在人工智能与科学研究深度融合的当下，一项来自北京大学物理学院的研究引发全球关注。该团队开发的“AI-牛顿”系统，成功实现了人工智能自主发现经典力学核心定律的突破，为智能驱动的科学探索开辟了全新路径。这一成果被国际顶级学术期刊《自然》以专题形式报道，标志着AI在基础科学领域的探索迈出关键一步。
传统人工智能模型虽能高效处理数据并做出预测，却难以从海量信息中提炼出具有普适性的科学原理。例如，现有模型可精准模拟行星运动轨迹，却无法自主归纳出万有引力定律。针对这一难题，马滟青教授团队构建的“AI-牛顿”系统，通过模拟人类科学家的认知模式，在涉及小球、弹簧等物体的46组物理实验中，从含噪声的模拟数据中自主识别出力、质量、加速度等核心概念，并最终推导出牛顿第二定律（F=ma）。整个过程无需人工干预或预设物理知识，完全依靠系统自身的数据解析与逻辑推演。
该系统的创新之处在于其独特的“双库架构”与推理机制。实验库内置物理实验的数字化模拟生成器，可持续产生多样化实验数据；理论库则采用“符号-概念-定律”三层知识存储结构，支持系统逐步构建科学理论体系。在运行过程中，“AI-牛顿”遵循“假设-验证”的认知循环，通过符号回归模型提取数据中的潜在规律，再利用合情推理策略验证假设的合理性，最终形成可解释的数学表达式。这种设计既保留了公式推导的透明性，又显著提升了数据处理效率。
哈佛大学计算机专家Keyon Vafa评价称，该系统的编程逻辑鼓励对核心概念的深度挖掘，为科学发现提供了极具潜力的方法论。与传统神经网络相比，“AI-牛顿”突破了算法黑箱的限制，其推导过程可完整回溯，每个结论均能通过数学逻辑自洽性检验。例如，在验证F=ma的过程中，系统不仅识别出变量间的定量关系，还自主定义了“力”的矢量性质，展现出超越简单模式识别的认知能力。
这项研究的意义远不止于重现经典定律。研究团队指出，该系统所体现的迭代式学习模式，既延续了人类理论建构的创造性，又克服了人工推导周期长的局限。在量子物理等复杂领域，传统研究往往需要耗费数十年验证假设，而“AI-牛顿”的快速数据处理能力可大幅缩短这一过程。目前，团队已启动将其应用于量子理论规律探索的计划，试图在更高维度的物理体系中检验系统的泛化能力。
从工具属性到认知延伸，人工智能正在重塑科学研究的范式。当AI不再局限于辅助计算或模拟，而是开始主动参与理论构建，科学家得以从重复性试验中解放，将精力投向更具突破性的思考。这项研究获得的国家自然科学基金支持，也反映出学界对智能科学探索路径的高度重视。随着系统架构的持续优化，未来或可出现更多“AI学者”，在材料科学、天体物理等领域推动人类认知边界的拓展。
