AI 自主科学发现:可验证闭环方案

一、立场与目标

目标是让 AI 独立完成科学发现，但每项结论都必须能被人类独立验证。“人类可验证”是硬约束，不是可选项。

科学知识的权威来自可重复和公开审查。人类无法检验的“发现”只是黑箱断言，还算不上知识。因此本方案允许 AI 的自主程度一路提高，但宁可让系统多花力气把结论解释到人类能核查的程度，也不接受无法检查的结果。

方案针对当前 AI 的四个缺口设计：

• 接触不到反常数据：科学突破大多由现有理论解释不了的数据驱动。

• 不能长期持有问题：每次会话从零开始，领悟不会改变模型本身。

• 缺少超越共识的判断标准：生成偏向高概率的共识延续，难以认出正确的低概率想法。

• 缺少确认环节：形式验证只说明“证对了”，不说明“证的就是想证的命题”。

二、总体架构：六个模块组成的发现闭环

系统是一个闭环：从数据中找反常，生成假说，用客观标准评判，做实验检验，再经独立确认后写回长期记忆。模块 4 的评判器是整个方案的核心。

发现闭环 · 6 个模块

上排是从反常到评判的思考链，下排是从实验到记忆的检验链；未通过确认的结果不会写回记忆。

模块 1：反常挖掘引擎

让系统直接面对原始数据，而不只是论文。持续接入公开科学数据集（天文巡天、粒子物理开放数据、基因组、材料数据库），用现有最好的理论去拟合，专门寻找系统性残差，也就是现有理论稳定预测不准的地方。

•产出：按“反常程度 × 数据可靠性”排序的问题清单。

•难点：区分真实反常和测量误差。每个反常都附数据质量审计，例如是否有多台独立仪器看到同样的偏差。

模块 2：长期研究记忆

为每个问题建立持久的研究档案：已试过的思路、失败原因、部分结果、未解决的矛盾。系统按周或按月反复回到同一个问题。进一步，只用已被确认的结果定期做持续训练，让领悟真正改变模型；未确认的结果不进入训练，以免错误自我强化。

模块 3：假设剥离式生成

不靠调高随机性求新，而是系统地删假设：

1.把现行理论拆成一组明确的核心假设，如“同时性是绝对的”“基因是唯一的遗传载体”。

2.对每条假设，生成去掉或反转它之后的理论变体。

3.由多个带不同范式先验的智能体并行工作，并强制做跨领域结构迁移。

模块 4：不依赖共识的评判器

用三个不依赖“看起来合理”的客观标准给假说打分：

• 压缩力：按最小描述长度原则，看新理论能否用更少参数解释更多数据。这是“统一性”的可计算替代。

• 冒险预测：奖励现有理论没有预测、且可能被证伪的新预测，被实验证实的越多得分越高。

• 形式一致性：凡能形式化的推导，都用 Lean 等工具做机器检查。

模块 5：实验执行

结合自动化实验室和高保真仿真。用贝叶斯实验设计选实验：每次挑预期信息增益最大、最能区分竞争假说的那个，而不是最容易做的那个。

模块 6：独立确认

• 独立验证者：一个看不到生成者推理过程的智能体，从零重查结论，必要时换方法重算。

• 陈述确认：用 HAZOP 引导词（无、多、少、部分、反向、异于）逐条审查结论的前提和适用范围。

• 物理复现：实验发现须由另一套设备或另一实验室复现，才进入“已确认”状态。

• 全程溯源：记录每个结论的数据来源、推理链和模型版本。

三、分阶段路线图

路线分四个阶段，每个阶段都有成功指标和否决条件；否决条件一旦触发，就不进入下一阶段。阶段 0 和 1 有较高把握可落地，阶段 3 是一个有明确检验标准的假说，不是承诺。

路线图 · 4 个阶段

时长只是估计；真正决定能否进入下一阶段的，是当前阶段的否决条件是否已被排除。

关键测试：历史再发现

阶段 0 最重要的基准，是只给系统某个年份之前的知识，例如 1900 年以前的物理学，再给它当时已知的反常：迈克耳孙-莫雷实验、水星近日点进动、黑体辐射、光电效应。看它能否独立推出相对论或量子论的核心思想。

• 这个思路并非本方案首创，AI 研究界已有类似提议。

• 最大难点是数据泄漏：现代语料里到处是相对论的痕迹，构建真正“干净”的历史语料本身就是大工程。

• 它是目前唯一能在事前检验“范式级顿悟能力”的方法。

四、主要风险与对策

四个风险中，实验瓶颈决定进度上限，双重用途风险决定哪些环节绝不能为速度放松。

五、自我评估

模块 1、5、6 主要是工程问题，有扎实基础；模块 3和 4 是真正的科学难题，也是本方案推断成分最多的部分。

总体定位：阶段 0 和 1 较有把握可落地，部分工作已在进行；阶段 2 合理但未经证明；阶段 3 是一个有明确检验标准的假说。