魏炜：人工智能驱动的科学理论革命——解构、重构、融合与治理

过去十年，科研数据的体量与维度急剧扩张，微观与宏观现象通过实时计算迅速关联。然而，数据激增并未带来同步增强的理论解释力。新现象快速涌现，但因数据的复杂性，相关因果线索往往被掩盖。假 说层出不穷，却难以在有限时间内有效验证。跨学科交流增加，却伴随语言与概念的日趋碎片化，导致命题爆炸与证据短缺，理论发展由此放缓。

从托马斯 ·库恩的范式理论（“常规科学→异常积累→危机→革命”）看，这一停滞预示异常现象逐步累积，旧范式日渐失效。同时，结合金观涛提出的“结构连续性”，新理论体系往往通过保留旧范式中有效的部分进行重组。因此，当下的困境呈现双重意义：一方面，我们正逼近旧范式崩塌的临界点；另一方面，新的理论突破若不能有效延续已有结构，将难以真正落地。

北京大学汇丰商学院管理学教授魏炜及合作者在《北大金融评论》撰文表示，人工智能技术为突破当前困境提供了新路径。 AI模型可从海量文本与数据中提炼隐含前提，明确旧范式的不足。同时，它还能在虚拟环境中并行生成并筛选新的理论框架，将旧有的有效结构与新的解释方案融入更稳固的整体，由此形成了一条清晰的 “ 解构 — 重构 — 融合 — 治理 ” 的科学革命路径。

解构：问题显现时的结构审视

当反常现象长期得不到充分解释，科学便进入库恩所说的危机阶段。此时，研究者的首要任务是回溯基本概念与假设，辨别哪些已不再有效，哪些仍值得保留——这一过程即“解构”。在这一点上，金观涛的洞见尤为关键：科学革命并非将传统理论一刀切除，而是先对旧有结构做系统拆分，再把依旧可靠的部分嵌入新的框架。只有这样，变革才不会演变成与过去彻底断裂的空中楼阁，而能在可辨认的连续性上积累动能，为后续的理论重构提供坚实支点。

传统科学理论的解构依赖于人工分析方法，这些方法在过去的科学发展中发挥了重要作用，但在当今数据爆炸的时代面临着效率和规模的挑战。

传统解构主要采用三种方法。首先是差异批判，将案例置于对立概念中重新审视，检验旧有分类的有效性，从而暴露隐藏的价值取向与偏见。德里达分析西方思想时，凸显"理性/非理性""主体/客体"等对立关系，揭示了客观术语背后的权力结构。客观的哲学术语背后，往往存在着被隐藏的权力结构或价值导向，这也成为解构主义批判的经典实践。

其次是话语考古，通过追踪关键术语的历史演变，判断其意义是否已分化或失效。例如，福柯在《知识考古学》中描绘了“疯癫”从中世纪被视为神圣启示，到现代成了医学病名。通过对这一转变的分析，福柯解构出背后权力与知识的关系。

第三是假设分离，通过区分理论的核心与外围假设并逐层检验。比如迈克耳孙—莫雷在实验中否定了“以太”这一外围设定，但光速恒定的核心假设依旧稳固。通过替换失效的外围假设而保留核心，电磁理论得以延续，并为爱因斯坦狭义相对论奠定基础。

然而，21世纪后，人工解构方法面临三重挑战：第一，学术论文和数据量呈指数级增长，研究者难以通过精读及时捕捉概念的细微变化；第二，专业术语与分类体系快速分化，建立共享的差异分类耗时巨大；第三，关键假设深埋于冗长论证中，仅依赖专家辩论会延误理论缺陷的发现。

这些传统解构方法虽然在理论上仍然有效，但在实践中已难以应对当代科学研究的复杂性和规模，迫切需要新的技术手段来提升解构的效率和精度。

大型语言模型与自动推理技术为破解这些上述开辟了新的路径。面对论文与数据规模的指数级增长，模型能够自动抽取文本中的关键概念及其之间的关系，把零散的信息整合为清晰的知识图谱，例如Galactica科研大模型便实现了对庞大科学语料的自动梳理与概念提炼。

