在科研中 AI 的工具角色并未改变

摘要：近期一则LLM 智能体搜索得到高强度石墨烯超结构的报道，再度掀起 AI 自主发现科学规律的讨论热潮。本文以广义信息论为基础，辨析大语言模型的本质：语言只是信息的编码而非信息本身，LLM 仅拟合人类思维外化后的符号统计关系，既无独立感知通道，亦无内生认知动机。结合宇称不守恒实验验证的科学史案例说明：AI Agent 能够高效生成科研假说、加速仿真遍历，是效能极强的科研工具；但仿真预测不等于物理实在，所有假说最终都必须依靠真实实验核验。媒体渲染的"AI 独立涌现智慧、自主完成科学发现"属于叙事夸大。时至今日，在科研场景之下，AI 的工具属性并未发生本质改变。

最近一则材料科学新闻再度引爆AI 叙事：MIT 团队利用 LLM 驱动的智能体，自主编写原子仿真程序，在巨大的构型空间里搜索石墨烯三维超结构，媒体报道称找到了强度高出 6.6 倍的新型石墨烯。

不少报道将这件事渲染成AI 独立完成科学发现、AI 自主涌现科学智慧的又一例证。在很多大众叙事里，AI 仿佛已经可以脱离人类，独自发现自然规律、创造新材料。但拨开新闻的修辞包装，回归科学研究的底层逻辑，我们会得到一个冷静的结论：大模型、AI Agent 依旧只是科研人员手中强大的工具，它的工具属性，没有发生本质改变。

首先要厘清这条新闻里容易被放大的数字陷阱。所谓"6.6 倍强度提升"，并不是对比经典单层石墨烯本征强度的提升，而是在 AI 搜索得到的一系列石墨烯超结构候选构型中，最优构型与最差构型之间，同等密度归一化强度的比值。这套结构目前仅仅是原子模拟、第一性原理计算给出的理论假说，尚未在实验室完成合成与实测验证。

这套LLM Agent 的工作链路是这样的：由人设定目标、约束条件与评价标准；大语言模型负责规划仿真流程、自动编写原子模拟代码、批量发起虚拟实验、汇总仿真输出结果；物理仿真器承担力学、原子相互作用的约束计算，给出性能评估。整个闭环里，LLM 并不理解"石墨烯""强度""范德华滑移"这些词汇背后对应的物理实在。它擅长的，是在符号空间里按照给定目标高效遍历、生成候选方案。它是不知疲倦的高级科研助理，而不是独立的研究者。

这恰好契合我在2014 年出版的《信息论思维》一书中提出的广义信息论核心论断：语言，只是信息的编码，而非信息本身。

语言、文字、公式，都是一套人为约定的符号编码体系，用来映射、传递信息，但编码不等于信息本体。同一个物理规律，可以用中文、英文、数学公式、原子坐标、力学图纸等多种编码形式表达。大语言模型训练学习的，是人类沉淀下来的文本符号集合，拟合的是符号之间接续、关联的统计规律。它模仿的，仅仅是人类思维中外化为自然语言的那一小部分。

人的认知大量是内隐的：力学直觉、空间感知、对实验假象的甄别能力、价值取舍、好奇心与求知动机，很多根本不会转化成文字语言。这些内隐认知，是大模型无从学习的。它所有信息输入源头，全部由人供给：要么是预训练阶段人类已经写成文本的知识集合，要么是交互时刻人给出的提示词Prompt。它没有独立感知物理世界的通道，不会自发提出科学问题，不会主动设计实验去检验猜想。在这套底层约束之下，所谓 AI 独立涌现智慧，在逻辑上就不成立。

科学的范式千百年来一直稳定不变：假说，永远需要物理世界的实验来终审。这里可以借用物理学史上一个经典案例类比：杨振宁、李政道提出弱相互作用下宇称不守恒，是漂亮、自洽的理论猜想，也给出了可供检验的实验方案。但如果没有吴健雄完成钴60 极化衰变实验，用真实世界的观测数据验证这个猜想，再精妙的理论，也只是停留在纸面的假说，不可能获得诺贝尔奖的认可。

放到今天AI for Science 的场景对照：AI Agent 输出的仿真候选结构，相当于杨、李当年提出的理论猜想；实验室制备、表征、实测，就是吴健雄的判决实验。仿真模型再精致，本质上也只是对物理世界的简化映射，模型输出的优美结果，完全有可能是数值假象、边界条件偏差带来的虚假解。能不能稳定制备、实测性能是否和仿真预测吻合，才是判定这个"新材料"是否真实成立的终审环节。

同时我们也不能低估这套工具的价值。LLM+Agent 是一把利器，它把过去需要科研人员耗费数年时间、难以完成的海量试错、构型遍历、脚本编写工作压缩到极短周期，打开了过去人力无法涉足的巨大搜索空间。它极大拓展顶尖科学家能力的上限，让很多从前难以落地的研究路线具备了可行性。

但是，工具再锋利，控制权、科学判断力、物理直觉，依然掌握在领域内顶尖科学家手里。Agent 无法自己判断哪一组仿真结果有物理意义，哪一组只是计算噪声；它不会自主设计合成路径，不会分辨测试中的干扰与伪影。驾驭这套 AI 工具，依然需要深厚的学科功底。

现在很多媒体热衷于"AI 独立发现 XX""AI 诞生科学洞见"这类叙事，本质上是刻意省略了"人设定目标、人把控边界、实验最终核验"这些必不可少的环节，把算力红利、符号重组能力，包装成通用自主智能的涌现。

一句话收尾：AI 可以加速假说生成、大幅降低科研试错成本；但编码层面符号的高效重组，不等于对信息本体的理解，更不等于产生独立的智慧。在科研领域，AI 的工具角色，从未改变。

参考文献

[1] 周锚。信息论思维：互联网时代的生存法则 [M]. 北京：中国发展出版社，2014. ISBN：978-7-5177-0174-3

[2] Markus J. Buehler. AI that reasons from first principles, atom by atom [EB/OL]. X (Twitter), 2026-09-28. (参考链接：从第一性原理出发、逐原子进行推理的人工智能)

[3] Wu C S, Ambler E, Hayward R W, et al. Experimental Test of Parity Conservation in Beta Decay [J]. Physical Review, 1957, 105(4): 1413–1415.

[4] Lee T D, Yang C N. Question of Parity Conservation in Weak Interactions [J]. Physical Review, 1956, 104(1): 254–258.

[5] Lee C, Wei X, Kysar J W, Hone J. Measurement of the elastic properties and intrinsic strength of monolayer graphene [J]. Science, 2008, 321(5887): 385-388.