知识卡片：爱因斯坦测试：AI 能否重新发现相对论？

一句话结论

早期“历史截断”语言模型实验显示：AI 或许能生成接近相对论的片段或候选理论，但当前 LLM 仍难以像爱因斯坦那样从稀疏数据完成溯因式范式突破；历史数据泄漏、缺乏世界模型与理论筛选机制是主要瓶颈。

事件概述或研究问题

Nature 新闻特稿《The Einstein test: what happens when AI tries to rediscover relativity?》讨论一个正在被实践检验的问题：如果只让语言模型学习某一历史截止日期前的人类知识，它能否重新发现后来的科学突破？

材料称，Google DeepMind 联合创始人 Demis Hassabis 在印度 AI 峰会（新德里，文章称“this February”）提出，可用 1911 年前的知识训练 LLM，看它能否复现广义相对论，并将其视为 AGI 的一种测试。此前，Truthful AI 的 Owain Evans 在 2024 年 12 月也讨论过“vintage”或“historical” LLM：只用某一日期前的历史数据训练，它们能重新发现什么。2026 年以来，多个团队尝试构建此类模型，但早期结果更多揭示当前 AI 的局限，而非优势。

方法/产品要点

• 历史截断训练：仅使用某截止日期前的数据训练模型，例如 1911、1900、1930，或 Ranke-4B 的 1913、1929、1933、1939、1946。
• Machina Mirabilis：独立研究者 Michael Hla 用 1900 年前数据训练 LLM，并给出光电效应、电梯思想实验等提示，观察其能否产出量子力学、狭义相对论和广义相对论。
• 1930 年“复古模型”：独立计算机科学家 Nick Levine 等尝试仅用 1930 年前已知材料训练模型，选择 1930 年是因为该年作品于 2026 年初进入美国公有领域。
• Ranke-4B：苏黎世大学团队构建一族历史模型，用带时间戳文本训练，希望测试历史 LLM 是否能生成带有未来进展痕迹的想法。
• 轨道力学基础模型：MIT 的 Sendhil Mullainathan 等给模型提供多个服从牛顿力学的合成行星系统数据，测试它能否推断真正引力定律。
• 评估视角：Zahavy 的立场论文《LLMs can’t jump》强调，爱因斯坦式突破依赖溯因推理（abductive reasoning），即“为单一现象发明原因的创造性跳跃”，而非从大量数据归纳规则。Jacob Andreas 则指出，模型可把广义相对论当作概率输出之一，但难点是区分正确或值得测试的理论与错误理论。

主要结果或产业意义

• Hla 称模型偶尔出现“直觉片段”，例如面对光电效应时说光“breaks up into a multitude of distinct impulses”，暗示光量子概念；但多数情况下失败，缺乏对物理的真正理解，有时只是在“鹦鹉学舌”看似合理的话。
• Levine 等发现，仅用 1930 年前数据训练很难，训练材料“泄漏”严重：问它 1950 年代发生的事，模型常会意外且正确地回答；所谓 pre-1930s 模型还能回答罗斯福政府相关问题，尽管罗斯福 1933—1945 年任美国总统。原因在于数据集日期不精确，过滤截止日期后的信息很困难。
• Mullainathan 等的轨道力学基础模型从未推断出真正的万有引力定律，而是为每个行星系统推断出不同的、各自以不同方式错误的定律。
• 材料同时提到，OpenAI 的 AI 聊天机器人曾证伪匈牙利数学家 Paul Erdős 一个 80 年历史的猜想，被视为“genuine conceptual advance”；但它也结合了数学文献中已有思想，因此不完全是爱因斯坦式“从无到有”的闪现。
• Levine 预测，此类模型最终可能用于预测科学发现，甚至测试“今年 1 月数据训练的模型能否得出今年 6 月已知发现”；他个人预测模型将做出非平凡发现，但这是预测而非已验证结果，待核实。
• Ranke-4B 团队成员 Daniel Göttlich 表示，历史数据和算力不足以让这些模型达到现代 LLM 强度，因此目标不是测试“天才”，而是测试“天才的火花”。

为什么重要

这条材料把“AI 能否做科学突破”从口号变成可检验的历史截断基准：给模型一个时间点之前的知识，看它能否重新发现之后的理论。它揭示了当前 LLM 的能力边界——擅长大规模数据中的相关性和预测，却不擅长从稀疏数据建立世界模型、提出可检验理论并完成范式转换。

与既有相关卡片相比，本条不是具体应用、编码工具或图像检测解释，而是基础模型能否重现科学范式转换的评估框架；增量信息在于提供“vintage/historical LLM”“爱因斯坦测试”“溯因推理”“数据泄漏”等可复用概念与早期实验证据。

局限与不确定性

• 多个尝试来自个人网站、预印本或会议论文，尚未形成统一基准；成功标准也不明确：是生成正确理论、值得测试的候选理论，还是完成可验证推导？待核实。
• 历史数据日期标注不精确，导致训练截止日期不等于知识截止日期；这是当前复古模型的核心技术障碍。
• Ranke-4B 等项目受历史数据与算力限制，效果可能弱于现代 LLM；其具体评估结果待核实。
• 材料受 Nature 文章登录墙限制，抓取文本不完整；完整论证、参考文献与后续内容待核实。
• 关于 OpenAI 聊天机器人证伪 Erdős 猜想、Levine 的预测、Hla 模型表现的细节，均需回到原始论文或项目页面核对。

可用于图书/PPT/简报的角度

• “时间机器基准”：用历史截断训练测试 AI 的创造性突破能力。
• 归纳 vs 溯因：为什么大数据相关不等于爱因斯坦式范式转换。
• 数据泄漏：训练截止日期不等于知识截止日期。
• 科学 AI 的瓶颈：假设生成容易，假设筛选与验证困难。
• 从“天才”到“火花”：Ranke-4B 的务实降级目标。
• AGI 叙事检验：Hassabis 的测试提议与早期实验局限之间的张力。
• 科学发现预测：历史模型是否可用于预测市场或科研预测。

原始材料

• 英文标题：The Einstein test: what happens when AI tries to rediscover relativity?
• 英文关键词（材料中出现/可提取的术语，非原文正式关键词列表）：vintage LLMs；historical LLMs；large language models (LLMs)；artificial general intelligence (AGI)；abductive reasoning；world model；orbital mechanics foundation model；Ranke-4B；Machina Mirabilis。
• 原始来源：Nature, NEWS FEATURE, Published online: 09 September 2026, By Philip Ball. DOI: https://doi.org/10.1038/d41586-026-02804-x。URL: https://www.nature.com/articles/d41586-026-02804-x
• 材料中提及的关键引用线索：Kaminer 等预印本《Can AI follow in Einstein’s footsteps?》arXiv:2607.27794（2026）；Vafa, Chang, Rambachan & Mullainathan, Proc. 42nd Int. Conf. Mach. Learn. 267, 60727–60747 (2025)。以上细节待核实。