针对隐藏在冗长论证中的假设难以快速显现的问题，链式推理技术可以将长篇论证拆解为可验证的小步骤，通过逻辑一致性检测及时暴露出潜藏的理论漏洞，并自动生成最小反例予以证伪——这一思路已经被CounterMATH基准成功用于数学证明领域。

与此同时，为了解决不同学科间术语快速分化、语义漂移难以追踪的问题，HistBERT等历时预训练模型则利用时间切片与句向量轨迹技术，实时捕捉概念在历史语料中的变化轨迹，将难以察觉的术语迁移变为一目了然的可视化曲线。

借助这些人工智能技术，科学研究中的危机不再依赖研究者的直觉感知，而是转化为可视化、可交互、可随时介入干预的动态结构图谱，从而为后续理论的重构环节提供了清晰而稳固的基础。这种人工智能赋能的解构过程，成为“解构—重构—融合—治理”循环能够高效运行的关键支撑。

人工智能技术不仅提高了解构的效率，还将原本模糊的理论缺陷转化为清晰可见的结构性问题，为下一步的理论重构奠定了坚实基础。

重构：危机后的新框架生成

在危机显现阶段，旧范式的缺陷已经明显到无法忽视，科学发展随即进入了库恩所描述的“革命”阶段——新的理论开始纷纷出现，相互竞争。然而，正如金观涛所指出的，即便在革命时期，新理论也不应完全与旧理论割裂，而要保留旧理论中有价值的部分，否则很难在实际中扎下根基。因此，“重构”并非简单粗暴的推翻重建，而是一项在继承与创新之间反复探索、试错与筛选的复杂任务。

在解构阶段识别出理论缺陷后，科学研究面临着如何构建新理论框架的挑战，传统的重构方法虽然曾经推动了科学的重大突破，但在当代复杂环境下显露出明显的局限性。

传统的理论重构主要依靠三种路径。首先是逻辑演绎，通过用最少的假设来推导更多的结论，从而扩大理论的解释范围。例如，数学领域的四色定理就是通过列举法尝试以逻辑方式解决的。然而，这种方法的主要痛点是，当面对大量变量时，推理过程复杂程度急剧增长，可能导致计算量爆炸，使推导过程变得不可行。

类比迁移是通过将某个熟悉领域的结构映射到陌生领域，利用类比来生成新的理论。例如，物理学家麦克斯韦曾经将流体动力学的结构类比到电磁场领域，虽然有一定的创造性，但最初也引入了一些误解。这种方法的局限在于术语和概念的语义经常会发生漂移，容易造成高错误率的匹配，从而产生误导。

哲学反思则从外部批评理论前提并重新组织概念，提供新的整合视角。康德在《纯粹理性批判》中，通过批判独断论和怀疑论，开创出批判哲学就是经典的例子。然而，这种方法极度依赖研究者个人的洞察和反思能力，难以实现规模化的复制和推广，因而在现代庞杂理论中难以持续发挥作用。

面对如今数据和变量规模的大幅增长，这三种传统路径的局限性愈发凸显：逻辑演绎因推理复杂度激增难以应对，类比迁移因语义漂移而常常失准，综合批判又过于依赖个体直觉，无法快速推广。因此，科学理论在突破旧框架、重构新理论时面临巨大的挑战与瓶颈。

人工智能技术的兴起为突破这种停滞提供了新的可能。首先，大型语言模型的链式推理能够将复杂的理论推导细化为逐步验证的小环节，并利用形式验证工具逐段核查正确性。比如，salesforce 的 AI Economist 把税收设计视为强化学习中的策略搜索，让数千个虚拟经济个体与一个“AI 规划者”在仿真世界里迭代博弈。经过数百万回合对比实验，系统自动找到比传统解析解更优的税率‐补贴组合，并量化公平-效率权衡，大幅缩短了理论推导与政策评估之间的距离。

