「AI-Newton」零物理知识自学300年物理!北大团队开源:爱因斯坦最幸福的想法,被自己「想」出来了

一条帖子，把"AI自动做科学发现"推到台前

2026年6月15日，X上账号 @HowToPrompt__ 发了一条长帖，近400人点赞、近百次转发。

帖子里没有放任何新论文链接——只是讲了一个故事。

故事的开头是1907年的爱因斯坦。结尾是一个叫AI-Newton的系统，它仅凭原始实验数据，自行定义了引力质量和惯性质量，自行发现两者数值相等，然后一路推演出牛顿力学三大定律。

帖文原文：

"Researchers open-sourced an AI that taught itself 300 years of physics with zero physics knowledge"

「研究人员开源了一个AI，它用零物理知识自学了300年的物理。」

"Now, researchers at Peking University built an AI that figured out the same thing on its own with zero physics knowledge. They call it AI-Newton."

「北京大学的研究人员构建了一个AI，它在零物理知识的情况下自己想出了同样的事情。他们称之为AI-Newton。」

▲ @HowToPrompt__ 主帖全文，附爱因斯坦与AI-Newton的类比推理

跟帖里作者直接甩出了arXiv论文链接（ID 2066506827513377034），14人点赞、两次转发。

▲ 作者自己回复了论文直链：arxiv.org/pdf/2504.01538v1

但重点不在点赞数——要看评论区里的质疑声。

"无先验知识"？评论区直接点到了要害上

用户 Todd Haberle 贴出了论文PDF的关键句，直接指出逻辑矛盾：

"Read this, taken right from the pdf. 'from raw data—without supervision or prior physical knowledge. The system integrates a knowledge base and knowledge representation centered on physical concepts.' First it says no prior knowledge, and then contradicts itself."

「读读这个，直接摘自PDF。'从原始数据中——没有监督或先验物理知识。系统集成了以物理概念为中心的知识库和知识表示。'它先说没有先验知识，然后又自相矛盾。」

▲ Todd Haberle 引用论文原文指出"无先验"与"集成知识库"的矛盾

这个批评抓得准。论文Abstract第3行说"without prior physical knowledge"，同一段的后面又明确写了"integrates a knowledge base"——中文读者如果只看帖文，会以为AI从一片白纸开始；但翻到论文正文，系统架构几乎每一层都带着人类设计痕迹。

那问题来了：北大团队到底做了什么？他们的系统跟之前AI做科学发现的思路有什么不同？

论文拆开看："无先验"有争议，但架构有巧思

这篇论文2025年4月2日上线arXiv（v1），2025年12月11日更新v2版本。作者尤乐方†、董山剑†、李翔†、马彦青，全部来自北京大学物理学院。通讯作者马彦青邮箱 yqma@pku.edu.cn。

▲ arXiv 摘要页，展示论文标题、作者及Abstract全文

论文标题直接宣告了这个项目的全部野心：《A Concept-Driven Physical Law Discovery System without Prior Physical Knowledge》——一个无先验物理知识的概念驱动物理定律发现系统。

先解最核心的问题：什么是"无先验物理知识"？

系统输入的数据里只有物理对象（小球、天体）、集合信息（物体位置、弹簧参数）、实验参数和时空坐标。什么是"质量"、什么是"力"、什么是"能量"，这些词从头到尾都没有出现在输入里。系统必须自己在处理弹簧伸长数据时造出一个概念来对应"引力质量"，在处理振荡频率数据时造出"惯性质量"——然后自己发现这两者数值相等。

这跟人类物理学的历史轨迹惊人地一致。1907年爱因斯坦就是通过同一个等价性（弱等效原理）推开了广义相对论的大门。

▲ arXiv v2 HTML页面，展示三层知识库架构（符号层/概念层/定律层）、46个实验的输入体系、致谢国自然与北大超算平台

但这里有一个绕不过去的坎：系统确实"不知道物理概念"，但它有一套高度定制的物理领域特定语言（DSL）、三层知识库（符号层→概念层→定律层）、UCB启发的推荐引擎、符号回归模块和可信推理引擎——换句话说，AI的眼睛和语言是北大团队给的。

