Введение: почему об этом вообще говорят
Представьте систему искусственного интеллекта, которой не объясняют ни одного физического закона.
Ей не говорят, что такое сила.
Не вводят понятие массы.
Не рассказывают про ускорение.
Ей просто дают данные:
- координаты объектов;
- скорость;
- время;
- результаты десятков экспериментов.
И в какой-то момент эта система начинает находить закономерности, очень похожие на второй закон Ньютона.
Именно такой эксперимент описан в исследовании AI-Newton из Пекинского университета (препринт arXiv:2504.01538).
Но важно сразу уточнить: речь не о «рождении цифрового Ньютона» и не о магии ИИ. Это исследование про то, как модели машинного обучения могут находить математические структуры в данных.
Разберёмся, что там действительно произошло и почему вокруг работы столько шума.
Что сделали исследователи
Команда из Пекинского университета собрала набор из 46 классических механических экспериментов.
Среди них:
- падение тел;
- движение маятников;
- столкновения объектов;
- системы с пружинами;
- простые динамические процессы.
Никаких физических формул в модель не закладывали.
На вход подавались только численные данные:
- координаты;
- скорость;
- изменение положения во времени.
Задача была стандартной для машинного обучения:
👉 предсказать поведение системы в следующий момент времени.
Но ключевая особенность проекта в другом.
Чем AI-Newton отличается от обычной нейросети
Обычные нейросети работают как «чёрный ящик»:
- получили данные → выдали ответ;
- но не объяснили, почему так получилось.
AI-Newton строился иначе.
Он использует подход, близкий к символьной регрессии.
Это метод, при котором модель пытается найти не просто предсказание, а явную формулу, описывающую данные.
Проще говоря:
не «что будет дальше», а «какой закон этому соответствует».
Именно это делает такие исследования интересными для физики.
Что получилось в результате
По данным авторов, система смогла выделить внутренние представления, которые соответствуют физическим величинам.
В частности, модель смогла воспроизвести зависимости, эквивалентные:
- второму закону Ньютона;
- закону сохранения энергии;
- в некоторых сценариях — гравитационным взаимодействиям.
Важно понимать:
ИИ не «понимает» физику в человеческом смысле.
Он не знает, что такое яблоко, падающее с дерева.
И не ощущает инерцию.
Но он умеет находить математические структуры, которые точно описывают поведение системы.
Почему это важно для науки
С первого взгляда может показаться:
«Ну и что? Закон Ньютона известен уже сотни лет».
Но смысл здесь в другом.
Главное — не формула, а метод
Если ИИ может:
- находить закономерности в данных;
- выделять скрытые переменные;
- строить объяснимые модели;
то это меняет подход к научному анализу данных.
Где это может применяться
Потенциальные области:
- климатические модели;
- физика плазмы;
- материаловедение;
- биофизика;
- химические реакции;
- анализ данных ускорителей частиц.
Во всех этих сферах есть одна проблема:
👉 данных много, а простых объяснимых законов мало.
ИИ может помочь искать такие закономерности автоматически.
Ограничения метода
Важно не переоценивать результаты.
AI-Newton — это не универсальный «открыватель физики».
Вот его ограничения:
1. Малый масштаб данных
Эксперименты относительно простые и контролируемые.
2. Зависимость от качества данных
Шум или ошибки могут привести к ложным закономерностям.
3. Нет физического понимания
Модель не понимает смысл формул.
4. Риск переобучения
Иногда система может «подогнать» закон под данные, не отражая реальность.
Может ли ИИ открыть новую физику
Теоретически — да.
Практически — пока это открытый вопрос.
Сегодня такие системы лучше рассматривать как:
👉 инструмент поиска гипотез, а не замену учёным.
Но потенциал у подхода есть.
Если в больших научных данных есть скрытые закономерности, ИИ может их выявить быстрее человека.
Почему это вызвало такой интерес
Потому что это затрагивает фундаментальный вопрос:
может ли машина не просто считать, а делать научные открытия?
Раньше считалось, что нет.
Теперь ситуация меняется.
ИИ начинает переходить от:
- прогнозирования → к объяснению
И это ключевой сдвиг.
Что это значит в будущем
Скорее всего, ИИ не заменит физиков.
Но изменит их работу.
Типичный процесс может выглядеть так:
- человек собирает данные;
- ИИ ищет закономерности;
- человек проверяет физический смысл;
- цикл повторяется.
Это модель «человек + ИИ», а не «ИИ вместо человека».
Важное заблуждение
В медиа часто пишут, что:
«нейросеть заново открыла физику»
Это неверно.
Правильнее сказать:
👉 нейросеть научилась находить математические структуры, похожие на физические законы.
Это разные вещи.
Почему это важно обычному человеку
Потому что это часть более широкого процесса.
ИИ постепенно выходит за рамки:
- генерации текста;
- обработки изображений;
- анализа данных.
И начинает участвовать в:
👉 поиске знаний о мире.
Даже если AI-Newton не приведёт к новой физике, сам тренд уже значим.
Итог
AI-Newton — это не «искусственный гений физики».
Но это важный эксперимент, который показывает:
- нейросети способны находить интерпретируемые закономерности;
- научные открытия могут быть частично автоматизированы;
- роль ИИ в науке постепенно расширяется.
И главный вопрос теперь не в том, может ли ИИ найти закон Ньютона.
А в том:
👉 какие новые законы он сможет найти там, где человек их пока не видит.