在假设现代最强大的人工智能完全隔绝于1911年前的知识，它是否能仅凭当时的物理文献独立推导出爱因斯坦的广义相对论？谷歌DeepMind的创始人戴米斯·哈萨比斯提出了一个名为“爱因斯坦测试”的构想：如果AI能在无现代数据的情况下重新发现这一科学巨作，那它就接触到了真正的通用人工智能（AGI）。因此，多个国家的研究团队开始开发一些被限制在特定历史时间段的复古大模型（Vintage LLMs）。最近，权威期刊《自然》发表了一项深度调查，展示了多个团队对这一设想的独立实验结果。结果表明，尽管现有的大语言模型算力强大，它依然无法应对那些颠覆旧有科学观念的重大发现。这一实验证实了当前关注的技术泡沫，即“AI将取代人类思维”的观念是错误的：算力可以在已知领域内快速处理，但在未知的真实世界中，它却情绪失控，无法迈出第一步。

麻省理工学院的科学家通过一个基础物理实验，验证了AI的局限性。他们向一个专门分析轨道力学的模型提供了大量符合牛顿力学的行星运动数据，希望AI能从中发现规律。然而，AI在面对虚拟行星系统时，却提供了一系列互不相同的“伪定律”，并且每一条公式在物理上都存在错误。这说明，AI虽然可以处理数据，进行复杂的数字拟合，却无法理解普遍适用的自然法则。

随后，独立学者迈克尔·赫拉等人针对哈萨比斯的设想进行了实验，限制模型只接受1900年之前的科学数据，以测试它能否独立创作出量子力学和相对论。在实验中，研究者甚至提供了与广义相对论相关的核心思想，通过这种方式帮助AI。然而，结果显示，模型偶尔会提到与光有关的概念，但后续推理却表现得毫无逻辑，错乱无序，显示出AI缺乏对物理世界的深刻理解。研究者指出，AI不过是个高级的语言模仿者，无法进行真正的科学直觉跳跃。 球友会

相比之下，尽管AI在数学上表现出色，能够攻克复杂问题，为什么在物理学的领域却显得无能为力？麻省理工学院和DeepMind的研究者指出，数学问题是封闭的，有明确的逻辑规则。而物理学的范式变革则需要在完全不确定的环境中创造新知识。AI可以在明确的逻辑基础上推理，但面临非典型数据时，它往往无法作出突破性的发现。