机理世界模型：推动AI从预测迈向自主科学发现

背景

近年来，基础模型（Foundation Models）的突破性进展极大地推动了“AI for Science”的发展，在蛋白质折叠、天气预报等众多领域实现了令人瞩目的预测性能。然而，预测本身并不等同于科学发现。科学理解的核心在于发现那些可重复使用的解释性机制（explanatory mechanisms），这些机制能够生成观测现象；而当代机器学习在根本上仍然围绕预测映射（predictive mappings）组织，而非解释性结构。这一矛盾促使研究者反思：如何让 AI 从单纯的预测工具走向自主的科学发现？本文正是针对这一问题，提出了一种新的设计范式——Mechanistic World Models，旨在将可重用机制置于表示、计算和学习的中心。

核心内容

本文明确提出，科学发现本质上是一个知识组织问题（problem of knowledge organisation）。为此，作者引入了 Mechanistic World Models（机制性世界模型）这一新范式，并系统阐述了其理论基础与设计蓝图。

首先，作者借鉴科学哲学（philosophy of science）的洞见，推导出自主科学发现所需的核心计算能力。这些能力包括：能够从观测数据中识别出可重复的因果机制、能够将机制组合以解释新现象、以及能够在新情境下进行反事实推理。

其次，作者识别了有利于解释性知识涌现的设计原则与归纳压力（inductive pressures）。具体而言，模型应当被鼓励去学习模块化、可重用、因果结构化的表示，而非仅仅拟合观测数据。这种归纳偏好可以通过架构设计、目标函数或训练过程中的结构性约束来实现。

接着，作者形式化了以机制为中心的世界模型的解剖结构（anatomy of a mechanism-centric world model）。这种模型不再将世界建模为一个从输入到输出的黑箱映射，而是将世界分解为一组相互作用的机制，每个机制对应一个可解释的、可独立学习与重用的过程。模型的推理过程就是对这些机制的组合与执行。

最后，作者指出当前多个独立的研究方向——包括机制可解释性（mechanistic interpretability）、因果表示学习（causal representation learning）、方程发现（equation discovery）与模块化架构（modular architectures）——都包含了这一范式的互补要素，但缺乏统一框架。Mechanistic World Models 正是为了弥合这一鸿沟，为超越预测性预报、迈向自主科学发现提供一个概念基础与计算蓝图。

关键要点

• 预测不是发现：当前基础模型在科学任务中表现出色，但仅停留在预测层面；科学发现要求揭示生成观测的因果机制，而非仅拟合输入-输出映射。
• 科学发现即知识组织：发现的核心在于从数据中提取并组织可重用的解释性机制，这与当前以预测为导向的机器学习范式存在根本差异。
• Mechanistic World Models 范式：将可重用机制置于表示、计算和学习的中心，模型内部由一组可组合的机制构成，而非单一黑箱。
• 设计原则：需要引入归纳压力，促使模型学习模块化、因果结构化和可重用的表示；这些压力可来自架构、目标函数或训练过程。
• 计算能力要求：自主发现需要识别机制、组合机制、进行反事实推理等能力，这些能力需被显式纳入模型设计。
• 统一多个研究社区：机制可解释性、因果表示学习、方程发现、模块化架构等方向各自贡献了部分要素，但缺乏统一框架；Mechanistic World Models 提供了概念桥梁。
• 从预测到自主科学发现：该蓝图的最终目标是让 AI 不仅会预判现象，还能主动提出并检验新的科学解释，实现真正的自主发现。

意义与影响

Mechanistic World Models 的提出，标志着 AI for Science 从“预测的科学”向“理解的科学”的一次范式跃迁。其意义主要体现在以下方面：

首先，它提供了一个统一的概念框架，弥合了当前多个前沿研究方向（如机制可解释性、因果表示学习、模块化神经网络、符号方程发现等）之间的裂缝，使研究者能够在一个共同的蓝图下整合进展。这种整合有望催生出真正具备科学发现能力的 AI 系统，而非仅仅是更精准的预测器。

其次，从方法论上看，该范式将科学哲学中的机制解释观引入机器学习，为模型设计提供了理论正当性。通过明确归纳压力（如模块性、可重用性、因果结构化）的重要性，它为如何引导模型摆脱过度拟合观测、转而学习潜在解释提供了清晰的指导。

再次，这一方向若能实现，将极大地改变科学研究的流程。科学家不再需要手动设计假设、然后让 AI 验证；相反，AI 可以自主地从观测中提取候选机制、检验其解释力，并通过组合机制提出新假设。这将加速从药物发现到气候科学等各领域的知识创新。

最后，Mechanistic World Models 也引发了关于 AI 可解释性和可信性的更深层讨论。如果 AI 能够以机制的形式解释其行为，那么其推理过程将比当前的黑箱预测更透明、更可审计，从而在科学决策中赢得更多信任。

当然，这一范式目前仍处于概念阶段，从理论到工程实现还需克服重大挑战，例如如何设计有效的归纳压力、如何保证所学机制的可靠性与泛化性、以及如何在高维连续空间中高效搜索可组合的机制结构。但无论如何，本文为 AI 走向真正的科学发现提供了令人振奋的方向与坚实的概念起点。