如果将一台现代人工智能的知识边界设定在1901年，仅允许其接触人类在该时间点前积累的所有科学文献，它能否像爱因斯坦那样在1905年独立推导出狭义相对论？这个由Google DeepMind首席执行官提出的假设性实验，正在科技界引发关于机器创造力的深度讨论。实验的核心在于验证：当所有必要知识已具备时，新理论是否会自然从既有数据中涌现。
支持者认为，若AI能处理19世纪末的物理学矛盾，如经典速度叠加与光速恒定的冲突，便可能突破传统框架。但反对观点指出，相对论的诞生本质上是认知范式的革命。托马斯·库恩在《科学革命的结构》中提出的"范式"理论为此提供了关键视角——每个时代的科学家共享着特定的解题规则，这些规则决定了哪些问题值得研究、使用何种概念体系以及如何解释实验结果。在牛顿力学框架下，绝对时间和空间是无需质疑的前提，而非需要验证的假设。
爱因斯坦的突破性在于重新定义了时间与空间。面对迈克尔逊-莫雷实验的零结果，他选择质疑绝对时间的存在，而非像同时代科学家那样试图修正以太理论。这种思维跳跃需要推翻用来推导结论的前提本身，而当前AI的运作机制仍基于现有知识的重组与延伸。大语言模型通过统计规律学习词语关联，其"创造力"实质是已有元素的重新排列组合，无法主动质疑训练数据中隐含的基本假设。
具体到科学发现过程，AI面临三重障碍。首先，在识别理论矛盾后，机器仍会优先在旧框架内寻找解决方案。例如面对光速矛盾，AI可能提出更复杂的以太模型或测量误差解释，而非直接否定绝对时间。其次，虽然AI能生成大量科学假说，但无法独立完成理论选择——当所有候选方案都缺乏直接证据时，机器难以判断哪个假设更值得深入探索。最后，AI缺乏人类科学家特有的"认知不协调"驱动，不会因理论体系的不完美而持续追问根本性问题。
这种局限性在围棋领域已有体现。AlphaGo的"神之一手"虽突破人类常规，但其创新仍严格遵循围棋规则和胜负目标。相对论的革命性则在于重新绘制了物理学的认知地图，这需要超越既有规则的想象力。当前AI系统即便配备长期记忆和持续任务能力，其研究目标仍由人类设定，无法自主决定哪个矛盾值得投入毕生精力。
尽管如此，AI在科研领域的价值仍不可低估。在文献整理、数据计算、实验设计等重复性工作中，机器已展现出超越人类的效率。它能帮助科学家更快定位知识盲区，将更多精力投入关键决策环节。但当研究需要质疑最基础的前提时，人类特有的直觉与怀疑精神仍不可替代。正如1905年的爱因斯坦并非掌握更多资料，而是以全新视角审视既有信息，这种认知层面的突破仍是机器难以复制的领域。
这场讨论揭示了科学创新的本质：它既是逻辑推导的产物，更是认知框架的重构。AI可以加速知识积累的过程，但真正的范式革命仍需人类完成。当所有计算都指向无解时，敢于质疑前提本身的勇气，或许正是人类智慧最独特的闪光点。
