AI 能带来科学突破吗？

近期一篇由物理学家 Iulia Georgescu 与哈佛大学荣休教授 Venkatesh Narayanamurti 合著的长文引发讨论：尽管大语言模型已经「吞下」了几乎全部公开的科学文献，却尚未催生真正的突破性发现。原因并非模型能力不足，而是关于科学研究的理解本身存在偏差。

「读论文—提假设—做实验—写论文」的线性幻觉

文章开篇引用了歌德与爱克曼 1825 年的对话。歌德形容爱克曼关于制弓工艺的知识为「活泼的知识，只能通过实践获得」——也就是后来波拉尼（Michael Polanyi）所说的「隐性知识」（tacit knowledge）。

作者指出，当前流行的「读论文—生成假设—测试假设—再写论文」线性模型，对 AI 公司、资助方与出版方尤其有吸引力，因为它容易量化与变现。然而：

• 真实的科研是一个社会性的、复杂的、常常低效的过程，难以用流程图描述。
• 文本记录只是科学知识的一部分，口耳相传与亲身体验同样关键。

科学知识库 Dimensions 索引了约 1.7 亿篇可追溯至 17 世纪的出版物，AI 在文本层面的消化能力确实远超任何人类研究者，但这并未自动转化为新发现。

隐性知识的两个维度

文章综合波拉尼、库恩（Thomas Kuhn）、经济学家 W. Brian Arthur、社会学家 Harry Collins 等人的论述，归纳出隐性知识的两个共性维度：

• 具身—实践维度：知道什么方法可能奏效、什么参数合适、仪器出问题时该找谁——这些「knowings」只能在做中学。
• 社会维度：嵌于学科文化与研究者社交网络之中，靠「走道里闲聊」式的交流传递。

Collins 甚至认为「所有知识，无论多么纯粹，都部分由不可完全形式化的隐性规则构成」。这意味着，任何试图把科研完全编码进语料的工作，原则上都是不完整的。

技术科学视角与「冰山」比喻

作者引用 2021 年著作《The Genesis of Technoscientific Revolutions》中的「技术科学方法」：科学与技术互为引擎，技术科学的知识由问答对网络组成，并不断演化扩展已知领域。

由此他们提出冰山比喻：

• 冰山尖端：被形式化、记录在期刊、书籍、会议论文与预印本中的理论知识，已基本数字化、可检索。
• 冰山主体：大量未形式化的经验、技艺、人际默契与试错记忆，是当前 AI 难以触及的部分。

对 AI 科研工具的启示

文章并未否定 AI 的价值，而是提示一种更冷静的预期：在隐性知识占主导的环节——实验设计、仪器调试、跨实验室协作——纯文本驱动的模型短期内难以替代人类。作者暗示，AI 在科研中最务实的角色，仍是辅助而非主导。

讨论引出一个开放问题：如果科学进步的瓶颈在于「knowings」而非「knowing」，那么下一代 AI 究竟需要什么样的新范式，才能跨过这座冰山？