大模型科学跳跃之争：互联知识假说重构广义相对论

本文反驳谷歌学者立场论文 ICML 2026《LLMs can’t jump》的核心观点，提出「互联知识假说」，证明大模型同样可以实现科学突破式的“跳跃”。

对立观点认为， LLM 无法复刻爱因斯坦依托感官溯因推理创立广义相对论的原创突破，仅能完成演绎、归纳推理。而作者的核心突破在于发现广义相对论可通过费曼的演绎路径推导而来——依托量子场论与引力特性即可重构，压根不需要思想实验。大模型凭借跨域知识关联、逻辑一致性校验、实验验证闭环，就能生成科学新假说、实现范式突破。

文章同时提出一个关键安全风险：训练集删除有害知识并不能彻底消除风险，模型可以凭借碎片化互联知识推导出危险内容。此外，作者预测跨域知识储备将优化模型持续学习能力，降低新知识学习难度，自主解决模型可塑性丢失问题。更多这类技术深度辩论，欢迎在云栈社区一起交流。

7组关键问题问与答

Q1：本文核心争议是什么？

A1：反驳谷歌立场文件“LLM 无法实现科学跳跃式突破”的结论，否认科学原创必须依托人类感官溯因顿悟。

Q2：广义相对论是否只有爱因斯坦一种发现路径？

A2：不是，可通过费曼演绎路径，依托狭义相对论、量子场论推演得出，无需思想实验。

Q3：LLM 实现科学跳跃的核心原理是什么？

A3：依托互联知识结构，通过跨域知识联动、逻辑自洽校验、实证验证闭环生成创新假说。

Q4：数据过滤能否杜绝 AI 有害知识输出？

A4：不能，模型可整合碎片化隐性知识，多步推导得出被删除的危险结论，仅能提升推导成本。

Q5：LLM 科学突破的核心优势是什么？

A5：擅长演绎推理、跨域工具迁移、形式化验证与仿真实验，可形成完整科研闭环。

Q6：模型持续学习将迎来哪些突破？

A6：新知识适配性更高、学习难度降低，可自主构建新旧知识关联，解决可塑性丢失问题。

Q7：本文核心局限是什么？

A7：仅证明可事后重构科学理论，未证实模型能在匮乏知识背景下完成从零到一的原创突破。

附录 Hot Take: LLM can 'jump' 总结与深度分析

原文：https://yongzx.github.io/blog/2026/08/08/llm-can-jump ，发布于 2026-08-08 。

这篇博客是针对谷歌学者 ICML 2026 立场论文《LLMs can’t jump》（Tom Zahavy）的直接反驳，提出互联知识假说（interconnected-knowledge thesis），讨论大模型能否实现科学突破、对应的安全风险与持续学习前景。

一、对立论文《LLMs can’t jump》核心立场（本文的辩论靶子）

Tom Zahavy 的核心论点：

1. 推理分三类：演绎（deduction）、归纳（induction）、溯因（abduction）。 LLM 擅长演绎、归纳；但做不出人类科学发现的溯因“跳跃”。
2. 以爱因斯坦广义相对论为案例：爱因斯坦依靠电梯思想实验，凭借感官体验 / 具身世界模型完成溯因跳跃，从现象创立全新公理；当时牛顿体系运行良好，观测异常（水星轨道）也可以用别的理由解释，没有强制逼迫新理论诞生。
3. LLM 没有可靠物理世界模型，缺少感官模拟能力，无法完成这种从 0 到 1 的溯因跳跃；单纯把创造力理解成数据压缩不足以产生基础科学范式革新。
4. 结论：大模型可以做推导证明，但不能原创出广义相对论这类底层新公理。

双方共识：

1. LLM 可以做归纳、演绎推理。
2. 爱因斯坦确实依靠基于感官想象的溯因推理得到广义相对论。

作者的核心分歧点不在于 LLM 能不能复刻爱因斯坦那一套感官想象式溯因；而在于：是否存在另一条不依赖这套思想实验、高度偏向演绎的路径，同样得到广义相对论这类重大理论。 Zahavy 的论文没有考虑这条替代路线。

二、本文核心论证：广义相对论的另一条发现路径（费曼路线）

作者引用费曼的观点：假设从未存在爱因斯坦，依然有可能推导出广义相对论：

从量子场论一般原理与实验事实出发，引力作为相互作用，必须由无质量自旋 2 的虚粒子（引力子）传递；构造洛伦兹不变的引力子量子场论，加上自洽约束条件，就可以完整复原广义相对论。

重要限定（作者特意说明，避免过度解读）：

1. 费曼本人已经知道广义相对论，复现已知理论不等于第一次原创发现。
2. 历史上量子场论出现时间晚于广义相对论，但逻辑上量子场论并不依赖广义相对论。
3. 作者的主张是：当已经具备足够丰富的后续知识集合，不依靠爱因斯坦的思想实验，通过演绎链条也能复原广义相对论。这条路径的推理形式，正是当前大模型（例如 OpenAI Astra）已经具备的演绎能力。

重点：作者不是说“给 1915 年的知识， LLM 就能凭空搞出广义相对论”，而是：在知识高度互联的知识体系中，可以跨领域演绎重构出重大科学理论。

三、互联知识假说：为什么 LLM 可以实现科学的“跳跃”

