提前到1900年，从零训练了一款名为GPT-1900的历史语言模型，目标是让AI重新发现光量子理论、狭义相对论和广义相对论。他将项目命名为“Machina Mirabilis”，致敬爱因斯坦1905年的“奇迹年”——那一年26岁的爱因斯坦接连发表四篇重塑物理学的论文，涵盖光量子、布朗运动、狭义相对论和质能关系。

赫拉基于Andrej Karpathy的nanochat训练框架，构建了一款33亿参数的Transformer模型。训练数据主要来自1900年以前的书籍和报纸，总计约220亿token；为强化物理研究能力，他还收集了2600多部历史物理著作，包括牛顿《光学》、麦克斯韦和法拉第的相关研究，形成约2.9亿token的专用语料库。为避免现代知识泄露，他还对数据集进行了严格清洗：任何包含“爱因斯坦”“量子力学”“相对论”等现代概念的文献都会被直接删除，同时过滤掉现代人添加的前言、脚注以及超出1900年的词汇。

赫拉为GPT-1900设计了光电效应相关的测试问题：为何频率不足时，无论光强多大都无法打出电子，而提升频率却能让电子获得更高能量？他还附上了关键线索：频率低于阈值时光强无效、超过阈值后光强仅影响电子数量而频率影响动能，并列出了当时流行的经典物理假设供模型参考。

最终，GPT-1900在一次回答中给出了类似爱因斯坦1905年论文的表述：“光可能不是连续的，而是由许多彼此分离、频率不同的部分组成。”赫拉将这一结果形容为“直觉的闪现”，但这并不意味着AI真正重新发现了光量子理论。

首先，GPT-1900在绝大多数物理任务上都表现不佳，这次亮眼的回答高度依赖人类整理好的问题和提示，本质上只是在拼接合理的语句，并未形成真正可靠的物理理解。其次，整个测试过程中，赫拉已经帮模型筛选了现象、梳理了矛盾，模型只需找出错误的假设并给出解释，这远比科学家自主发现问题、确定研究方向容易得多——爱因斯坦当年可没有人替他划重点。

更关键的是，这场实验的“零污染”设定并不成立：赫拉在实验过程中借助了现代AI Claude的帮助，包括用Claude Sonnet 4、Claude 3 Haiku生成指令问答，甚至用现代模型为强化学习评分。即便过滤了现代知识文本，实验环境仍不可避免地受到了现代AI的影响，研究者也无法证明GPT-1900没有“偷看”后世的物理理论。

即便未来能构建完全零污染的历史模型，一个更根本的问题依然存在：仅仅复现正确答案，就能让AI被称为科学家吗？

谷歌DeepMind研究员汤姆·扎哈维在《LLM无法跳跃》的立场论文中，将科学推理分为三个层次：归纳是从大量案例中总结规律，演绎是从已有前提出发推导必然结论，而溯因则是面对异常现象，发明此前不存在的解释框架。扎哈维指出，当前的大模型已经擅长归纳，演绎能力也在快速提升，但唯独缺乏爱因斯坦式的“溯因飞跃”——模型可以沿着预先铺好的逻辑链推进推理，却无法从零开始构建全新的解释框架。

类似的，研究者森迪尔·穆拉伊纳坦在训练学习行星轨道的基础模型时也发现，模型在预设轨道任务中表现出色，但一旦更换场景就无法举一反三地运用牛顿力学，更像是为每套数据临时拼凑规则，无法区分真正值得验证的理论和仅碰巧符合当前数据的结论，就像背下了所有真题答案却没掌握底层原理的学生，只要题目稍作修改就束手无策。

麻省理工学院计算机科学家雅各布·安德烈亚斯一针见血地指出，AI生成类似相对论的表述或许并不困难，真正的挑战在于它能否判断哪些理论值得被验证，或者至少值得投入时间、经费和精力去探索。生成理论只是第一步，判断一个想法的价值、决定是否值得深挖，才是AI与人类科学家的核心分水岭——真实的科研从来不是解答整理好的习题，而是在混沌未知中自主做出判断。

或许未来随着技术发展，AI真能通过“爱因斯坦测试”，推导出相对论级别的成果，但在真正被称为“科学家”之前，AI必须向所有人证明：在没有人替它划重点的情况下，它依然能够自主找到值得追问的问题，判断问题的价值，并主动开展验证和修正。否则，它永远只能复述已有知识，而非真正的创新者。