本文来自《哲学动态》2026年第5期“人工智能的哲学研究”栏目
［摘要］以生成式大模型为核心的人工智能深度参与科学实践，呈现出“函数拟合—自动科学发现—主客体模型耦合”三个互有交叉的阶段：第一阶段，作为计算工具发现新的科学现象与经验规律；第二阶段，成为认知助手嵌入科研全流程并驱动自动科学发现闭环；第三阶段，趋于主客体世界模型在高维计算空间耦合，形成“潜符号化”研究范式。这一演进在方法论上弱化了显性符号的中介地位并模糊了发现逻辑与辩护逻辑的边界；在认识论上加剧了模型不透明性问题并挑战了“解释优先”的知识标准；在本体论上提供了一种“生成实在论”的讨论框架。
［关键词］生成式人工智能；科学发现；世界模型；潜符号化
人工智能自21世纪初借助深度学习、大数据和高算力再次崛起之后，迅速渗透至科学研究的诸多领域，并在高能物理、结构生物学、计算化学等数据密集型学科内部持续带来新发现。(参见Wang，et al., pp.47-60)与此同时，关于智能驱动的科学发现是否构成科学研究新范式、科学方法论和认识论是否被人工智能重塑等讨论也不断涌现。（参见郦全民，第118—128页；王耀德、查唐龙，第52—58页；李建会、杨宁，第81—92页）近期，生成式大模型在通用与垂直领域发展迅速，在数学、物理学和生物学等基础学科以及材料、医药等应用领域带来多项突破，并使自动科学发现成为可能。
总体而言，人工智能参与科学研究可以被区分为三个互有交叉、逐步演进的阶段：作为计算工具的函数拟合阶段、作为认知助手的自动科学发现阶段，以及主客体耦合的世界模型阶段。作为计算工具，人工智能主要帮助研究者发现经验定律、生成新的科学对象；作为认知助手，人工智能开始辅助科学家提出新的科学假说，并自动化科研流程；而在主客体耦合阶段，人工智能则有可能摆脱人类熟悉的显性概念中介，在高维潜空间融合科学发现与验证过程。相较于此前主要由大数据和深度学习驱动的科学研究范式转型，当前生成式大模型的发展不仅提升了科学发现的自动化程度，还正在改变着人类科学实践中传统的主客交互方式以及符号使用模式，为科学方法论、认识论乃至本体论带来深远影响。
一 作为计算工具的函数拟合阶段
人工智能应用于科学研究的早期，主要被用来对科学数据进行函数拟合和模式识别，在海量实验数据中寻找规律，并以隐藏层表征的形式对规律进行理论上无限精度的拟合,进一步通过符号回归等方法进行形式化符号表达。例如在分子生物学领域，人工智能帮助解析蛋白质的“序列—结构”映射关系并预测其三维构象（参见Jumper，et al., pp.583-589）；在天文学领域，人工智能协助探测引力透镜和分析远古宇宙信号（参见Sokol, p.26）；在高能物理学领域，人工智能帮助分析对撞机产生的数据，为粒子物理研究提供线索(参见The NNPDF Collaboration，et al., pp.483-487)。这些应用中既有归纳（从大量科学数据中抽取相关规律），也有演绎（通过扩展理论空间契合数据）。这两种常见的科学推理方法同时存在于深度学习方法中并被应用于科学发现领域。从统计学习的原理看，人工智能之所以能够在众多科学领域发挥作用，得益于机器学习“通用函数逼近器”（universal approximator）的能力：只要数据充足，机器学习模型就能在理论上逼近产生这些数据的概率分布，从而有效地挖掘科学数据背后的经验定律。（参见Valiant, pp.1134-1142）
