在人工智能与科学探索的交叉领域，一项突破性成果引发学界关注。北京大学物理学院马滟青教授团队开发的“AI-牛顿”系统，成功实现了人工智能自主推导经典力学核心定律的里程碑式进展。该系统通过分析46组基础物理实验数据，在无人工干预的情况下独立“发现”了牛顿第二运动定律（F=ma），相关研究被国际权威学术期刊《自然》以专题形式报道。
传统人工智能模型虽擅长数据模式识别与预测，但在抽象科学原理方面存在明显局限。以行星运动预测为例，现有模型可精准模拟轨道参数，却难以自主归纳出万有引力定律。马滺青团队通过构建新型认知架构，使“AI-牛顿”系统突破了这一瓶颈。该系统采用“概念构建-规律验证”的迭代学习模式，通过分析小球碰撞、弹簧振动等基础实验的模拟数据，逐步建立起力、质量、加速度等核心概念，最终推导出具有普适性的物理定律。
研究团队设计的双库架构是关键创新点：实验库集成物理实验的数字化模拟生成器，理论库则采用“符号-概念-定律”三层知识存储结构。系统在运行过程中持续从实验数据中提取特征，通过符号回归算法生成候选公式，再运用合情推理策略验证理论有效性。这种设计既保留了数学公式的可解释性，又显著提升了数据处理的效率与精度。
哈佛大学计算机专家Keyon Vafa评价称，该系统的编程逻辑有效引导了核心概念的推导过程，为科学发现提供了全新范式。相较于传统神经网络的“黑箱”运作，这种可回溯的推理路径更接近人类科学家的认知模式。实验数据显示，系统在处理含噪声数据时仍能保持较高准确性，其推导结果与经典力学理论完全吻合。
这项突破不仅标志着人工智能从科研工具向“认知主体”的转变，更为复杂科学规律的发现开辟了新路径。研究团队透露，后续计划将系统应用于量子力学等前沿领域，尝试破解微观世界的规律密码。该成果得到国家自然科学基金及北京大学高性能计算平台的支持，参与研究的包括物理学院在读博士生方尤乐、见东山以及博士后研究员李想。
《自然》新闻栏目特别指出，这种自主发现模式可能重塑未来科研生态。当人工智能开始承担基础理论推导工作，科学家将得以从重复性试验中解放，专注于更具创造性的思维活动。这种“人机协同”的新范式，或将加速人类对自然规律的认知进程。
