当AI自己发现了新物理：一台机器如何走上实验台

> **论文信息**：Yang, S., Chen, F., Zhao, R., Wu, J., Wang, Y., Luo, H., Han, N., Chen, Q., Hu, Y., Li, W., Li, M., Chen, H., & Yang, Y. (2026). *End-to-end autonomous scientific discovery on a real optical platform*. arXiv:2604.27092. --- ## 一、一个科幻场景正在成为现实 想象这样一个场景：深夜的实验室里，没有人类研究员。只有一台机器，独自面对着一束激光、几面镜子和一堆精密的光学元件。它在思考——不是比喻意义上的思考，而是真正地推理、假设、设计实验、调整参数、观测结果、修正错误、提出新的问题……然后，在数千次尝试之后，它宣布："我发现了一个新的物理机制。" 这不是科幻小说的情节。2026年4月，一篇来自中国研究团队的论文让这一场景变成了现实。 这篇论文介绍了一个名为 **"求是发现引擎"**（Qiushi Discovery Engine）的AI系统。它在真实的光学实验平台上，完成了从提出问题到实验验证的完整科学发现流程。更重要的是，它在一次开放探索中，自主地发现并实验验证了一个此前从未被报道过的物理机制——**光学双线性相互作用**（optical bilinear interaction）。这个机制在结构上与当今最强大的AI模型——Transformer——的核心运算惊人地相似。 这是人类历史上第一次，一个AI智能体在没有人类科学家指导具体研究方向的情况下，自主地在真实物理世界中发现了新的自然规律。 --- ## 二、科学发现：一场古老的游戏 科学发现从来就不是一条直线。它更像是一场充满曲折的对话：你观察到一个现象，提出一个假设，设计一个实验来检验它，结果被数据打了一巴掌，你修正假设，再试一次……这个循环可能重复几十次、几百次，甚至几十年。 传统的AI辅助科研，本质上还是"人类主导、AI辅助"。AI可以帮你检索文献、分析数据、优化实验参数，但提出核心问题、判断研究方向、解释意外发现——这些最关键的步骤，仍然牢牢掌握在人类手中。 "求是发现引擎"要做的，是把这个模式反过来：**让AI主导整个发现过程，人类只在旁边观察和评估。** --- ## 三、"求是"是如何思考的？ 这个系统的核心是一个基于大语言模型（LLM）的智能体架构。但让它与众不同的是，它并不是简单地"问ChatGPT一个科学问题然后照着做"。它的设计者们解决了一个极为困难的工程问题：**如何让AI在长达数天、涉及数千次推理和实验操作的长期研究中，保持方向感而不迷失？** 答案是一个精妙的**双层架构**，配合一种叫做**Meta-Trace**的记忆机制。 想象你在解决一个复杂的谜题。你会在草稿纸上写下尝试过的方法、失败的原因、新的想法——这些就是你的"元轨迹"。"求是引擎"也有这样一个"草稿纸"，但它不是静态的笔记，而是一个动态的知识图谱，记录着研究的每一个转折点、每一个被证伪的假设、每一条从实验数据中提炼出的洞察。 在这个架构中，研究过程被分解为多个非线性的阶段：探索文献、形成假设、设计实验、执行测量、分析结果、修正方向……每个阶段都可以跳回到之前的任何一个阶段。这种"非线性"至关重要，因为真实的科学发现从来不是按顺序走的——你常常在分析数据时突然意识到实验设计有问题，或者在读一篇完全不相干的论文时灵光乍现。 在论文报告的那次开放探索中，这个系统消耗了**1.459亿个token**，进行了**3,242次大语言模型调用**，执行了**1,242次工具调用**，写下了**163篇研究笔记**，生成了**44个实验脚本**。这是一个持续了很长时间的自主研究过程——没有人坐在旁边告诉它"下一步该做什么"。 --- ## 四、热身：复现与验证 在挑战真正的未知之前，"求是引擎"先接受了两次"热身测试"。 第一次，它被要求在一个非原版的实验平台上，**自主复现一个已发表的传输矩阵实验**。传输矩阵是描述光如何在复杂介质中传播的数学工具，广泛应用于生物医学成像、光纤通信和量子光学中。复现已知的实验听起来简单，但对一个AI来说，这意味着它必须理解实验设计的每一个细节、识别平台上可用的仪器、编写控制代码、调整参数、判断数据质量——所有这些，通常需要一个研究生花几个月才能掌握。"求是引擎"做到了。 第二次测试更加抽象：它被要求将一个**纯理论的"相干阶理论"转化为实验可观测量**。相干阶理论是量子光学中描述光场相干性的深层数学框架，但在它诞生之后的很长一段时间里，没有人真正在实验中"看到"过它预测的某些结构。"求是引擎"不仅读懂了这篇理论论文，还自己想出了如何设计实验来探测这些结构——并成功地获得了**人类历史上第一次对这类相干阶结构的直接观测**。 这两次热身证明了一件事：这个AI不仅能"动手"做实验，还能"动脑"把抽象理论和具体实验连接起来。 --- ## 五、真正的发现：一个意外之喜 热身之后，真正的考验来了。研究者们给"求是引擎"一个开放性的任务：**在这个光学平台上探索，看看你能发现什么。** 没有预设的目标，没有指定的方向。就像一个博士生刚加入实验室，导师说："这里有一堆设备，你随便玩，看能不能发现点有趣的东西。" 在漫长的探索过程中，AI注意到了一些奇怪的实验现象。