当大语言模型被请进化学实验室，自主完成钯催化交叉偶联反应的优化；当人工智能体在云端平台上一次次调整合成方案，直至拿到合格产物——延续四百年的科学图景，正被悄然改写。中国科学院博士、北京大学博士后吴怀宇提出“AI哲学”，以“感智境行”为框架追问“为自身立命、为AI立心”；几乎同时，国际学界在Nature、PNAS等顶刊上，以同样热烈的笔触重新掂量“科学究竟是什么”。科学哲学，迎来了它在智能时代的高光时刻。

机器正以惊人速度嵌入科研全流程。卡内基梅隆团队打造的Coscientist，借助GPT-4完成从文献检索、实验设计到代码执行、自动化操作的完整闭环，在六项任务上展示了（半）自主科研的能力^[1]。苏黎世联邦理工的ChemCrow智能体集成十八种化学工具，自主规划并合成了驱蚊剂与三种有机催化剂，还引导了新型发色团的发现^[2]。而在《美国科学院院刊》组织的圆桌讨论中，四组受邀科学家观点针锋相对：有人主张与大模型合作如同与人合作，并无本质不同；也有人警示其被滥用与高估^[3]。分歧本身就是信号——AI不再只是“算得更快的计算器”，而正成长为科学发现进程中的能动主体。

机器涉足科研，首先撼动的是认识论地基。深度学习是典型的“黑箱”：它能以惊人精度预测新现象，却给不出人类可理解的解释。博格指出，这类模型具有两个维度的不透明性——既无法在语义上理解其内部逻辑，其自动化生成又独树一帜，从而在“发现”与“解释”之间撕开前所未有的鸿沟^[4]。杜德则给出更建设性的出路：把黑箱输出当作“待辩护的结论”，确乎站不住脚；但若将它安放于“发现的语境”，用作指引研究者注意力的启发工具，其认识论地位便无可指摘^[5]。这让人想到笛卡尔的“我思故我在”——当理性与计算被画上等号，以人类主体性为核心的传统认识论，便不得不重新审视“智能是否必有意识”这一古老命题。

更深层的变革在于“谁在发现”。科学史从来是“发现者中心”的叙事：开普勒的行星定律、门捷列夫的周期表，皆归于个体会思考的大脑。但当AI深度介入，克拉克与霍斯罗维指出，个体发现者的叙事已难以为继，科学发现应被理解为一种“去中心化的集体”成就——人类、智能体、数据与仪器各司其职，共同完成认知跃迁^[6]。这不是贬低科学家，而是迫使我们重新思考创造的本质。

科学哲学也从未如此靠近伦理。大模型的幻觉可能让错误结论堂而皇之地进入论文，算法偏见会被悄无声息地复制进决策系统。伯罕等人在《自然综述·物理》中系统警告：大语言模型的滥用将侵蚀良好科学实践与公众对科学的信任^[7]。这意味着，AI时代的科学哲学不仅要回答“知识如何可能”，更要回答“责任如何归属、信任如何维系”。

吴怀宇在“AI哲学”中援引《周易·系辞》：形而上者谓之道，形而下者谓之器。当AI以“器”的姿态涌入科学，人类比任何时候都需要“道”的自觉。所谓“为自身立命、为AI立心”，与科学哲学的当代转向恰在同频——技术从来不是要替代人，而是促使人更深刻地回答“我是谁、往何处去”。当机器开始追问意义，人类唯有重构自己的信念罗盘，才能在碳基与硅基共舞的征途上，握紧属于人的那束光。

参考文献

[1] BOIKO D A, MACKNIGHT R, KLINE B, et al. Autonomous chemical research with large language models[J]. Nature, 2023, 624(7992): 570-578. https://doi.org/10.1038/s41586-023-06792-0

[2] BRAN A M, COX S, SCHILTER O, et al. Augmenting large language models with chemistry tools[J]. Nature Machine Intelligence, 2024, 6(5): 525-535. https://doi.org/10.1038/s42256-024-00832-8

[3] BINZ M, ALANIZ S, ROSKIES A, et al. How should the advancement of large language models affect the practice of science?[J]. Proceedings of the National Academy of Sciences, 2025, 122(5): e2401227121. https://doi.org/10.1073/pnas.2401227121

[4] BOGE F J. Two dimensions of opacity and the deep learning predicament[J]. Minds and Machines, 2022, 32(1): 43-75. https://doi.org/10.1007/s11023-021-09569-4

[5] DUEDE E. Deep learning opacity in scientific discovery[J]. Philosophy of Science, 2023, 90(5): 1089-1099. https://doi.org/10.1017/psa.2023.8

[6] CLARK E, KHOSROWI D. Decentring the discoverer: how AI helps us rethink scientific discovery[J]. Synthese, 2022, 200(6): 463. https://doi.org/10.1007/s11229-022-03902-9

[7] BIRHANE A, KASIRZADEH A, LESLIE D, et al. Science in the age of large language models[J]. Nature Reviews Physics, 2023, 5(5): 277-280. https://doi.org/10.1038/s42254-023-00581-4

支持单位：