随着以自回归变换器架构（transformer）和扩散模型（diffusion model）为代表的生成式模型的快速发展，人工智能在科学研究中的应用不再局限于传统的模式识别，而是进一步走向对科学数据潜在结构的生成式建模。与传统深度神经网络（如卷积神经网络与循环神经网络）架构相比，变换器架构中的多头自注意力机制能够并行捕捉多模态数据内部的长程与多维关联，让大模型可以更有效地抓住数据中的潜在规律。例如，AlphaFold 2利用变换器架构在序列建模和结构预测上的优势，通过海量蛋白质的“序列—结构”数据的训练，学会了高精度地预测蛋白质三维构象。AlphaFold 2能够较好地拟合氨基酸序列与蛋白质三维结构的对应关系，说明它在潜在表征空间学习到包括进化约束和生物物理原则在内的若干关键规律，这体现了生成式大模型“捕捉并重构”自然规律的能力：即使当前我们还不能从因果律上解释蛋白质的氨基酸序列与三维结构之间的复杂关系，模型依然可以通过高精度预测，以统计方式把握蛋白质结构背后复杂的自然规律，并形成相应的高维内部表征。
从技术架构上看，传统深度学习模型（如分类、图像识别模型）主要面向特定封闭任务的前向预测，直接学习输入与输出之间的映射；而生成式模型则能够学习数据中的复杂分布[1]，并通过自回归或迭代强化机制在生成过程中不断自我纠正并优化输出，从而处理更开放的任务并生成训练集之外的新样本。生成模型通常需要基于海量数据的大规模训练来得到针对某一领域的基础模型，在架构上更复杂，对数据关联的捕捉力也更强，能够在特定领域生成新“现象”。但无论是针对特定任务的深度学习模型，还是面向特定领域的生成模型，本质上都是在人类提供的科学数据上进行函数拟合，模型本身并不理解数据背后的理论，也无法替代人类提出新颖的科学假说。因此，这一阶段的人工智能依然是进行函数拟合的计算工具。
然而，科学本身是一种多维度的实践活动，从经验数据中发现规律并进行预测仅仅是其中的一个基础环节。历史上，重大科学理论往往是在数据相对稀缺的条件下提出的，这要求科学家在数据归纳之外构建新假说，并决定如何配置有限的科学资源并加以验证。如果粗略地将科学发现分为发现科学现象、发现经验定律、发现科学理论和发现科学原理四个层次，那么函数拟合阶段的人工智能主要是帮助科学家发现新的科学现象和经验定律，在特定条件下也有可能为新的科学概念和理论提供线索。（参见王东，第33—40页）当研究涉及重大概念创新与理论突破时，不仅科学数据稀缺且质量有限，数据本身也会负载理论，此时单纯依赖函数拟合无法超越既有理论范式，需要模型进一步处理由人类语言和数理符号表征的显性知识。在这一意义上，函数拟合阶段的人工智能只能对既有科学理论范式下由人类科学家提供的数据进行处理，并在同一范式内生成新数据，无法对科学问题及其背后的因果机制展开主动理解和探索——其所扮演的仍然是科学研究的计算工具角色。
二 作为认知助手的自动科学发现阶段
人工智能除了作为一种高效的函数拟合工具帮助发现经验定律外，还随着生成式大语言模型等通用基座模型的快速发展，逐渐成为可以替代人类部分认知功能的“认知助手”，让自动科学发现在实践层面成为可能。此前的科研自动化通常依赖人工将科研流程拆分为若干环节，并通过手动编程来实现各环节之间的衔接。这种方法虽然能部分实现从假说生成到自动化实验的闭环，但灵活性有限且很难泛化。（参见Burger, et al., pp.237-241；Cornelio，et al., p.1777）而将生成式大语言模型及其智能体（agent）嵌入科研流程，不仅能够在给定目标下自动处理科学数据，还能基于现有文献和数据提出新的科学假说并规划实验，同时调用外部工具进行真实科学观测和实验并评估结果，据此不断迭代，最终实现科学研究全流程自动化。（参见Boiko，et al., pp.570-578）例如，在一个关于细菌基因转移机制的案例中，人工智能通过一种多智能体协同推理的方式，在没有先验答案的情况下自主生成、筛选并进化假说，最终提出并验证了与实验结果高度一致的解释(参见Penadés，et al., pp.6654-6665)；在另一个化学的端到端案例中，研究者用多智能体大语言模型把化学研究的关键环节打通，让系统从读文献、设计实验，到调用设备执行、读谱判定、再次优化这整个过程自动运转，并在多个真实化学反应上完成端到端演示。（参见Ruan，et al.）
