MaxForAI讨论大模型能否完成科学跃迁

最近看到一篇非常好的文章，想跟大家分享一下。作者是 @yong_zhengxin ，目前在 OpenAI 做 RSI（递归自我改进）和 AI Safety 相关研究，博士毕业于 Brown University。文章标题很直接：《LLM can jump》。

它讨论的是一个我觉得很重要的问题： 大模型到底能不能完成真正的科学“跃迁”？今年 1 月，Google DeepMind Discovery Team 联合负责人 Tom Zahavy 写了一篇后来入选 ICML 2026 的 Position Paper，提出了一个非常直接的判断： LLMs can't jump。Zahavy 本身就在研究 AI 的创造力，他也是 AlphaProof 的主要贡献者之一。

按照他的观点，现在的大模型很擅长归���和演绎，但缺少科学发现中非常关键的一种能力： Abduction，也就是从已有现象突然跳到一个全新解释框架的能力。比如爱因斯坦从“加速度和重力等价”出发，直接跳到广义相对论。这种东西不是多算几步就能算出来的，而是突然换了一套理解世界的方式。

但 Yong 提出了一个很有意思的反驳： 为什么一定要求 AI 沿着爱因斯坦当年的路线，再发现一次广义相对论？爱因斯坦提出广义相对论时，人类手里的知识非常少。但今天完全不一样。

特殊相对论、量子场论、粒子物理、微分几何……过去一百多年，人类已经把大量原本不存在的知识节点补齐了。Feynman 后来甚至展示过另一条路线： 假设爱因斯坦从来不存在，从量子场论出发，研究一个无质量、自旋 2 的粒子，再不断要求 Lorentz invariance、能量动量守恒和自洽性，最后一样会逼出广义相对论。也就是说当知识足够丰富后，当年的“天才一跃”，可能会变成今天的一条长推理链。

这件事对 LLM 特别关键。因为大模型很擅长同时读过大量不同领域的知识，然后发现某两个过去几十年从来没人放在一起看的东西，好像可以连起来去研究🤔。今年 OpenAI Astra 解掉 unit-distance problem 的案例就很像这样。

它把代数数论里的 class field towers、Golod-Shafarevich theory，突然接到了离散几何的问题上。两个原本离得非常远的领域，被连了一根线。结果一个长期开放问题就被推过去了。

所以我越来越觉得，未来 AI 科学发现的形态，可能是： 发现异常 → 搜遍其他学科 → 建立几十万个候选连接 → 推导 → 用代码、证明器、实验验证 → 错了继续搜 只要搜索空间足够大，验证成本足够低，机器眼里的一次普通 search + verification，在人类眼里可能就是一次范式跃迁。但这也引出了一个更麻烦的事情。以后你想通过“把危险知识从训练数据里删掉”来限制模型，可能也没那么容易。

因为你删掉的是答案。但只要周围的知识还在，模型可能自己把答案重新推出来。所以最后的问题变成了：如果全人类的知识已经足够密集，一个可以跨越所有学科、无限搜索并不断自我验证的系统，到底还需不需要所谓的“idea”？

AI 不需要成为爱因斯坦。它只需要读完爱因斯坦之后，人类留下的所有东西。这篇文章非常好，推荐大家去读一下！