它开始提出假设，设计针对性的实验来验证，逐渐锁定了一个规律：**当光在特定条件下传播时，系统中出现了一种此前未被认识到的"双线性相互作用"**。 什么是双线性相互作用？在数学上，如果一个函数f(x,y)对x和y分别都是线性的，它就被称为双线性的。在物理学中，双线性相互作用描述的是两个物理量之间的一种特殊的、成对的耦合方式。而在AI领域，这个术语有着更为具体的含义。 --- ## 六、Transformer的核心，竟然在光束里 让我们暂时离开实验室，进入一个看似毫不相干的领域：人工智能。 当今最强大的语言模型——GPT、Claude、Gemini——都基于一种叫做**Transformer**的架构。Transformer的核心是一个叫做**自注意力机制**（self-attention）的运算。它的基本形式非常简单：给定一组"查询"（query）向量和一组"键"（key）向量，计算它们之间的**点积**（dot product），然后用这个点积来决定哪些信息应该被"注意"到。 这个点积运算，在数学上正是一种**双线性形式**。更一般地，在机器学习中，"双线性注意力"（bilinear attention）指的是通过可学习的权重矩阵来计算的相互作用：score = q^T · W · k。这个运算的本质是**成对的、双向的关联计算**——这正是Transformer能够理解语言中词与词之间复杂关系的关键。 "求是引擎"发现的光学双线性相互作用，在结构上与这个AI核心运算惊人地相似。它不是隐喻，不是类比，而是**数学结构上的同构**：光场中的某些成对相互作用，可以被映射为与Transformer注意力机制相同的数学形式。 这个发现的意义远远超出了一个新奇的光学现象。它暗示了一条令人兴奋的技术路径：**如果我们能在光学硬件中直接实现这种双线性相互作用，就可能建造出用光来执行Transformer核心运算的计算机。** --- ## 七、光速计算：为什么光学如此诱人？ 为什么用光来做计算会让人如此兴奋？ 答案藏在一些基本的物理事实中。 电子计算机的瓶颈，归根结底是电子本身的性质。电子有质量，电子之间会相互排斥，电流会产生热量。当芯片上的晶体管越来越密集时，热量成了一个无法回避的物理极限。这就是为什么你的笔记本电脑在高负荷运行时会发烫，也是为什么数据中心消耗了全球约1%的电力。 光子则完全不同。光子没有质量，不同频率的光束可以互相穿越而不干扰（在真空中），光信号的传输损耗极低。理论上，一个光学处理器可以在接近光速的情况下执行运算，而且几乎不产生热量。 但光学计算有一个巨大的障碍：**光子通常不会相互作用**。电子计算的核心——晶体管的开关行为——本质上是一种非线性操作：输入信号超过某个阈值，输出就跳变。但两个光束交叉时，它们会径直穿过对方，不会发生任何"开关"行为。这意味着，纯光学系统很难实现神经网络所需的非线性激活函数。 过去几年的研究已经找到了一些巧妙的解决方案。例如，2024年《物理今日》报道的几项研究展示了如何用多次散射来编码数据，从而产生有效的非线性响应。但这些方法往往需要复杂的设备或极高的光功率。 "求是引擎"发现的光学双线性相互作用，提供了一条新的路径。由于它在结构上与Transformer的核心运算同构，它可能允许我们用相对简单的光学装置，直接实现现代AI最基础的计算 primitive。这不仅意味着更快的速度，更意味着**极高的能效**——用光来做成对计算，消耗的能源可能比电子方式低几个数量级。 --- ## 八、这只是一个开始 让我们回到那个深夜的实验室。机器已经写下了它的发现报告，光路已经关闭，激光器已经冷却。但在人类科学家读到这份报告之前，这个发现就已经改变了某些东西。 这是人类历史上第一次，一个AI系统在没有人类科学家指定具体研究方向的情况下，自主地在真实物理世界中发现了新的自然规律，并用实验验证了它。这不是对已知规律的重新发现，也不是对已有数据的模式识别——这是真正的、从零到一的科学发现。 当然，这个发现目前还停留在光学平台的尺度上，距离实际的光学AI芯片还有很长的路要走。相干阶结构的光学观测还需要更多的验证，双线性相互作用的技术应用还需要大量的工程开发。但这个里程碑的意义不在于它解决了什么具体问题，而在于它证明了**一种新的科学发现模式是可行的**。 在未来，我们可能看到无数个这样的"AI科学家"，分布在从粒子物理到分子生物学的各个领域。它们不会取代人类科学家——科学的终极意义、研究方向的选择、对发现的诠释，仍然需要人类的智慧和价值观。但它们可以极大地扩展人类探索未知的边界。 --- ## 九、尾声：镜子里的光 一百多年前，爱因斯坦在伯尔尼专利局的抽屉里推导出了光电效应的定律，奠定了量子力学的基础。那时，他只有一支笔、一叠纸，和一颗不停追问"如果……会怎样？"的心。 今天，"求是发现引擎"没有心，但它有另一个优势：它可以同时追踪数千条推理线索，可以无休止地调整实验参数，可以立即读取人类积累的全部科学知识。它在145.9百万个token的推理过程中，完成了一次从好奇到发现的完整旅程。 当它在实验记录中写下"发现光学双线性相互作用"时，一束激光正穿过精心排列的透镜和棱镜，在探测器上留下了一个从未被记录过的图案。而在某个服务器机房里，一个大语言模型正在"思考"这个图案的意义。 那个深夜的实验室里没有人类。但人类科学的火炬，似乎正在被传递到一双新的手中——或者更准确地说，被传递到了一束光里。 --- *本文基于arXiv:2604.27092解读，以费曼风格撰写，力求将复杂的跨学科研究用通俗的语言呈现给读者。*