发现、解释与创造：AI 正在接近人类创造力的哪一层？

“科学的本质不仅在于回答问题，而在于提出新的问题。”

——Freeman Dyson

如果说第一篇文章讨论的是 OpenAI 推翻埃尔德什单位距离猜想这一具体事件，那么接下来更值得思考的问题则是：这件事究竟意味着什么？它是否只是人工智能在数学领域取得的又一次进步，还是揭示了某种更深层的变化？当 AI 开始参与数学研究、科学发现甚至理论构建时，我们又该如何理解创造力本身？

长期以来，人们习惯于把创造力看成一种整体能力。伟大的科学家似乎同时拥有观察、发现、解释和创造理论的能力，因此这些活动往往被笼统地归为“创造力”。然而，如果回顾科学史和数学史，我们会发现，知识创造实际上包含着多种不同类型的认知活动。它们彼此联系，却并不相同；它们共同构成了人类文明的发展过程，也构成了今天我们评价人工智能能力时最重要的参照框架。

在讨论这些层次之前，需要先澄清一个容易产生误解的问题。这里所说的计算、验证、发现、解释和概念创造，并不是不同学科或职业活动的分类，而是知识创造过程中不同类型的认知活动。

例如，理论计算机科学研究算法，看起来属于“计算”领域，但寻找新算法本身可能涉及发现新的结构、解释效率来源，甚至创造全新的理论框架。同样，现代物理学中的实验设计常常极具创造性。从迈克耳孙—莫雷实验到大型强子对撞机，从哈勃望远镜到引力波探测器 LIGO，人类为了验证一个理论而发明的新技术、新方法和新仪器，本身就是科学创造的重要组成部分。因此，我们讨论的不是学科分类，而是知识活动中占主导地位的认知功能。

从这个角度看，最基础的认知活动是计算。

计算的目标是在既定规则下获得结果。从古代天文学家的轨道计算，到牛顿时代的天体力学，再到今天超级计算机模拟宇宙演化，计算始终是科学活动的重要组成部分。这里所说的计算，并不包括围绕计算而产生的发明和创新，而是指根据既有规则执行推导和运算的过程。计算本身未必创造新的知识，它更像是一种执行机制。在这一层面上，机器早已远远超越人类。今天的计算机可以在极短时间内完成数十亿次运算，而这早已超出任何个人大脑的能力范围。

在计算之上是验证。验证回答的问题是：“这个结论是否正确？”

数学证明、实验检验、逻辑验证以及计算机辅助证明都属于这一层。验证的重要性毋庸置疑，因为科学和数学最终都需要可靠性。但从认知活动角度看，验证的主要目标并不是创造新知识，而是确认已有知识是否成立。

当然，现实中的情况远比这复杂。许多伟大的实验设计本身就是创造力的体现。爱丁顿远征验证广义相对论、LIGO 验证引力波、大型强子对撞机寻找希格斯玻色子，这些工作都包含大量创新活动。但这些创造性部分属于发现、解释甚至概念设计，而不属于验证行为本身。因此，我们讨论的验证，是其最纯粹的认知功能：确认而非创造。

真正让知识体系不断扩张的，是下一层活动——发现。发现回答的问题是：“这里有什么是我们尚未看到的？”

从哥伦布发现新大陆，到开普勒发现行星轨道规律；从门捷列夫发现元素周期律，到沃森和克里克发现 DNA 双螺旋结构，科学史上的许多突破都首先表现为发现。在数学中，一个新的猜想、一种新的构造、一类新的对象，甚至一个反例，都属于发现的范畴。

发现的重要性在科学发展的早期阶段尤其明显。许多时候，人类并不是先理解某种规律，然后发现它；恰恰相反，人们往往先观察到某种规律的存在，然后花费几十年甚至上百年时间去理解它。现代人工智能最引人注目的能力，很大程度上正体现在这一层。

无论是 AlphaFold 在蛋白质结构预测中的突破，还是 AI 在药物筛选、新材料设计和组合数学中的应用，本质上都体现了机器在巨大可能空间中的探索能力。对于许多问题而言，候选结构的数量已经远远超出人类直觉能够处理的范围，而机器则可以在这些空间中进行大规模搜索、比较和筛选。

但发现并不仅仅是搜索。历史上最伟大的发现往往来自观察角度的改变。伽利略把望远镜指向天空；达尔文开始关注物种之间细微的差异；爱因斯坦重新思考时间与空间的关系。这些发现并不只是因为获得了更多信息，而是因为改变了观察信息的方式。从这一意义上说，AI 在搜索能力方面已经展现出巨大优势，但它是否已经掌握了重新定义观察视角的能力，仍然是一个开放问题。