生成式大语言模型建立在庞大的人类语料库之上，在统计意义上对全人类知识与思维方式进行压缩模拟。在预训练阶段，主流大语言模型普遍使用变换器架构，能够在多个维度上捕捉“产生”人类语言现象背后的复杂机制与潜藏在人类知识中的世界结构。同时，通过对预训练模型进行指令微调，研究者可以引导模型将能力特化到诸如问答、代码生成和逻辑推理等特定认知任务中。通过“思维链”等后训练（post-training）技术，大语言模型在应对复杂问题时展现出多步推理的能力，使其不仅能把握命题间的关联，还能在推理过程中呈现中间步骤和逻辑链条。（参见Wei，et al., pp.24824-24837）而基于强化学习的后训练技术（如DeepSeek-R1）进一步推动了推理模型的快速发展并显著提升其能力。(参见Guo，et al., pp.633-638)由此，生成式大语言模型不再只是用来统计数据中特定模式的归纳工具，更是能够处理自然语言知识、模仿演绎推理并生成新假设和行动策略的认知工具[2]。
当被应用于科学实践时，大语言模型一方面可以根据已有知识梳理逻辑链条，提炼出可供进一步验证的科学假说，并利用推理能力规划相应的验证路径；另一方面，它可以通过工具调用等方式成为具有行动能力的智能体，借助自动化实验设备将假说和实验设计付诸实施。这种从问题提出到实验设计和执行，再到结果收集、分析与反馈的全流程自动化能力，让人工智能大模型从计算工具进一步演化为替代人类科学家执行部分认知功能的认知工具。相对于函数拟合阶段，此时作为认知工具的人工智能不仅能够从数据中发现经验定律，还能够提出有意义的科学新假说，并通过自动化全流程的检验推动科学理论的发现、筛选和修正。
不过，生成式大语言模型基于概率相关性对人类以语言表征的认知能力的模仿，建立在人类整体知识体系之上。较之于人类个体，大语言模型展现出强大的超越能力，由其驱动的科研活动可以看作对人类科学实践的一种概率“映射”，是人类认知能力与机器信息处理能力结合之后对科学活动的功能性重演。但是，人工智能大模型能够完成的任务，理论上人类科学家依然可以完成；它作为认知工具的创造性仍局限在人类总体科学框架内，需要依赖人类积累的科学知识和概念系统，沿着人类形成的“假说—演绎—验证”路径并借助人类制造的观测与实验工具来完成自动科学发现。当前，智能驱动的自动科学研究仍需由人类科学家把握研究方向,并对人工智能提出的发现进行解释、筛选和评估。也正是在这一意义上，这一阶段的人工智能虽已成为认知助手，但其行为仍以人类显性符号和既有概念框架为中介，仍然没有突破人类传统的主客交互方式和科研范式。
三 主客体耦合的世界模型阶段
人工智能模型可以根据是否具有“感知—行动”闭环与主动规划能力区分为主体模型和客体模型。主体模型能在特定目标驱动下调用工具、实施计划、收集反馈，并据此调整行为甚至自我改进。客体模型则主要面向某一特定对象领域（如天文、材料、蛋白质等）进行建模，以实现预测或生成。作为认知工具的大语言模型及其智能体具备工具调用、代码执行等能力，能够通过“计划—行动—反馈”来执行人类给予的科研任务，属于主体模型[3]。而在特定学科领域进行深度建模的模型（如AlphaFold系列）则属于客体模型。当前科学研究中把人工智能主体模型与客体模型相结合的趋势已初现端倪，但仍受主体模型的能力、人类既有知识框架以及科学实践流程的共同约束。随着两类模型不断朝着世界模型方向演进，即主体模型补齐因果推理、具身交互等能力，客体模型增强反事实生成能力，两者的深度耦合有望引发新的科学范式变革。
