Nhóm nghiên cứu tại Đại học Bắc Kinh cho biết mô hình mô phỏng cách con người làm khoa học: xây dựng dần dần kho khái niệm và định luật từ dữ liệu. Nhờ xác định được các khái niệm hữu ích, AI-Newton có thể rút ra kiến thức mà không cần lập trình trước.
Theo nhà khoa học máy tính Keyon Vafa (Đại học Harvard), hệ thống này sử dụng “hồi quy ký hiệu” (SR) - phương pháp tìm kiếm phương trình toán học tốt nhất mô tả hiện tượng vật lý. Đây được xem là hướng tiếp cận tiềm năng cho khám phá khoa học vì mô hình được thiết kế để tự suy ra khái niệm.
Nhóm Đại học Bắc Kinh dùng bộ mô phỏng để tạo dữ liệu từ 46 thí nghiệm về chuyển động tự do, va chạm, dao động và các hệ dạng con lắc, đồng thời cố ý chèn sai số để phản ánh dữ liệu thực tế.
Ví dụ, AI-Newton chỉ được cung cấp vị trí của một quả bóng theo thời gian và được yêu cầu tìm phương trình mô tả mối quan hệ giữa hai đại lượng. Mô hình đã rút ra được phương trình vận tốc. Từ đó, ở nhiệm vụ tiếp theo, nó tiếp tục sử dụng định luật II Newton để suy ra khối lượng của quả bóng. Các kết quả này hiện chưa qua bình duyệt.
Nỗ lực dạy AI tự rút ra quy luật vật lý từng xuất hiện trước đây. Năm 2019, nhóm tại ETH Zurich phát triển “AI Copernicus”, mạng nơ-ron suy luận quỹ đạo hành tinh từ dữ liệu quan sát, nhưng con người vẫn phải diễn giải phương trình.
Vafa và cộng sự tại MIT cũng thử nghiệm với các mô hình nền tảng như GPT, Claude hay Llama: khi được huấn luyện dự đoán vị trí hành tinh, chúng chỉ học cách tái tạo quỹ đạo, nhưng lại suy ra một “định luật hấp dẫn” vô nghĩa khi được yêu cầu rút ra lực chi phối chuyển động.
Theo Vafa, “một mô hình ngôn ngữ được huấn luyện để dự đoán kết quả thí nghiệm vật lý sẽ không mã hoá các khái niệm theo cách đơn giản, ngắn gọn như con người, mà thường tạo ra một cách biểu diễn phi trực giác”.
Giới chuyên gia cho rằng AI biết suy ra định luật là hữu ích, nhưng để thực sự khám phá khoa học độc lập, chúng cần tham gia nhiều bước hơn: xác định vấn đề, đề xuất thí nghiệm, phân tích dữ liệu và kiểm chứng giả thuyết. Theo David Powers (Đại học Flinders), khoa học thực nghiệm đòi hỏi xác định biến số then chốt và tiến hành thí nghiệm có hệ thống.
Nhà vật lý Yan-Qing Ma (Mã Liễm Thanh) thuộc Đại học Bắc Kinh đồng ý rằng AI-Newton còn lâu mới đạt đến mức đó, song nhấn mạnh mô hình có thể mở đường cho các hệ AI trong tương lai biết dùng dữ liệu thực để tự phát hiện quy luật vật lý mới. Nhóm nghiên cứu hiện thử nghiệm khả năng áp dụng vào các lý thuyết lượng tử.
