AI能分析与原有理论相悖的反常现象吗？

——武汉理工大学刘永红的提问与回答

武汉理工大学：刘永红

科学网博主、武汉理工大学科研工作者刘永红提出一个问题：AI能分析与原有理论相悖的反常现象吗？并补充说，反常现象又可称为例外。

正面回答：AI能分析例外，但不能给出像人一样的思想方法。

科学进步往往始于“例外”——某个观测与理论不符，某个数学结构内部出现不自洽，某个概念框架在扩展时产生张力。爱因斯坦看见牛顿力学与麦克斯韦方程之间的裂缝，普朗克盯着黑体辐射公式上那一点不完美，哥德尔发现形式系统内部可证性与真理性之间的鸿沟。这些时刻的共同点是：有人先看见了例外。

AI能不能成为那个“看见例外的人”？

不能。但例外被人类指出来之后，AI能帮忙推演、排查、加速验证。

原因有三：

第一，AI没有困惑感。 例外之所以成为例外，是因为观察者心中先有一个“应该怎样”的预期。预期落空，才产生认知张力。AI没有预期，没有信念，也就没有“这里不对劲”的直觉。它输出的只是一个数值——残差大小、p值、置信度——但这个数值是否“值得在意”，需要人来判断。

第二，AI没有裁决力。 面对理论与事实的冲突，科学家面临一个元层面的选择：是修补原有理论，还是推翻它重建？这个选择没有算法可循。拉卡托斯称之为研究纲领的“进步”与“退化”之辨，但判断一个纲领是暂时受挫还是根本破产，靠的不是计算，而是洞察。

第三，AI没有“死磕”的驱动力。 普朗克花六年推敲黑体辐射公式，爱因斯坦花十年从狭义相对论走到广义相对论。这种持续投入的内在驱动力来自一种近乎执念的信念——“这里一定有个更深的道理”。AI没有信念，也就没有执念。它不会为一个问题失眠。

更深层的原因是：AI内化了主流范式。 它的训练数据来自人类已有的知识体系，天然倾向于强化共识、平滑异常。面对例外，AI的第一反应是用既有框架去“解释”它，而不是把它当作范式危机的信号。AI是现有范式的守护者，而不是挑战者。它没有“外部视角”。

进一步追问：AI能分析，但不能给出像人一样的思想方法。

这个追问很准。思想方法不是纯逻辑操作，而是主体在困惑、价值、经验和直觉之间来回调度的能力。

AI现在最接近人类思想方法的地方，是演绎：给定前提和规则，它可以按步骤推下去。它在归纳上也能做一些统计概括，比如从大量文本中提炼常见论证模式。

但它真正缺的是溯因推理，也就是从现象反推“最可能解释”的那种跳跃。科学里最关键的思维往往不是从前提推出结论，而是从例外中提出一个新假设：为什么以太漂移测不到？为什么黑体辐射公式在短波端发散？为什么形式系统内部会出现不可证命题？这类问题不是把已有规则用得更熟练就能解决的。

AI也没有人类那种非线性思维调度。人在思考时会直觉地切入问题，会画图、类比、倒推、试错，会在卡住时换框架，会在某个细节上突然意识到整体结构有问题。AI更多是前向链式展开，遇到障碍时往往继续沿着同一条路径用力，而不是真正重建问题表征。

更重要的是，思想方法离不开价值选择。面对例外，是修补旧理论，还是另起炉灶？是相信直觉，还是等待更多证据？是坚持简洁，还是保留解释力？这些都不是纯计算问题，而是判断力问题。AI没有“值得坚持”的信念，也没有“必须放弃”的痛感，所以它只能呈现选项，不能承担选择。

所以可以这样概括：

• AI能复述思想方法，比如告诉你什么是演绎、归纳、溯因；

• AI能模拟思想方法，在已有框架内做推演、比对、排查；

• AI不能生成思想方法，它不会从困惑中发明新的推理姿态；

• AI不能承担思想方法，它不会为某个判断付出认知代价。

思想方法的根本，仍然是人的主体性。AI可以成为很好的推演助手，但提出真问题、选择解释框架、承担理论风险，这些还只能由人来完成。

最新案例：AI在发现“例外”上走到了哪一步？

近几年出现了一些值得注意的新例子：

2026年，雅可比猜想被AI找到反例。 1939年提出的雅可比猜想问：如果一个多项式映射的雅可比行列式处处是非零常数，它是否一定存在多项式逆映射？近90年来，许多数学家尝试证明它，张益唐也曾长期研究这一问题。2026年7月，数学家Levent Alpoge借助AI模型Claude Fable 5，在三维情形下找到了一个简洁反例，从而推翻该猜想。这是AI在数学中直接发现“例外”的重要案例。但它没有解释这个反例为什么存在，也没有建立新理论；发现是有的，理解没有。

2026年，AI推翻胶子散射的“零振幅”定论。 哈佛大学、范德堡大学、剑桥大学与OpenAI合作的一项研究显示，物理学家长期认为某些单负螺旋胶子散射振幅为零；但AI先猜出一个简洁公式，再由内部模型生成证明，最后由人类专家验证通过。这里的“例外”是理论内部的裂缝：原来在特定半共线配置下，振幅并不为零。不过，问题方向仍是人类发现，AI完成了关键简化与证明辅助。

2025—26年，SpecCLIP发现8000多颗极端贫金属星候选体。 国家天文台与之江实验室团队利用SpecCLIP模型，从LAMOST和Gaia数据中筛选出8000多颗极端贫金属星候选体，而人类此前只找到约50颗。这些星就是“例外”——它们的化学组成与主流恒星形成理论的常见预期不符。AI把它们从海量数据里捞出来了，但为什么它们存在、意味着什么，还得人来回答。

2025年，MIT提出AutoSciDACT异常检测框架。 该方法能在天文、物理、生物医学等数据中自动捕捉“不合群”的观测结果，并对异常的统计显著性进行量化。它本质上是一个“例外探测器”——告诉你哪里跟预期对不上，但不告诉你这个对不上意味着什么。

2023年，DeepMind的FunSearch在帽集问题上找到新构造。 它不是验证已知定理，而是在组合数学中给出了比人类已知更好的构造。这算是AI在数学里发现了一个“例外”——比现有规则更好的解。但它没有解释为什么这个构造更好，也没有提出新理论。

这些案例的共同点是：AI能捞例外、构造例外、简化例外，但不能解释例外。 它把裂缝指给你看，但不会追问裂缝为什么存在。

所以结论很干脆：AI能做理论冲突的解剖，但做不了诊断。解剖是机械的，诊断需要主体性。

科学革命始于困惑，成于判断，终于信念。这三样东西，AI一样都没有。

没有主体性，就没有困惑；没有困惑，就没有革命。

支持单位：