跨学科类比同样在人工智能的辅助下获得了显著改进。大型语言模型借助大量多学科文献的训练，具备了同时捕捉不同领域结构与语义相似性的能力。当研究者尝试把某个抽象概念从物理学迁移到经济网络分析时，模型会迅速而精确地标出两个领域的相似之处以及潜在差异，明确提示哪些对应关系可靠，哪些可能产生误导，需要重新界定或舍弃。谷歌与斯坦福的合作论文《Large Language Models as Analogical Reasoners》表明，这种基于模型的类比提示比传统的人为选择类比范例或者零样本推理方法更加精准、稳健，使研究者在早期阶段便能避免跨领域类比中的隐性误解，显著提高了理论构建的准确性和效率。

更值得关注的是，以往严重依赖直觉与个人洞察的创新过程也逐步实现了系统化与流程化。借助“假设生成—虚拟实验—快速筛选”的递归机制，人工智能模型能够快速生成数量庞大的候选假设，并立即在虚拟仿真环境中进行验证。这一过程并非只是抽象设想，而已有实际的成功案例。DeepMind 的 GNoME 系统就采用了这一策略：通过图神经网络快速生成数百万个潜在的新型晶体结构，并自动模拟评估每种晶体的稳定性，再将表现出潜力的候选结构重新回馈到模型中继续优化。短短几周，GNoME 即预测出超过 220 万种可能稳定的晶体，其中约38 万种被整理进了公开数据库，甚至已有数百种晶体在机器人实验室中被成功合成。这一流程不仅规模宏大，更为科学研究提供了一条无需长时间等待灵感突现、而是通过算法主动驱动的创新路径，极大地压缩了从创意萌芽到理论成熟之间的周期。

当推导被机器延伸到更深的层次，类比在算法帮助下变得更加精准，洞察又不断以流程化的方式融入推导和类比的循环之中时，理论重构可以真正步入快速发展的轨道。与此同时，人工智能在提出新理论的同时，也在有意识地保留旧理论中依然可靠的部分，例如从已有证明库中筛选的可靠结论、类比过程中明确的有效映射关系，以及假设验证中积累的实验数据，都被系统地整合进新框架。

人工智能不仅加速了理论创新的进程，还确保了新旧理论之间的连续性，使科学革命在保持突破性的同时维持了必要的传承。

融合：范式稳固中的跨尺度整合

当某种解释方案在竞争中逐步显现出优势时，科学发展就进入了“常规科学”奠基期。这一阶段的核心任务不再是继续提出大量的新假设，而是将脱颖而出的理论框架与已有的大量经验和证据有效整合，使新的范式能够稳定地扩散和应用。金观涛强调的“结构连续性”在此阶段至关重要：如果新范式无法有效吸收过去积累的知识，它就很难在实践中真正落地；但如果只是对旧结构进行简单的组合或拼凑，又会在下一次理论危机出现前难以维持长期稳定。因此，“融合”阶段就成为科学革命循环中的关键节点，必须同时满足扩大解释范围和保持理论内部的一致性这两个要求。

新理论框架构建完成后，如何将其与既有知识体系有效融合成为关键挑战，传统的整合方法在面对当代科学的复杂性和跨学科特征时暴露出结构性困境。

研究者通常采用三种主要方法来实现理论的整合。第一种方法称为“互补综合”，即把不同学科各自最可靠的理论部分结合起来，试图构成更完整的解释体系。然而，这种整合往往受限于接口设计不够精细，从而产生数据格式或逻辑方面的冲突。例如，早期的系统生物学尝试将代谢网络与信号传导路径简单合并，结果却频繁出现数据不匹配，导致错误率极高。

第二种方式是“层级嵌套”，即试图将微观理论模型嵌入宏观解释框架中，以统一不同尺度的现象解释。例如，将微观经济学的理性消费者理论嵌入宏观经济学的总需求分析框架，虽然理论上设计精妙，但在实际应用中常面临误差逐级放大的问题——微观层面个体消费者的理性选择在汇总到市场总需求时，会因羊群效应、信息不对称和预期差异等因素产生系统性偏差，跨尺度的理性假设难以精准维持。