主体与客体世界模型
在认知科学和强化学习领域，世界模型指智能主体通过与环境互动而形成的内部表征。这里的“世界”指智能体所面对的任务环境,“模型”指智能体在学习过程中建立的、用于指导行动决策的内部机制。在当前人工智能语境下，很多研究者将世界模型视为通向通用人工智能的一个重要路径，认为它能够表征智能体外部环境中的物理因果关系，使智能体能在多样化情景和小样本条件下进行反事实推理，并实现对外部世界的有效预测和干预。这种智能体语境下的世界模型可被称为“主体世界模型”。
生成式大语言模型的快速发展让一些研究者认为其已经内建了对世界的高度概括和抽象,形成了某种隐性的“世界表征”，有潜力演化为主体世界模型。但也有研究者指出，仅仅依赖大数据和大算力的概率模型，尤其是基于语言的生成式大模型不可能最终达到对世界的真实理解，还需要与世界的具身互动才能最终形成稳定的内部世界模型。（参见Assran，et al.）但无论是生成式大语言模型、多模态模型还是具身智能，主体世界模型都是当前多种人工智能进路的共同目标。在应用到科学研究时，主体世界模型不仅可以黏合科研流程中原本彼此分离的函数拟合环节，还可能在因果的层面去“理解”外部世界及相关客体模型，从而展开对世界的进一步探索。
较之于主体世界模型，客体世界模型指能够在特定领域模拟客观世界的运行机制并创造出新现象的客体模型，是函数拟合阶段生成式大模型的高阶版本。自生成式模型爆发性发展以来，各类垂直领域模型不断涌现，加速了科学发现进程。同时，基于生成式模型贯通不同学科层级、构建“统一科学”的宏伟构想也在实践中，试图从底层建立对物理世界的模拟。在这些应用中，生成式大模型不仅仅是我们通过海量数据来找到各个学科数据背后经验规律的工具，还是一种高级的仿真工具，能够在较高的精度上模仿和生成对象数据。不同于建立在既有科学理论、公式和经验规律基础上的传统科学仿真，依托生成式大模型的客体科学模型所进行的是一种基于数据自下而上的自动构建。正如人类用科学实验去创造理论上存在但自然界不曾有过的自然过程一样，生成式大模型也在虚拟层面以更大的广度和深度探索这些可能性。例如，基于结构生物学大模型对蛋白质“序列—结构”关系的理解，研究者可以快速生成可能的全新蛋白质结构。（参见Swanson，et al., pp.338-353）
生成式大模型被认为有望达到客体世界模型，其逻辑与人类借助科学理论去把握自然界类似。当自然科学理论（尤其是基础理论）在给定初值和边界条件后能推导出符合实际的预测时，我们就认为该理论把握了自然界的某些规律。同时，自然科学中的因果观也暗含着一种“生成”的维度——世界遵循某种规律，由因及果地产生各种现象。这意味着，若一个训练良好的生成模型能够对自然现象、结构或过程给出稳定且准确的预测，我们便有理由认为其潜空间结构表征了对象领域的内在规律，尽管这种规律未必用人类所熟悉的数理符号形式来呈现。当我们用大规模真实世界数据训练一个生成模型时,它实际上构造了一个可干预和可操作的“平行世界”，其运行逻辑高度映射了现实世界的规律。由此，生成式客体模型不再只是用来函数拟合的计算工具,而是逐步成为特定领域的高保真虚拟表征框架，成为世界的一种“缩影”和“虚拟化身”，使我们能够在其中自由地设定条件、模拟情景、进行反事实推演并预测未来的各种可能性。但不同于前述的主体世界模型，客体世界模型并不具有自主行动能力，它仍然是一个需要主体去调用和操控的、针对外部世界特定对象领域的高精度生成模型。
2.主客体世界模型的耦合
