Nature：AI重生到1900，这一世抢先爱因斯坦提出光量子

把AI关进1900年，它冒出了“光量子”的影子

220亿token，喂出一个“1900年的大脑”

Hla将自己的项目命名为 。

这个名字借用了爱因斯坦的“奇迹年”。

1905年，26岁的爱因斯坦接连发表4篇改变物理学的论文，涉及光量子、布朗运动、狭义相对论和质能关系。

这个爆发式产出的一年，后来被称为“Annus ”，即“奇迹年”。

图片没有可用地址

AI生图

Hla想知道：如果一个AI拥有爱因斯坦当时能够接触到的知识，它能不能也迎来自己的“奇迹时刻”？

为此，他借助 的训练框架，从零训练了一个33亿参数的语言模型，并将其称为GPT-1900。

模型的主要预训练材料来自1900年以前的书籍和报纸，总计约220亿token。

图片没有可用地址

为了增强它的研究能力，Hla又收集了2600多部历史物理书籍、期刊和科学著作，包括牛顿的《光学》、麦克斯韦和法拉第的相关著作，形成了约2.9亿token的历史物理语料。

此外，Hla还专门清理了可能泄漏答案的数据。

如果一份文献中出现“爱因斯坦”“量子力学”“相对论”等现代概念，整份文献都会被删除。现代人添加的前言、脚注，以及明显不属于1900年前的词汇，同样需要被过滤。

图片没有可用地址

图片没有可用地址

一通操作下来，一个理论上“不知道20世纪物理学”的大脑诞生了。

GPT-1900摸到了光量子的门槛，但这场考试可能早已“漏题”

随后，Hla给GPT-1900出了道光电效应题，大意是：

为什么频率不够高时，光再亮也打不出电子；而提高频率，却能让电子获得更多能量？

同时Hla还附上了几条关键线索：

光的频率低于某个门槛时，再亮也不行；

超过门槛后，提高亮度主要会增加打出的电子数量，而提高频率才会增加电子的动能；

把当时流行的经典假设也摆了出来，方便模型对照判断哪里出了问题。

这些矛盾，原本最终是靠爱因斯坦的光量子解释破的局：

光的能量是一份一份传递的，每一份的能量与频率有关。

Hla想看看，GPT-1900能想到哪一步？

功夫不负有心人，GPT-1900真在一次回答里冒出了这样的描述，大意是：

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。

图片没有可用地址

这确实挺神似爱因斯坦“能量一份份传递”的解释，Hla也把它形容为“直觉的闪现”。

但千万先别急着把诺贝尔奖递过去。

Hla坦言：GPT-1900距离“重新发现光量子”还有很远。

它在大多数物理任务上都翻车了，而那些看似突破的回答，可能只是模型在拼接合理的词句，谈不上形成了真正可靠的物理理解。

图片没有可用地址

更何况，在整个测试里，Hla已经替它筛好了现象、理好了矛盾，模型要做的，只是找出哪项假设可能出错，并给出解释。

这比科学家自己找问题、定方向，可容易太多了。

爱因斯坦当年可没有人替他划重点。

而且更麻烦的是，它所在的“1900年”也不是完全密封的：

Hla虽给这个“1900年的大脑”做了数据清洗，实验过程中却仍借助了现代AI 的帮助——用 4、 3 Haiku等模型生成指令问答，强化学习也靠现代模型评分。

图片没有可用地址

详情可点进文末仓库链接查看

这意味着，Hla虽然过滤了其中涉及现代知识的内容，但这座“1900年的房间”也没有完全隔绝现代知识。

实验者自己也在日志中承认：现代模型的介入，让这场实验的“零污染”人设有点立不住了…

毕竟研究者很难证明，GPT-1900到底有没有偷看过光量子理论。

也就是说，考AI创造力之前，研究者得先证明一件事：它没偷看答案。

只要有一条后世信息漏进训练集，“重新发现”就可能变成一次偷偷摸摸的知识召回。

可就算未来真能造出完全零污染的历史模型，一个更根本的问题依然悬而未决：

仅仅复现了正确答案，就足以让AI被称为科学家吗？

研究人员给出的答案是否定的。

会冒出新idea之后，AI距离科学家还有多远？

研究员Tom 在一篇题为《LLM无法跳跃》的立场论文中，把科学推理分成了三个层次。

第一种是归纳：从大量例子中总结规律。

第二种是演绎：从已有前提出发，推导出必然结论。

第三种则是溯因：面对一个异常现象，发明一个此前不存在的原因或解释。

认为，当前的大模型已经非常擅长归纳，也在迅速提高演绎能力，但仍缺少爱因斯坦式的“溯因飞跃”。

模型可以沿着一条已经铺好的逻辑链往下推，却很难从零开始提出一套全新的解释框架。

图片没有可用地址

标题就说明了一切

无独有偶， 研究一个学习行星轨道的基础模型时，也撞见了同样的现象：

在设定好的行星轨道任务里，模型预测得头头是道；一换新场景，就没法举一反三地运用牛顿力学了。

它更像是给每套数据临时拼出一套规则，还分不清哪些理论真正正确、值得检验，哪些只是碰巧符合眼前的数据。

这就好比一个学生背下了所有历年真题的答案，但却始终没有学会题目背后的底层原理，于是，老师稍微改个数字，他就不会做了。