第三种方法则是“概念同构”，即在不同领域的理论之间寻找一对一对应的数学结构，从而实现更为严谨的整合。这一方法曾在历史上取得过显著成功，比如爱因斯坦就曾巧妙地利用黎曼几何的张量结构搭建出广义相对论的核心框架。然而，这种匹配过程往往需要大量的人工推导与精细设计，在新领域的推广过程中效率极低。

随着数据规模和变量数量的迅猛增长，这三条传统路径在当下科学发展的实践中面临前所未有的困难：互补综合受限于接口的设计问题；层级嵌套因误差的逐步放大而难以精准实施；概念同构则因手工匹配的效率低下而严重受阻。这些困难造成了科学理论发展的瓶颈：尽管新理论在理论上占据优势，却无法顺利推广到更广阔的科学体系中，难以真正实现理论范式的稳固与普及。

传统融合方法的局限性阻碍了新理论的广泛应用，科学界迫切需要新的技术手段来实现理论整合的自动化和精准化。

人工智能技术为理论融合提供了突破性的解决方案，通过智能化的接口设计、实时的跨尺度校准和自动化的概念匹配，实现了理论整合的系统化升级。

针对“互补综合”过程中的接口冲突问题，人工智能的神经搜索算法能够快速自动生成大量潜在的接口方案，再通过误差评估系统地筛选出最优组合。例如，近期的 BM-NAS 系统在整合代谢网络与信号传导通路时，通过自动筛选超过一百种可能接口，最终选择出误差最低的方案，成功地将整合误差降低约40%，有效地解决了人工整合过程中的高错误率问题。

其次，针对“层级嵌套”的跨尺度校准难题，数字孪生技术提供了一种实时校准的方法。欧盟的 Destination Earth 项目正是通过建立一个高分辨率的虚拟地球，将气候、大气与经济模型同时放置其中，使不同尺度的数据能实时地彼此参照和校准。这种方法不仅保留了不同尺度模型的细节，也确保了整体动态的一致性，从而实现了原本难以验证的跨尺度假设的连续、实时观测。

最后，针对“概念同构”中繁琐而低效的手工匹配问题，深度网络也发挥了突出作用。例如，深度学习模型 TopoNet 已经能够完全自动地发现量子引力研究中的AdS/CFT对偶所隐含的多条新型结构对应关系，为理论物理学家提供了过去人工难以察觉的全新洞见。

这三种人工智能技术并非各自孤立，而是相互支持、彼此促进。自动生成的互补接口方案能够直接输送到数字孪生系统中，接受更高精度的跨尺度验证；而经数字孪生校准后的数据与模型关系，又可以成为概念匹配算法的重要输入源，帮助模型在抽象理论间更精准地发现新的对应关系。这样，新范式不仅有效继承了旧理论中有价值的部分，而且能实时不断地整合与调整，形成一种“边融合、边验证、边扩散”的动态稳固机制。

人工智能技术的协同作用创造了一个自适应的理论融合系统，使新范式能够在保持连续性的同时实现动态优化，为科学理论的稳定发展提供了技术保障。

治理：为闭环运行设置实时刹车

在完成解构、重构和融合之后，科学革命的循环还需要一个关键环节——治理，它确保整个系统不会陷入自我强化的封闭循环，而是始终保持与现实世界的联系和校准。

经过跨尺度整合，新范式已经能够在更广泛的证据基础上稳定运行。但新问题随之而来：模型的输出如果再次作为输入循环使用，就可能陷入自我证实的误区。库恩称这种情况为“常规科学”中的惰性阶段；金观涛也提醒，若缺乏外部检验，理论发展容易封闭在自身体系内。因此，治理环节就显得至关重要。有效的治理不是事后补救，而是把监测和纠错机制直接融入到整个研究过程中，确保科学体系随时与现实环境保持联通。

