中国研究人员开发出一种名为AI-Newton的新型人工智能系统，成功让AI在未被人类预设规则的情况下，从物理实验数据中自主“发现”基本物理定律。该系统在经过训练后，能像人类科学家一样逐步构建知识体系，推导出如牛顿第二定律等核心物理概念。 研究团队由北京大学物理学家马艳清（Yan-Qing Ma）领衔，他们利用模拟器生成了46组涉及摆动、弹簧、碰撞和振动等现象的物理实验数据，其中还故意加入统计误差，以更贴近真实实验环境。AI-Newton被输入小球在不同时刻的位置数据，任务是找出时间与位置之间的数学关系。系统成功推导出速度的表达式，并将该知识作为基础，进一步推导出小球质量，最终验证了牛顿第二定律。 该系统采用“符号回归”（symbolic regression）方法，即在数学表达式空间中搜索最能描述物理现象的方程。这种方法不同于传统AI的“黑箱”模式，更强调可解释性，使AI能主动发现有意义的科学概念，而非仅做预测。 与此前AI在天体运动中的应用相比，AI-Newton展现出更强的泛化能力。2019年，瑞士ETH的“AI Copernicus”系统曾用地球观测数据推导出行星轨道公式，但需人工解释其物理意义。而哈佛大学的Keyon Vafa与MIT团队在2023年测试多个大模型（如GPT、Claude、Llama）时发现，这些基础模型在学习轨道数据后，无法将知识迁移到其他任务，甚至推导出荒谬的“引力定律”。 相比之下，AI-Newton通过分步学习与知识积累，展现出真正的科学发现潜力。尽管目前研究尚未经过同行评审，但这一进展标志着AI正从“模式识别”迈向“概念生成”，未来有望在基础物理、材料科学等领域协助人类突破认知边界。