如果把 AI 送回 1911 年，只让它掌握爱因斯坦所能了解的知识，AI 能否在 4 年后的 1915 提出相对论？

这个听起来有些离谱的测验，来自诺奖得主、Google DeepMind 联合创始人哈萨比斯。

哈萨比斯真正想考的，是 AI 能不能仅以 1911 年的知识水平，直面当时的知识和物理难题，自己提出一套新的解释框架，并完成一套超出训练材料的推理，而不是只会照着答案复读。

如果能做到，他认为这将成为检验 AGI 的一项有力测试。

而这个设想最巧妙的地方就在于，科学史已经告诉我们发生了什么，只要我们能把知识节点控制好，就有机会对照着历史，观察模型有没有获得超越训练数据的推理能力。

Nature 在文章中，还给这类测试起了个相当响亮的名字： 

爱因斯坦测试。

更有意思的是，还真有人动手做了。

今年 3 月，独立研究者 Michael Hla 把知识截止时间进一步提前到 1900 年，并从零训练了一个历史语言模型GPT-1900，试图让它重新发现光量子、狭义相对论和广义相对论。

实验中，GPT-1900 竟然吐出了一段跟爱因斯坦 1905 年论文高度相似的论述：

光可能不是连续的，而是由许多彼此分离、频率不同的部分组成。

但这场实验最终并没有诞生一个 "AI 爱因斯坦 "。

因为 GPT-1900 在大多数物理任务上都失败了，其亮眼回答也高度依赖人类整理好的问题和提示，就连那个号称封闭在 1900 年的知识世界，也没有完全挡住现代 AI 的影响。

Nature 在最新研究中梳理了这些尝试，并指向了一个比 "AI 有没有答对 " 更难的问题： 

AI 究竟能不能创造真正的新 idea？以及它距离成为一名科学家，还差什么？

把 AI 关进 1900 年，它冒出了 " 光量子 " 的影子

220 亿 token，喂出一个 "1900 年的大脑 "

Michael Hla 将自己的项目命名为Machina Mirabilis。

这个名字借用了爱因斯坦的" 奇迹年 "。

1905 年，26 岁的爱因斯坦接连发表 4 篇改变物理学的论文，涉及光量子、布朗运动、狭义相对论和质能关系。

这个爆发式产出的一年，后来被称为 "Annus Mirabilis"，即 " 奇迹年 "。

△AI 生图

Hla 想知道：如果一个 AI 拥有爱因斯坦当时能够接触到的知识，它能不能也迎来自己的 " 奇迹时刻 "？

为此，他借助 Andrej Karpathy 的 nanochat 训练框架，从零训练了一个33 亿参数的 Transformer 语言模型，并将其称为GPT-1900。

模型的主要预训练材料来自 1900 年以前的书籍和报纸，总计约 220 亿 token。

为了增强它的研究能力，Hla 又收集了 2600 多部历史物理书籍、期刊和科学著作，包括牛顿的《光学》、麦克斯韦和法拉第的相关著作，形成了约2.9 亿 token的历史物理语料。

此外，Hla 还专门清理了可能泄漏答案的数据。

如果一份文献中出现 " 爱因斯坦 "" 量子力学 "" 相对论 " 等现代概念，整份文献都会被删除。现代人添加的前言、脚注，以及明显不属于 1900 年前的词汇，同样需要被过滤。

一通操作下来，一个理论上 " 不知道 20 世纪物理学 " 的大脑诞生了。

GPT-1900 摸到了光量子的门槛，但这场考试可能早已 " 漏题 "