IBM Watson Oncology 项目的失败就体现了这一风险。该项目耗资巨大，但训练数据几乎完全来自同一机构，并大量使用虚拟而非真实患者数据，导致在实际治疗中的有效性严重不足。这一案例显示，单一来源的数据缺乏足够的外部验证，会导致系统快速偏离现实。传统的同行审议和重复实验方法因效率有限，难以跟上人工智能系统的快速迭代步伐。

为避免类似风险，各国监管部门开始用法律与伦理规则约束人工智能的发展。欧盟的《AI法案》要求高风险人工智能系统必须接受全过程监管和审计，违者将面临巨额罚款。然而，这类规则的执行若缺乏透明度和多样性，也难以获得公众的信任，比如Google成立的外部AI伦理委员会（ATEAC）就因成员组成和运作不透明而迅速瓦解。

从好的方面看，技术本身也在帮助解决这些问题。研究人员利用模型自动生成小幅修改的数据，检查模型对变化的敏感性，一旦发现模型因微小变化而预测大幅偏差，就说明模型需要重新调整。此外，研究人员也开始使用“对抗生成”方法训练模型，提升其识别异常情况的能力。这些技术有效降低了模型预测错误的风险，但也需配合专家人工核查，共同确保模型运行的安全性和可靠性。

只有实时有效的治理措施，才能避免人工智能驱动的科学理论陷入封闭循环。Watson Oncology案例警示我们，单一的数据来源与缺乏外部校验会快速累积错误；欧盟和联合国的治理框架则告诉我们，法律规则和伦理原则必须并行推进；而Google伦理委员会的失败则凸显出治理过程必须保持公开透明。技术上不断提高模型透明度和对异常的敏感性，加上社会层面的积极参与，才能确保人工智能赋能下的科学发展既迅速又安全可靠，真正实现“解构—重构—融合—治理”环节的良性闭环。治理不是对创新的限制，而是确保创新健康发展的必要保障，它使科学革命的循环能够持续运转而不失控，为人机协作的科学探索提供了安全阀门。

总结与展望：人机共进的双循环

问题的出现暴露了旧范式的弱点，新的解释方案随之产生，并通过跨尺度整合与嵌入式治理，形成了“解构—重构—融合—治理”的完整循环。在人工智能的助力下，这个过程的速度和精度达到了前所未有的水平。从这一循环中，我们可以看到库恩所说的“范式断裂”和金观涛强调的“结构连续”不再相互对立，而是在动态的轨道上协同运转：危机推动了新理论的产生，连续性则确保了既有知识的积累，人工智能则在两者之间起到了协调和放大的作用。

也许随着时间的发展，新的异常迟早还会再度出现，解构过程会重新启动。不过，每一次循环并非简单重复，而是继承了上一轮积累的成果、经验与工具，使下一轮的发展更加迅速稳健。实际上，人类与人工智能正在共同运行两条相互交织的循环：一条负责知识生产，另一条负责监测和纠正；前者推动科学进步，后者防止风险失控。这种双循环的互动，使科学研究既能保持发展速度，也能兼顾风险管控。

库恩《科学革命的结构》出版六十多年后的今天，范式更替的模式依然部分适用，但在人工智能的参与下明显加速。如今的科学革命不再只是人类独奏，而变成了人与机器协作的合奏；危机不再漫长煎熬，而更像迅速识别的预警信号；治理与创新也不再对立，而是在过程中同步推进。这种多重协作将科学革命的模式从单线推进转变为双循环共振。未来回顾今天时，“人机共进”或许正是对这个时代最贴切的描述。

文章合作者：

林毓聪：北京理工大学光电学院特别副研究员

魏煜杰：亚琛工业大学机械工程学院在读博士

徐子程：北京大学汇丰商学院管理学在读硕士

❶

❷

❸

❹

PHBS EMBA

来源：北大汇丰PFR

在看