当前，将人工智能主体模型与客体模型相结合并用于科学发现的尝试已初现端倪，只不过多呈现主客体世界模型耦合发展的早期形态。例如，把由大语言模型驱动的智能体与知识图谱、科学数据库相结合，模型能够在自主构建的概念网络中发现新的知识连接路径（参见Ghafarollahi and Buehler）；同时，融合了大模型智能体与科学数据库的通用自动科研系统也在不断涌现(参见Gottweis，et al.；Lu，et al.）。在一个科研全流程自动化案例中，研究者通过一种“设计—实验—学习”全自动闭环系统，将作为主体模型的大语言模型与作为客体模型的蛋白语言模型、监督学习器及实验机器人结合，实现了对酶突变方案的自动规划与优化。该系统在短短四周内，通过不到五百个变体就实现了多种酶活性十倍至百倍的提升，展示了人工智能在生物工程与合成生物学领域实现自主实验和功能进化的能力。（参见Singh，et al.）
不同于仅仅把大模型作为人类科学家的认知助手来实现科研流程自动化，主客体模型的结合研究试图用主体模型通过领域模型和科学数据直接处理科学对象。理论上，主体模型能够在兼容的表示框架中直接处理科学数据，在人类难以把握的高维表征空间中捕捉复杂的模式与关系；它还可以与具有同样表示结构的客体模型形成高度耦合的研究闭环，而无须将信息处理的中间过程转化为人类可读的显性符号。不同于函数拟合阶段主要停留在数据相关性挖掘，主体模型不仅可以探寻客体模型中的规律与模式，还能够借助其巨量的背景知识，对科学数据及其所负载的科学理论展开进一步的“意义”探索。凭借其高维知识表征和生成能力，主体模型能够在庞大的问题空间中同时探索多种假设路径，将科学符号、文本语料和数值模拟等结果融为一体,从而在不同形式的知识之间发现潜在的关联。
然而，现阶段的主体模型受限于其能力，主要还是在数据相关性中寻找可用的新路径，同时需要人类科学家去设定目标和规划主要路径。随着人工智能大模型逐步朝向世界模型阶段发展，主体世界模型有望在更大范围深度整合人类知识体系、更好把握外部世界因果机制的基础上，进一步探究客体世界模型和科学数据内部深层次的因果关系。在数据稀缺的领域，主体世界模型还可能基于已有科学理论的内在逻辑以及学科间关联，提出有意义的解释和新假说。同时，各学科领域的垂直模型也正在朝着客体世界模型演进，在不断生成科学新现象的基础上把握科学对象的深层次规律。当主体世界模型与客体世界模型实现耦合，具有因果推理和跨领域联想能力的主体世界模型就有可能在垂直领域客体模型所表征的知识基础上，继续挖掘其内部规律以及与其他相关领域之间的联系。而当需要物理世界的真实观测或实验时，这类系统可以基于其对物理世界的把控，自主规划操控物理仪器（因其具有因果知识）且无须人类科学家去设计显性方案。由此，科学假说的生成、验证和迭代修正都有可能在人工智能主客体世界模型耦合的闭环中实现，并实时通过外部实验或观测获得持续反馈。
四 科学研究新范式及其哲学影响
随着人工智能大模型在科学实践中的角色从“计算工具”演进为“认知助手”，并进一步走向主客体世界模型深度耦合的阶段，传统上以显性符号为纽带的科学研究范式正受到以高维潜在表征为中介的“潜符号化”研究方法的影响。不同于大数据和深度学习驱动的科学研究方法变革（参见李建会、杨宁，第81—92页），主体世界模型与客体世界模型耦合带来的不仅仅是方法和自动化水平上的变化，更是一种认知模式意义上的范式转变。它正在重塑人类传统上以自然语言和数理符号为中介的科学实践形态，并对科学方法论、认识论乃至本体论产生重要影响。
潜符号化科学研究新范式