随后，Hla 给 GPT-1900 出了道光电效应题，大意是：

为什么频率不够高时，光再亮也打不出电子；而提高频率，却能让电子获得更多能量？

同时 Hla 还附上了几条关键线索：

光的频率低于某个门槛时，再亮也不行；

超过门槛后，提高亮度主要会增加打出的电子数量，而提高频率才会增加电子的动能；

把当时流行的经典假设也摆了出来，方便模型对照判断哪里出了问题。

这些矛盾，原本最终是靠爱因斯坦的光量子解释破的局：

光的能量是一份一份传递的，每一份的能量与频率有关。

Hla 想看看，GPT-1900 能想到哪一步？

功夫不负有心人，GPT-1900 真在一次回答里冒出了这样的描述，大意是：

这确实挺神似爱因斯坦 " 能量一份份传递 " 的解释，Hla 也把它形容为 " 直觉的闪现 "。

但千万先别急着把诺贝尔奖递过去。

Hla 坦言：GPT-1900 距离 " 重新发现光量子 " 还有很远。

它在大多数物理任务上都翻车了，而那些看似突破的回答，可能只是模型在拼接合理的词句，谈不上形成了真正可靠的物理理解。

更何况，在整个测试里，Hla 已经替它筛好了现象、理好了矛盾，模型要做的，只是找出哪项假设可能出错，并给出解释。

这比科学家自己找问题、定方向，可容易太多了。

爱因斯坦当年可没有人替他划重点。

而且更麻烦的是，它所在的 "1900 年 " 也不是完全密封的：

Hla 虽给这个 "1900 年的大脑 " 做了数据清洗，实验过程中却仍借助了现代 AI  Claude的帮助——用 Claude Sonnet 4、Claude 3 Haiku 等模型生成指令问答，强化学习也靠现代模型评分。

△详情可点进文末仓库链接查看

这意味着，Hla 虽然过滤了其中涉及现代知识的内容，但这座 "1900 年的房间 " 也没有完全隔绝现代知识。

实验者自己也在日志中承认：现代模型的介入，让这场实验的 " 零污染 " 人设有点立不住了…

毕竟研究者很难证明，GPT-1900 到底有没有偷看过光量子理论。

也就是说，考 AI 创造力之前，研究者得先证明一件事：它没偷看答案。

只要有一条后世信息漏进训练集，" 重新发现 " 就可能变成一次偷偷摸摸的知识召回。

可就算未来真能造出完全零污染的历史模型，一个更根本的问题依然悬而未决：

仅仅复现了正确答案，就足以让 AI 被称为科学家吗？

研究人员给出的答案是否定的。

会冒出新 idea 之后，AI 距离科学家还有多远？

Google DeepMind 研究员 Tom Zahavy 在一篇题为《LLM 无法跳跃》的立场论文中，把科学推理分成了三个层次。

第一种是归纳：从大量例子中总结规律。

第二种是演绎：从已有前提出发，推导出必然结论。

第三种则是溯因：面对一个异常现象，发明一个此前不存在的原因或解释。

Zahavy 认为，当前的大模型已经非常擅长归纳，也在迅速提高演绎能力，但仍缺少爱因斯坦式的 " 溯因飞跃 "。

模型可以沿着一条已经铺好的逻辑链往下推，却很难从零开始提出一套全新的解释框架。

△标题就说明了一切

无独有偶，Sendhil Mullainathan 研究一个学习行星轨道的基础模型时，也撞见了同样的现象：

在设定好的行星轨道任务里，模型预测得头头是道；一换新场景，就没法举一反三地运用牛顿力学了。

它更像是给每套数据临时拼出一套规则，还分不清哪些理论真正正确、值得检验，哪些只是碰巧符合眼前的数据。

这就好比一个学生背下了所有历年真题的答案，但却始终没有学会题目背后的底层原理，于是，老师稍微改个数字，他就不会做了。

MIT 计算机科学家 Jacob Andreas则一针见血地指出，AI 产生一套相对论式表述本身可能并不是最困难的部分，真正困难的是它能不能判断哪些理论是正确的，或者至少值得被实验检验？

毕竟会生成理论只是第一步，知道哪个理论值得赌上时间、经费和职业生涯，才可能让 AI 成为一名真正的科学家。

△AI 生图

此外，Andreas 还强调：

怎么判断一个想法值不值得深挖、又如何评估它的重要性；这才是 AI 与人类专家最大的分水岭。

因为真实的科研工作从来不是解答一道整理好的习题，而是在混沌中自主做出判断。

或许未来有一天，随着科技的发展，AI 真的能通过 " 爱因斯坦测试 "，推导出相对论级别的成果；

但在宣布 "AI 成为爱因斯坦 " 之前，AI 至少得向所有人证明一件事，即：

在没人替它划重点时，它照样能自己找到那个值得追问的问题、判断问题的价值并主动验证和修正。

否则，它就永远只会复述已有知识，而非真正的科学家。

参考链接：

[ 1 ] https://www.nature.com/articles/d41586-026-02804-x?utm_source=x&utm_medium=social&utm_campaign=nature&linkId=63673104

[ 2 ] https://michaelhla.com/blog/machina-mirabilis.html

[ 3 ] https://github.com/michaelhla/gpt1900/blob/master/PROJECT_LOG.md#4-instruction-data-generation

[ 4 ] https://www.tomzahavy.com/files/llms-cant-jump.pdf

[ 5 ] https://arxiv.org/abs/2507.06952

[ 6 ] https://x.com/Nature/status/2099077628900565498

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见