这个矛盾不在论文本身——它暴露的是这类研究绕不开的设计哲学问题：机器必须被赋予"观察世界的方式"，才能从世界里看到东西。关键不在于方式本身是否来自人类——它一定是人类设计的——而在于这双眼睛能不能看到人类没看到过的东西。

GitHub开源了什么？80颗星背后的真实工程

代码已经公开在 GitHub: Science-Discovery/AI-Newton，MIT协议。目前80颗星、20个fork，Python+Rust混合架构。

▲ GitHub 仓库页面：README说明、文件树、stars/forks、MIT协议、Languages饼图（Python 41.7%、Jupyter 35.5%、Rust 21.6%）

安装门槛不低：Python 3.11+、Rust 1.84+、Maple 2024、Linux + CUDA。一个benchmark notebook 10到20分钟可以跑通验证，完整试验流程需要Intel Xeon 64-128核加A40/RTX 4080，单次约48小时。

跟"pip install一键部署"完全不挨边，这是研究级实验框架。但论文把数据目录、测试用例、knowledge产物文件全部公开了，复现路径是完整的。

系统跑了10次测试，平均每次自主生成约90个物理概念、约50条通用定律。从单个弹簧的小球到4球4弹簧旋转耦合系统，全部能用发现的定律解释。

概念的涌现顺序很有意思：质量先被定义，力后来才出现；能量守恒的形成尤其典型：系统先发现了"动能守恒"（弹性碰撞场景有效），放进弹簧系统时守恒破了，于是在公式里加了一项"弹性势能"；再放进重力场景，守恒又破了，就再加"重力势"——最终一步步搭出了完整的能量守恒定律。这个过程跟17-19世纪人类物理学家的认知演进路径高度镜像。

从"重新发现旧定律"到"提出新定律"，中间隔了什么？

帖文结尾抛出了一个让人很难不往下想的反问：

"If an AI can rediscover the foundations of modern physics by just looking at raw data... What is it going to discover that we haven't thought of yet?"

「如果一个AI仅通过观察原始数据就能重新发现现代物理的基础……它将发现我们尚未想到的什么？」

Nature 在2025年11月14日的报道（作者Mohana Basu）给了这个疑问一个冷静的注脚：该工具能从原始数据推导科学定律，但距离发展出类人推理还很远。

社区的质疑集中在三个方向上：

数据泄漏。虽然是"模拟实验数据"而非物理教科书，但数据生成器本身解的就是人类已知的微分方程——底层结构里已经嵌入了人类对物理规律的理解。用counterfactual基准（NEWTONBENCH等工作）可以部分缓解，但不能完全排除。

只重新发现已知定律，没发现新东西。这是对当前系统最直接的局限评价——它本质是在"复现训练数据分布里的模式"，要跳到一个前人没摸过的物理域（比如高能物理、凝聚态的某些开放问题），才算真正迈出从rediscovery到discovery的那一步。

系统架构本身就是强人类先验。DSL的语法、推荐引擎的价值函数、可信推理的规则——每一条都是人类物理学家把"什么是好的科学"编码进了系统。优势和风险在同一件事上：架构给得越精准，发现效率越高，但也越容易被先验绑住视角。

有意思的是，这恰恰也是人类科学家的处境：你受的物理训练给了你看问题的框架，也限制了你可能提出的问题类型。

最后看回这件事

AI-Newton 远没有到"一个模型颠覆一个学科"的重量级。它给出的是一个证据：一个经过精心设计的符号推理系统，确实可以在不被告知任何物理概念名称的前提下，从带噪声的实验中自行构建出一个自洽的力学理论体系。

"自行构建"才是关键，也是争议起点。

如果符号系统可以做到这一步，下一个问题是：当符号系统跟领域知识库、真实实验室数据、甚至实验机器人闭环之后，边界在哪？2025-2026年间，清华大学/北京大学的PhyE2E、HKUST的NEWTONBENCH、AI Feynman 2.0等工作都在推同一个方向——把"AI从数据中发现物理定律"从demo变成可检验、可比较、可进化的基准任务。

论文本身已经开了这个头。开源代码是MIT协议的。数据目录和测试用例就躺在GitHub上。门槛确实高——Maple依赖、CUDA需求、48小时跑一轮——但路径已经在。接下来就看社区能把这条路修多远。

— END —