夜雨聆风这次分享源自于班级内部的科研分享，题目是《AI 能像科学家一样发现规律吗？——从符号回归到AI for Science》。最初准备这个内容时，我并不想把它做成一场单纯介绍算法的报告，而是希望从一个更朴素的问题出发：科学发现到底是怎样发生的？从第谷的天文观测，到开普勒的行星运动定律，再到牛顿的万有引力定律，科学史上很多重要突破都不是凭空出现的，而是在长期观测、实验和计算的基础上，从复杂现象中提炼出简洁规律。
在今天的科研环境中，AI 已经开始进入这一过程。它可以处理大规模数据，可以加速仿真，可以辅助建模，也可以在一些问题中帮助我们寻找潜在规律。但我认为，AI for Science 真正值得关注的地方，并不只是“预测得更准”，而是它是否能够进一步帮助我们理解规律、表达规律、验证规律。
这也是我选择讲符号回归的原因。相比一般黑箱模型，符号回归更关注从数据中发现显式数学表达式。它试图回答的不是“结果是多少”，而是“变量之间可能满足什么关系”。在科学发现、工程代理模型显式化、实验设计优化、模型压缩与知识蒸馏等场景中，符号回归都提供了一种很有启发性的思路：让数据重新回到公式，让预测进一步走向理解。
这份 PPT 主要面向非符号回归方向的同学，因此我尽量没有展开过多算法细节，而是围绕“为什么需要它、它是什么、有哪些代表方法、能用在哪里”这条主线展开。报告中涉及 GP、EQL、SINDy 和 AI Feynman 等典型方法，也结合飞行器设计、CFD、气动力建模等工程背景，尝试说明符号回归为什么值得航空航天和计算机方向的同学关注。整体内容结构可见上传的分享稿件。
对我来说，符号回归的意义不只是多一种机器学习方法，而是提供了一种连接 AI 与科学规律的路径。未来的 AI for Science 可能不会停留在黑箱预测，也不会完全替代理论推导，而是会在数据、模型、实验和知识之间形成新的循环。符号回归也许只是其中一个入口，但它提醒我们：真正有价值的科学 AI，不应只会给出答案，还应帮助我们理解答案背后的规律。
