当人工智能在蛋白质结构预测、新材料发现、药物分子筛选等科研领域接连交出亮眼成绩单时，一个更根本的追问正在浮现：这些依靠海量数据训练出来的模型，真的在进行“科学发现”吗？还是只是掌握了某种高级的模式匹配？近期发表于《麻省理工科技评论》的一篇深度分析，将矛头直指一个被热闹表象掩盖的关键问题——AI 要在科学中真正发挥创造力，必须从单纯的数据依赖转向具备真正的推理能力。
数据狂欢下的暗礁：模式匹配≠科学洞见
新一代 AI 模型的强大之处，在于能够从超大规模的数据集里捕捉人类难以察觉的复杂关联。以 AlphaFold 为代表的系统，解决了困扰生物学界半个世纪的蛋白质折叠难题，其核心正是基于深度神经网络对已知蛋白质序列与结构之间映射关系的学习。然而，这种成功往往被误读为“AI 理解了蛋白质折叠的物理原理”，但事实并非如此。
模型输出的是一组三维坐标，而不是热力学方程或分子动力学解释。它能够告诉你蛋白质会折叠成什么形状，却说不出为什么这样折叠，更无法在缺乏大量同源序列数据的情况下准确预测全新家族蛋白的结构。这种“知其然，而不知其所以然”的局限，正是当前数据驱动 AI 的典型缩影。科学探索的终极目标不仅仅是预测，更是理解和解释，而后者恰恰需要推理层的介入。
科学发现的本质：从观察到假设的飞跃
科学研究从来不是简单的数据拟合。从开普勒分析第谷的天文观测数据得出行星运动三定律，到爱因斯坦凭借思想实验推导出相对论，背后的核心驱动力是假设生成、因果推断和理论构建。这些过程要求 AI 能够从有限乃至不完整的信息中，提炼出可验证的因果链条，并设计出能够区分竞争性理论的实验。
当前大多数 AI 系统，即便用上了“智能体”或“自主实验室”的包装，其底层逻辑仍是根据历史数据优化目标函数。它们可以高效地扫描成千上万种候选材料，却很难跳出现有化学空间的束缚，提出一个颠覆性的全新结构。真正的推理能力意味着模型要能理解物理约束、化学规则，甚至意识到自身知识的边界，进而主动寻求新的信息，而不是被动地消化更多数据。这正是符号推理、因果推理与神经网络结合的前沿方向。
推理缺位的代价：高预测精度下的脆弱性
过度依赖数据而忽视推理，会导致 AI 模型在科研场景中出现令人警惕的脆弱性。一个在特定数据集上表现惊艳的药物发现模型，可能仅仅因为分子骨架的微小改变就给出完全错误的毒性预测，而它却无法给出任何可信的失败理由，因为内部表征只是一串权重数字，缺乏清晰的逻辑支撑。
在材料科学中，类似的问题同样突出。模型可能推荐出一种理论上性能卓越的晶体结构，但实际的合成路径在热力学上根本不可行，或者所需的条件在实验室中无法实现。这些“纸上谈兵”的发现，根源就在于模型没有内化真实的物理化学规则，没有推理出稳定性、可合成性等关键约束。科学家不得不花费大量时间验证和排除这些幻觉式的输出，消解了 AI 原本应带来的效率提升。
融合之路：让 AI 学会像科学家一样思考
挑战的存在也催生了新的研究范式。一些前沿团队开始尝试将符号化的科学定律、本体论知识图谱与深度神经网络结合起来，构建“神经符号”系统。这类系统在分析天文数据时，不仅调用模式识别模块，还会同时运行基于物理定律的模拟器，只有当两个模块的输出收敛时，才生成一个值得信赖的假说。这种设计实质上是让 AI 在数据证据和逻辑推理之间寻求“协调”，迈出了从“数据科学”到“推理科学”的关键一步。
另一个方向是强化学习与因果推断的结合。不再只是让模型在静态数据上做分类或回归，而是让它在一个模拟的科学环境中主动“做实验”，观察不同操作带来的结果，并必须构建因果模型来解释这些结果。经过这种训练，AI 不只学会了预测，更开始形成类似于“如果改变这个变量，反应路径会发生什么变化”的推理能力。这种能力，才是科研人员真正需要的“智能伙伴”。
行业意义：重新定义人与机器的科研分工
这场关于“推理”的讨论，实际上正在重新划定 AI 在科学中的角色边界。如果 AI 始终停留在数据驱动的“高级工具”层面，它将永远只是科学家的辅助，而不是合作者。一旦 AI 开始具备可解释的推理能力，它就能参与到假设生成、实验设计甚至理论修正的创造性环节中，彻底改变科研的流程。
这不仅仅是技术上的迭代，更关乎科学发现范式的潜在变革。在药物研发中，一个具备推理能力的 AI 可以从浩如烟海的生物医学文献中，自动提取出零散的因果断言，将它们拼接成一个关于疾病机制的逻辑网络，并指出其中最关键却最缺乏证据的环节，从而把最宝贵的实验资源投放到最能产生突破的地方。这种能力将让 AI 从一个“超快扫描仪”跃升为一个“科学假设的引擎”，而科学界对 AI 的期待，也正从“更快地找到答案”转向“提出更好的问题”。实现这一跨越的钥匙，正是推理。