在人工智能與科學研究深度融合的當下，一項來自北京大學物理學院的研究引發全球關注。該團隊開發的“AI-牛頓”系統，成功實現了人工智能自主發現經典力學核心定律的突破，為智能驅動的科學探索開辟了全新路徑。這一成果被國際頂級學術期刊《自然》以專題形式報道，標志著AI在基礎科學領域的探索邁出關鍵一步。

傳統人工智能模型雖能高效處理數據并做出預測，卻難以從海量信息中提煉出具有普適性的科學原理。例如，現有模型可精準模擬行星運動軌跡，卻無法自主歸納出萬有引力定律。針對這一難題，馬滟青教授團隊構建的“AI-牛頓”系統，通過模擬人類科學家的認知模式，在涉及小球、彈簧等物體的46組物理實驗中，從含噪聲的模擬數據中自主識別出力、質量、加速度等核心概念，并最終推導出牛頓第二定律（F=ma）。整個過程無需人工干預或預設物理知識，完全依靠系統自身的數據解析與邏輯推演。

該系統的創新之處在于其獨特的“雙庫架構”與推理機制。實驗庫內置物理實驗的數字化模擬生成器，可持續產生多樣化實驗數據；理論庫則采用“符號-概念-定律”三層知識存儲結構，支持系統逐步構建科學理論體系。在運行過程中，“AI-牛頓”遵循“假設-驗證”的認知循環，通過符號回歸模型提取數據中的潛在規律，再利用合情推理策略驗證假設的合理性，最終形成可解釋的數學表達式。這種設計既保留了公式推導的透明性，又顯著提升了數據處理效率。

哈佛大學計算機專家Keyon Vafa評價稱，該系統的編程邏輯鼓勵對核心概念的深度挖掘，為科學發現提供了極具潛力的方法論。與傳統神經網絡相比，“AI-牛頓”突破了算法黑箱的限制，其推導過程可完整回溯，每個結論均能通過數學邏輯自洽性檢驗。例如，在驗證F=ma的過程中，系統不僅識別出變量間的定量關系，還自主定義了“力”的矢量性質，展現出超越簡單模式識別的認知能力。

這項研究的意義遠不止于重現經典定律。研究團隊指出，該系統所體現的迭代式學習模式，既延續了人類理論建構的創造性，又克服了人工推導周期長的局限。在量子物理等復雜領域，傳統研究往往需要耗費數十年驗證假設，而“AI-牛頓”的快速數據處理能力可大幅縮短這一過程。目前，團隊已啟動將其應用于量子理論規律探索的計劃，試圖在更高維度的物理體系中檢驗系統的泛化能力。

從工具屬性到認知延伸，人工智能正在重塑科學研究的范式。當AI不再局限于輔助計算或模擬，而是開始主動參與理論構建，科學家得以從重復性試驗中解放，將精力投向更具突破性的思考。這項研究獲得的國家自然科學基金支持，也反映出學界對智能科學探索路徑的高度重視。隨著系統架構的持續優化，未來或可出現更多“AI學者”，在材料科學、天體物理等領域推動人類認知邊界的拓展。