Michael Nielsen – Why aliens will have a different tech stack than us

科学进步不是靠“验证循环”自动发生的，它更像一场混乱、充满死胡同的集体冒险，而AI目前只擅长解决其中一小类问题。

这期对话适合任何对“科学如何真正进步”以及“AI能否加速科学”感兴趣的人。它值得看，是因为它用鲜活的科学史案例（如以太实验、相对论、进化论）彻底打破了我们对“科学方法”的刻板想象——科学不是沿着预设的验证轨道前进，而常常是误读、固执和意外并存的混乱过程。最值得注意的洞见是：AI（如AlphaFold）目前主要解决的是“数据拟合”类瓶颈，但科学史上最关键的突破往往发生在现有“方法”失效、需要全新审美和世界观的地方，而这恰恰是AI（和当前方法论）的盲区。

这期对话以“科学如何进步”为核心问题，通过拆解一系列经典科学史案例（迈克尔逊-莫雷实验与相对论、哥白尼革命、牛顿与达尔文、AlphaFold等），探讨了科学发现真实、混乱的过程。重点在于反驳一种简化观点：即科学进步可以通过“验证循环”被自动化或程序化。对话深入讨论了为何伟大的科学家也会长期坚持错误理论，为何正确的理论有时在实验证据完备前就被接受，以及AI在科学中真正的用武之地和局限。

1. “验证”远非直截了当：迈克尔逊-莫雷实验并未直接“证伪以太”或“催生相对论”。实验者本人终身相信以太，其他物理学家（如洛伦兹）也用更复杂的以太理论来解释结果。科学发现不是“实验A导致理论B”的线性过程。
2. 进步依赖“科学品味”与集体多样性：像爱因斯坦对相对论的突破，关键不在于新证据，而在于一种全新的、更简洁的时空观（一种“审美”）。这种突破无法被预设流程催生，而需要容纳多种不同甚至相互冲突的研究路径（如同时探索天王星轨道异常是源于新行星，还是水星轨道异常意味着新物理）。
3. AI的强项与短板：AI（以AlphaFold为例）在拥有海量高质量数据的领域（如蛋白质结构预测）表现出色，但这本质上是“数据拟合”的胜利，只解决了科学瓶颈中的一类（数据建模）。科学史上更关键的瓶颈——提出具有深刻解释力的简洁原理（如广义相对论）——需要的是概念革命，而这依赖于人类（或未来AI）的“科学品味”和跨领域连接能力，目前仍是AI的短板。
4. 伟大科学家也会被自身知识所困：庞加莱几乎触及了狭义相对论的所有要素，却因坚持“长度收缩是动力学效应”的旧观念而错过突破。这表明，深厚的专业知识有时反而会成为接纳根本性新思想的障碍。

科学史上99.9%的异常观测最终都是“热辐射不对称”这类琐碎原因，但诺贝尔奖只属于那0.1%的真正革命性例外——而事前你根本无法区分它们。

这对AI从业者，特别是那些致力于用AI推动科学发现（AI for Science）的人，是剂重要的清醒剂。它提醒我们：不要只盯着“有清晰验证指标”的科学问题（如预测分子性质）。真正的挑战在于如何让AI系统具备或辅助产生“科学品味”——即那种能判断“哥白尼体系虽不更精确但更深刻”的直觉。这可能意味着：1）设计能同时探索多种竞争性理论框架的AI系统，并维护其多样性；2）开发能从复杂模型（如AlphaFold）中“挖掘”出可解释原理的工具，而不只是满足于黑箱预测；3）认识到自动化科学最大的瓶颈，可能将从“计算/实验验证”转移到“提出具有深刻解释力的假设”本身。我们需要的或许不是更快的“计算员”，而是能模拟“爱因斯坦式思维跳跃”的“思考伙伴”。