作者不认同 Schmidhuber“创造力 = 数据压缩”可以完成溯因跳跃；真正关键是知识本身的结构：事实、公理由数学、因果关系互相连接。已有观测 / 事实会起到两个作用：

1. 排除不可能的假说；
2. 将 A 领域模式迁移到 B 领域，生成全新假说。

在此框架下， LLM 完成科学突破分为三步：

1. 跨领域建立全新连接：模型把 A 领域工具迁移到 B 领域。举例： OpenAI Astra 把代数数论工具用于离散几何，证否距离问题的长期猜想。
2. 一致性校验推理：从已有公理、事实做演绎，检验观测与理论是否自洽。一旦发现不一致，代表现有范式存在缺陷，就需要生成新假说填补推理缺口。
3. 假说验证闭环：依靠智能体能力——代码执行、 Lean 形式化证明、仿真、甚至湿实验，对生成假说做迭代实证校验。

作者补充：不是说现在模型已经足够完成所有重大突破；但只要持续提升模型对知识一致性推理、对现实实验反馈的处理能力，很多看似范式变革的科学突破就有机会实现。

“跳跃”被重新定义：不一定来自人类那种感官‑思想实验式顿悟；也可以来自大量互联知识之间，演绎、迁移、一致性检验所涌现出来的新假说。

四、安全推论：删除训练集有害知识无法彻底消除风险

移除显式有害知识 ≠ 消除模型推导该知识的能力。

核心风险

如果超级智能可以驾驭高度互联的知识网络，即便训练语料里删掉危险内容，模型也可以：

1. 识别知识缺口；
2. 结合分散、间接分布在不同文档的碎片化信息；
3. 通过多步推导填补缺口，推导出危险结论；
4. 检验推导结果与已有知识是否自洽。

已有实证证据

1. Treutlein et al. (2024)：模型可以从分散在不同训练样本中的间接信息推断出目标事实与规则；审查只能删掉直接陈述，隐式关联信息依然保留。
2. Yao et al.：在合成知识图上，模型利用训练中保留的关系，回答训练集被扣留的多跳推理问题。

作者折中判断

1. 数据过滤依然有价值：它会提高重构危险知识的成本；如果重构需要长思维链 CoT ，给人类留出监控窗口。理论上，移除足够多关键中间信息，有可能让推导不可行。
2. 悲观风险：当超级智能精通跨域知识关联，且人类高度依赖 AI 做科研时，双重用途知识风险将变得严峻。例如模型精通溶瘤病毒（用于癌症治疗），就有可能推导出制造高致病性生物武器的方法。科学知识大多具备两用性。

五、对持续学习（Continual Learning）的两条预测

本文的持续学习定义较宽泛：模型不需要修改权重，只要能消化训练未见过的新知识，完成对应任务，就算实现持续学习，和新兴的 Machine Studying 概念对齐。

前提假设：未来模型掌握越来越多跨领域知识。两个预测：

1. 权重空间直接学习新知识变得更容易：新知识与模型已有知识分布更接近（更 in-distribution），现有持续学习算法效果提升；新知识变成旧知识的自然延伸。
2. 若“可塑性丢失”依然存在，模型会自己发明方式把新知识接入已有知识体系，实现持续学习。可能实现形式：
   • 对新知识做数据增强；
   • 自我发明学习算法，建立新旧知识之间连接；
   • 自我提示优化，显式激活新知识对应的能力；
   • “知识笔记”，避免破坏性权重更新。

六、结束语与自我定位

1. “互联知识”的思想本身并不新颖，2009 年已有相关文献；本文的强主张是：按照当前大模型发展速度，这套机制足以驱动科学突破。
2. 作者承认自己有可能是错的，只是把观点公开记录。

七、两大立场对比简表

维度	《LLMs can’t jump》 Tom Zahavy	本文《LLM can 'jump'》
跳跃来源	源于感官、具身思想实验的溯因顿悟	可来自互联知识之间演绎、迁移、一致性检验
广义相对论	只能靠爱因斯坦电梯式思想实验产生	可以通过费曼路线，从后续领域知识演绎重构
瓶颈	缺少世界模型、感官模拟	瓶颈不在感官，而在跨域关联、一致性推理、验证闭环
安全视角	风险来自训练集直接记忆危险内容	更大风险：碎片化知识组合推导出危险知识
持续学习	需要解决灾难性遗忘、权重更新	可依靠知识互联，不一定修改权重就实现新知识利用

八、批判性思考（本文的局限）

1. 复现 vs 原创：费曼路线是事后重构。作者没有解决：在没有后续领域知识（量子场论）的前提下， LLM 能否从旧时代材料独立开辟出新道路。 Zahavy 论文讨论的是“站在历史原点做出发现”，本文讨论“站在更丰富知识集合上重构发现”，二者条件不同。
2. 假说生成质量问题：文中假设模型能够从矛盾生成高质量可行假说，但没有解释：模型如何在海量可能假说中筛选真正有价值的，而不是生成大量无意义猜想。
3. 双重用途安全部分：现有证据来自小规模实验，外推到超级智能存在推测成分。
4. 持续学习预测：属于理论推演，还缺少大规模实验证据。