近代科学革命以来，科学研究的主体在探究客体世界时，需要借助多层次的显性符号系统（如科学概念、数学符号和仪器读数等）来弥合人类直观与客体世界之间的鸿沟。人类自然演化而来的认知系统更适于处理宏观、低速、低维世界，当探究的对象超出这一直观范围时，就需要借助符号语言、科学概念以及在此基础上构建的仪器系统，与科学对象间接互动。我们无法直观把握诸如量子态或者超高维流形空间等科学对象，必须借助测量仪器、理论模型和人造符号系统来构建对它们的理解。例如，量子态需要通过测量投影到经典可观测量，并用数学符号表征才能被人类理解。随着科技的发展，这种复杂的多层中介系统在推动知识进步的同时也在不断增加人的认知负荷与协作成本，进而形成重大理论创新瓶颈[4]。
与人类主体借助显性可读的符号中介探索客体世界不同，人工智能主客体模型的耦合有可能突破这个限制。主体模型不仅能够在高维向量空间中直接分析和处理多模态科学数据（如声音、图像、文本等），还能够在统一的计算结构中与客体模型共享潜在表征从而实现深层次耦合。例如，科学数据、理论结构与实验操作信息等都可以被编码为可统一训练的张量结构；主体模型可以直接调用客体模型的隐藏态进行概率关联和反事实演算，并通过自动化实验平台获得反馈，让假设生成、实验设计与初步论证在模型不断地前向和反向传播以及“训练—推理—实验反馈”的闭环中展开。主客体模型之间的这种直接耦合使得人工智能能够在统一的数据结构与神经网络架构中提出、检验并持续优化科学假说，使假说的提出与检验具有共同的表示基础和推理机制，达到融合“发现逻辑”与“辩护逻辑”的效果。这种深度耦合意味着科学家、仪器、数据与理论之间的界限正在被重新改写，人类也不再是唯一的科学认知主体。这种基于主客体耦合的科研新范式的出现不仅意味着科学工具和实践方法的变化，更是科学主体与客体互动方式的深刻变革。虽然模型的输入输出仍基于人类所定义的词元（token）及其嵌入规则，但知识生成与推理的关键过程已经转移到模型内部高维潜在表征的操作上。因此，我们可以称这种以潜在表征替代显性符号中介的研究方式为“潜符号化”的科研新范式。
2.哲学影响
科学方法论通常隐含两个基本预设。一是人类科学家必须使用显性符号系统，例如自然语言或数理符号，用以明确表达科学假说并进行推导与论证；二是人类科学家始终作为科学理论创新的主体，科学假说需要由人类研究者根据既有知识与经验提出。无论是以“假说—演绎—验证”为核心的经典科学方法论，还是波普尔的可证伪性原则、库恩的范式理论以及各种后现代科学哲学理论，均在很大程度上默认了这两条预设。人类作为科学理论创新的主体并使用显性符号，这导致科学发现经常需要直觉与灵感，而科学辩护则更强调明确的规则和清晰的逻辑，于是形成了发现逻辑与辩护逻辑的传统区分[5]。
生成式大模型尤其是主体模型与客体模型的耦合范式则对上述预设造成了强烈冲击。一方面，大模型将科学数据、理论结构与实验操作等不同环节的信息统一到高维表征空间之中，不仅减弱了科学知识生产对显性符号表征的依赖，更导致人类可读的符号逐渐退至模型外部人机交互的控制与解释层面，不再是知识生产与验证的必要中介。另一方面，在主客体耦合模型中，科学假说的生成与验证具有相近的数据表示、训练机制和推理方式，这使得发现逻辑与辩护逻辑的边界趋于模糊。当科学假说的提出、筛选和修正在模型内部的连续优化过程中协同完成，发现与辩护的经典区分或将消解为一种连续性的知识生产循环。
在科学认识论中，尽管关于科学知识合法性来源的理解长期存在争议，但可解释性（能够以人类可读的方式清晰地揭示自然现象的规律、机制和因果关联）一直被视为科学知识生产的重要理想。随着深度学习被应用于科学实践，其“黑箱”特性带来了认知不透明问题：模型的高维参数与非线性结构导致其难以给出明确直观的符号化解释，进而阻碍人机协同并影响后续研究。（参见董春雨）生成式大模型不仅加深了这种不透明，还带来了一系列新问题：当一个缺乏可解释性的模型能够不断产生可验证、可使用的科学知识，同时人类还可以通过自然语言从模型外部进行可验证的操控时，可解释、可操控与可用性三者之间的关系应该如何重新界定？当模型能够给出正确且有用的预测或设计而我们却难以直接说明其内部机制时，我们应如何理解这类知识？预测的准确性在什么程度和什么条件下可以替代机制性的理解？
