Abduction Without a Body? Representational Grounding and the Abduction Loop for Scientific Hypothesis Generation

大侦探的工具箱：机器如何在没有身体的情况下进行“思考”

想象一下，你正试图破解一个谜团，但你从未离开过自己的房间。你从未触摸过线索，从未闻过证据的气味，也从未感受过犯罪现场的风。长期以来，许多科学家和哲学家认为，要真正理解世界——并对世界的运作方式提出天才的新想法——你必须拥有一个身体。他们认为，大脑需要碰撞真实的物体、感受重力、推挤墙壁，才能学习事物究竟是什么。这种观点被称为“具身性”（embodiment）。这就像是在说，一位厨师如果不曾品尝过食材或握过菜刀，就永远无法发明出新的食谱。

但如果你仅仅通过观察一张绘制完美的图表就能学会食谱的秘密呢？如果图表本身就蕴含着线索，你不需要品尝食物就能知道它是辣的呢？这就是这篇论文所探讨的核心问题：一台计算机（或者一个没有身体的机器人）能否仅通过观察图片和图表，就提出一项全新的科学发现？论文指出，答案是肯定的，但前提是这些图片必须是以一种非常特定的、通用的语言绘制的，而科学家们多年来一直在使用这种语言却并未察觉。这就像是在每个人绘制树木、电路或恒星的方式中发现了一种隐藏的秘密代码，使得机器能够仅仅通过识别相同的形状，就将两个完全不同的世界连接起来。

论文的核心思想：“溯因循环”（The Abduction Loop）

这篇由迈克尔·W·法默（Michael W. Farmer）撰写的论文，提出了一种让机器进行科学研究的新方法。作者认为，虽然拥有身体很有帮助，但这并不是获得“尤里卡（我发现了！）”时刻的唯一途径。他们建议，机器可以进行一种特定类型的科学飞跃，即溯因推理（abduction）。简单来说，溯因推理就是当你看到两个看似完全不同的事物时，突然猜想：“等等，它们其实是同一个东西！”

论文引入了一个被称为溯因循环（Abduction Loop）的巧妙系统。可以将这个循环想象成一个由两个截然不同的性格组成的超级严苛的侦探团队：

1. 狂野梦想家（阶段 A）： 这个部分负责观察科学图表，并说道：“嘿，那看起来像是一个来自不同国家的地图！也许它们是双胞胎！”它会针对两个不同科学领域之间可能存在的联系生成大量的疯狂猜想。
2. 愤世嫉俗的怀疑论者（阶段 B）： 这个部分会立即试图证明梦想家的错误。它会检查数学逻辑，寻找漏洞，并追问：“你确定吗？你检查过细节了吗？”如果猜想站不住脚，怀疑论者就会扼杀这个想法。

神奇之处在于梦想家与怀疑论者如何协同工作。系统不仅仅是在猜测；它先生成一个假设，然后立即尝试摧毁它。如果这个假设在攻击中幸存下来，它可能就是一个真正的发现。

秘密代码：“惯例空间”（Convention Space）

机器如何知道该寻找什么？论文引入了惯例空间的概念。想象一下，不同领域的科学家（比如研究宇宙的宇宙学家和研究微观粒子的物理学家）都在使用同一种秘密规则来绘制他们的图表，尽管他们彼此并不交流。

例如，如果你画一个“自旋-2场”（一种特定的物理对象），你必须将其画成一条两端没有箭头 heads 的直线。如果你加上了箭头，你就画错了东西。因为数学逻辑强制要求每个人都这样绘制，所以图表本身就变成了一种通用语言。论文称之为惯例空间。这就像一个巨大的图书馆，书籍不是按标题分类（标题在不同语言中可能不同），而是按封面形状分类。

作者指出，机器可以利用这个“惯例空间”来寻找隐藏的联系。它可以观察一份关于引力波的研究中的图表，然后说：“那个形状看起来与弱透镜效应（weak lensing）研究中的形状完全一样！”即使词汇完全不同，图表也会揭示它们在数学上是孪生兄弟。

“动机案例”：现实世界的测试

为了证明这是可能的，作者描述了发生在2026年7月10日的特定事件。他们向一个复杂的关于“引力波记忆”（gravitational-wave memory）的图表展示了一个计算机模型（名为 Claude Fable 5 的人工智能）。他们并没有告诉 AI 要寻找什么，只是要求它在互联网上寻找相似的图片。

AI 观察了这张图，注意到了那个特定的“无箭头直线”形状，并意识到这与一个完全不同领域的形状一致：弱透镜宇宙学（研究引力如何弯曲来自遥远星系的光线）。AI 猜想这两个完全不同的领域背后的数学逻辑实际上是相同的。

随后，AI 检查了自己的数学计算。它发现数字和模式完美匹配，除了几个缩放因子（类似于英寸与厘米的区别）。作者称之为同一性溯因（identity abduction）：机器识破了这两个不同的结构实际上是同一个对象在不同名称下的表现。

本文并非在声称什么

理解这篇论文没有在说什么是非常重要的。作者非常谨慎，并未声称计算机现在已经成为了“科学家”，也没有声称它们可以进行任何类型的发现。

• 它不是魔杖： 论文承认这个特定的例子是“脚手架式”（scaffolded）的，这意味着人类帮助设定了搜索策略。机器并没有自主决定去寻找这种联系；它是在引导下完成的。
• 它不关乎普遍创造力： 作者明确表示，他们并不声称目前的 AI 模型具有普遍的科学创造力。他们只是在展示一种特定类型的发现（即发现两个数学结构是相同的）在没有身体的情况下是可行的。
• 这不是一个已解决的问题： 论文并未说这套方法每次都奏效。事实上，作者预测该系统会经常失败。他们甚至设计了让系统在大多数时候说“我不知道”（弃权），因为错误的猜测比不做猜测后果更严重。

未来： “DAB-30” 基准测试

由于这仅仅是一个单一的案例，作者知道需要更广泛地证明其有效性。他们提出了一个新的测试，称为 DAB-30（图表溯因基准测试）。

想象一个包含 30 个不同科学图表的巨大测试。其中一些是“陷阱题”，旨在设计成看起来相似但数学逻辑不同（以测试 AI 是否会被误导）；另一些则是答案已知但被隐藏的真实谜题。目标是观察 AI 是否能够：

1. 观察一个图表。
2. 从另一个领域找到匹配的图表。
3. 提出一种联系。
4. 证明自己是正确的（或承认自己是错误的）。

作者并不是在声称 AI 已经通过了这个测试。相反，他们正在现在构建这个测试，以便在未来我们可以观察到这种“溯因循环”是真的有效，还是仅仅是一个幸运的巧合。

总结

这篇论文表明，我们也许不需要给机器人身体也能让它们成为伟大的科学家。相反，我们可能只需要教会它们阅读科学图表的秘密语言。如果一台机器能够学会识别出物理论文中的一个形状意味着生物学论文中的同一个东西，它就能做出人类可能会错过的联系。

作者提供了一个新工具、一种新思维方式和一个新测试。他们并不是在说工作已经完成了；他们是在说：“我们发现了一扇门。让我们打造一把钥匙，看看它是否能打开。” 这扇门的核心理念是：表征（如图表）可以像身体一样为机器的思考提供基础。钥匙是溯因循环，而测试是 DAB-30。这是否行得通仍是一个悬而未决的问题，但论文为我们指明了一条清晰的路径。