而在发现之上，是解释。如果说发现回答的是“发生了什么”，那么解释回答的则是“为什么会发生”。事实上，从认知科学的角度看，解释几乎可以被看作推理活动最重要的外在表现。人类文明的发展过程，在某种意义上就是不断建立解释体系的过程。神话解释自然现象，宗教解释世界秩序，而科学则试图建立能够统一大量现象的理论结构。

牛顿并没有发现行星运动规律，但他解释了开普勒定律背后的原因。达尔文并不是第一个观察到生物变化的人，但他提出了自然选择理论。法拉第发现了电磁现象中的规律，而麦克斯韦建立起统一理论。爱因斯坦则进一步重新解释了空间、时间和引力之间的关系。

解释之所以比发现更接近创造力的核心，是因为它涉及推理。推理不仅仅是从前提推出结论。它还包括建立因果联系、组织复杂结构、压缩大量事实以及形成统一视角。一个好的解释不仅能够说明一个现象，而且能够同时解释许多现象；不仅能够回答已有问题，而且能够产生新的问题。

逻辑学的发展本质上就是人类试图理解推理过程的历史。从亚里士多德的三段论，到布尔代数，再到现代形式逻辑和计算理论，人类不断把推理过程抽象化、形式化，并试图发现其中的普遍规律。长期以来，人们甚至认为推理能力是人类最独特的智能特征之一。而今天，大语言模型的发展正在挑战这一认知。

如果说几年前人们还在争论 AI 是否能够推理，那么今天的问题已经发生变化。随着 AI 开始完成复杂证明、建立长链条推理并形成跨领域联系，问题逐渐变成：AI 的推理与人类推理究竟有什么区别？

OpenAI 在单位距离猜想上的成果之所以引起广泛关注，一个重要原因就在于它似乎已经开始触碰解释的边界。它不仅发现了一种新的构造机制，而且给出了这一机制为何有效的数学论证，并建立了离散几何与代数数论之间此前很少被注意到的联系。虽然这距离建立全新的数学理论仍然很远，但已经超出了单纯发现结构的范畴。

然而，即使解释也未必是创造力的终点。在解释之上，还存在一种更加稀有、也更加神秘的认知活动：概念创造。如果说发现是在地图上找到新的地点，解释是在地图上画出道路，那么概念创造则是在重新绘制地图本身。

牛顿创造微积分时，不只是解决了一个问题，而是创造了一种新的数学语言。黎曼创造流形概念时，不只是推广了几何，而是改变了人们理解空间的方式。康托尔创造无穷集合理论时，不只是解决了集合问题，而是重塑了整个数学基础。格罗滕迪克创造概形理论时，更是建立了一套全新的思维框架。

这些思想家最伟大的贡献并不是发现事实，也不是解释事实，而是创造新的认知坐标系。在这一层次上，当前 AI 的能力仍然显得十分有限。

大型语言模型可以组合已有概念，可以建立跨领域联系，也可以生成看似新颖的类比，但真正意义上的概念创造并不仅仅是重组已有知识。它要求建立新的思维工具、新的问题空间以及新的表达语言。从科学史来看，这种能力极其罕见，即使在人类历史上也只有极少数思想家能够达到。

因此，如果把知识创造看作一个连续谱，那么我们或许可以这样理解：计算回答“规则允许什么”；验证回答“什么是真的”；发现回答“还有什么存在”；解释回答“为什么如此”；而概念创造则回答“还有什么新的思考方式是可能的”。

过去几十年里，机器首先掌握了计算，然后进入验证，近年来展现出越来越强的发现能力。而今天，我们第一次看到它开始触碰解释的边界。至于概念创造，则仍然是一片充满未知的领域。这或许正是 OpenAI 推翻埃尔德什猜想事件最值得关注的地方。它的重要性不仅在于一个猜想被推翻，而在于它迫使我们重新审视创造力本身的结构。长期以来，人们习惯于把创造力视为一种不可分割的神秘能力，而人工智能的发展正在迫使我们将其拆解开来：哪些部分来自搜索，哪些部分来自推理，哪些部分来自解释，而哪些部分才是真正意义上的概念创造。

如果第一篇文章讨论的是 AI 是否已经进入数学研究，那么这一篇文章真正提出的问题则是：当 AI 开始进入创造力链条的更高层次时，我们是否也需要重新理解创造力本身？而这，正是下一篇《推理是什么？》所要继续探讨的问题。

---

我的其它文章