有一种观点认为，应该在“发现”与“辩护”的不同语境中分别看待这种不透明性。在发现的语境中，深度学习的“黑箱”并不必然地阻碍知识增长，关键在于如何把人工智能模型嵌入科学流程并与科学共同体形成可靠的互动模式。而在辩护的语境中，只有在要把新知识纳入公共知识体系时，可解释性才会成为关键约束，因此暂时缺乏可解释性的大模型仍然可以作为科学发现过程的一部分，不能以是否可解释来判定其可用性。（参见Duede, pp.1089-1099）然而，这种观点成立的前提是把人工智能当作科学发现的工具，而当主客体模型的耦合不断产出可用的科学知识并使得发现与辩护的边界不断模糊时，可解释性问题就不能被简单搁置。因此，在尚未实现完全可解释前，我们或许需要一种理解人工智能生成知识的新框架。例如，可以构建一个可干预、可操作与可解释的递进层次，当模型可以稳定地被干预并被操控时，即使缺乏完整的机制解释，模型生成的结果也可以作为工具性知识纳入科学实践过程。
除了科学方法论和认识论，人工智能的发展还影响到科学本体论若干问题的解答。例如，在无法直接观测对象的实在性地位问题上，科学实在论者认为，科学理论之所以能够长期而稳定地预测和干预世界，是因为理论所涉及的关键术语（如“电子”“波函数”等）指称了真实存在的实体或结构；而反实在论者主张，科学理论仅作为预测工具存在，其成功并不要求对这些对象作出本体论承诺；结构实在论者则倾向于认为，稳定的结构和关系先于具体对象。生成式大模型给这一问题提供了新的切入点，我们可以称之为“生成实在论”的讨论取向：当模型在高维表征空间中学习科学数据的潜在规律并据此生成关于新现象、结构的描述和假设，而这些结果又能够在实验中得到检验和操控时，我们就需要重新思考这些由算法生成的对象究竟具有何种本体论地位。
更进一步地，这种基于生成视角的讨论提出了一种更具过程性的实在观。主客体耦合的世界模型使科学对象的产生与验证在同一潜空间中展开：模型提出假设，生成现象（描述），进而通过外部实验验证并自我修正，从而在连续的生成过程中确立对象的存在。与结构实在论相比，生成实在论不仅关注结构的稳定性，还强调结构的生成性与反事实的可操作性——一个“真实结构”不只是稳定的模式，更是能够被生成并且能够支撑干预的关系系统。由此，人工智能生成的新现象与结构不再是对自然的被动再现，而是成为人机共同创造的“生成实在”[6]，即将“存在”从静态的、等待被发现的客观事实转化为一种动态过程。在智能时代，科学实在论进化为生成实在论：真实的世界，正在部分地通过人工智能的生成过程被不断“生产”出来。
结语
综上所述，人工智能尤其是生成式大模型正推动科学哲学在方法论、认识论乃至本体论层面经历深刻变革。在方法论层面，大模型在潜空间中的闭环运行消解了传统显性符号表征和人类作为唯一发现主体的核心预设，模糊了科学发现与辩护之间的经典区分；在认识论层面，大模型的可用性和可操控性使得传统“解释优先”的标准受到挑战，迫使我们重新界定科学知识的评价标准；在本体论层面，大模型的生成特性使得“生成实在论”这一进路成为可能。而上述变化还只是人工智能深度嵌入科学实践所带来哲学冲击的一部分。随着人工智能技术的快速发展，科学哲学长期关注的若干核心议题都可能被重新打开，这就要求未来的科学哲学研究形成能够回应智能爆炸时代的新分析框架，以更好地面对人工智能技术与科学实践深度融合所带来的前所未有的哲学挑战。
注释
*本文系国家社会科学基金一般项目“人工智能大模型驱动科学发现的哲学研究”(编号24BZX076)的阶段性成果。
[1]变换器架构可以通过多头自注意力机制学习到数据中复杂的多维度的长程关联，而扩散模型通过正向添加噪声、反向逐步去除噪声过程来生成高维数据。
[2]大语言模型的“推理”也建立在统计基础上，这与人类基于概念的推理不同。
[3]对于大语言模型是否具有主体性学界还存在争议。有些学者认为，大语言模型是“随机鹦鹉”，没有语义理解和目的性。也有观点认为，大语言模型通过阅读海量文本隐含地学习了一个世界模型，一定程度上形成了对语言的“语义表示”，能够在理解人类语言的基础上根据人类的目的设计计划并实施，具有一定目的性。虽存在争议，但由于大语言模型及其智能体能够娴熟地运用语言这个工具来达成各种任务，有效地调用外部工具，所以它至少可以被看作工具性的主体模型。
[4]基础科学领域的重大理论创新不仅依赖对经验材料的归纳和符号操作，还要求突破既有概念框架的直觉与灵感，而这些领域的对象通常超出人类日常经验直觉范围。人类难以仅凭未经中介的自然直觉直接把握它们，而须借助层层符号表征与形式化工具展开探索，这既提高了理论创新的门槛，也使相关领域的科学发现变得更加困难和低效。
[5]当代科学哲学的多数语境都避免对发现逻辑与辩护逻辑的截然区分，但在发现过程与辩护过程中人类所使用的逻辑方法的确存在一定差异。
[6]这里所谓的“生成实在”并不是说，人工智能能够直接生成物理世界中的实在对象，而是说科学对象的实在性地位可以在“模型生成关于科学对象的描述—外部实验检验—通过干预与操作进一步确证—反馈修正模型”的整个过程中被讨论和逐步确认。
参考文献
董春雨，2023年：《从机器认识的不透明性看人工智能的本质及其限度》，载《中国社会科学》第5期。
李建会、杨宁，2023年：《AI for Science：科学研究范式的新革命》，载《广东社会科学》第6期。
郦全民，2025年：《科学哲学的新使命:基于人工智能驱动科学研究的考察》，载《哲学研究》第4期。
王东，2023年：《机器学习与科学发现：以AI-Einstein为例》，载《自然辩证法通讯》第1期。
王耀德、查唐龙，2024年：《问题与算法：从发现的逻辑看人工智能的局限》，载《自然辩证法研究》第1期。
Assran, M., Duval, Q., Misra, I., et al., 2023, “Self-Supervised Learning from Images with a Joint-Embedding Predictive Architecture”,URL=<http://arxiv.org/abs/2301.08243>.
Boiko, D. A., MacKnight, R., Kline, B., et al., 2023, “Autonomous Chemical Research with Large Language Models”, in Nature 624.
Burger, B., Maffettone, P. M., Gusev, V. V., et al., 2020, “A Mobile Robotic Chemist”, in Nature 583.
Cornelio, C., Dash, S., Austel, V., et al., 2023, “Combining Data and Theory for Derivable Scientific Discovery with AI-Descartes”, in Nature Communications 14(1).
Duede, E., 2023, “Deep Learning Opacity in Scientific Discovery”, in Philosophy of Science 90(5).
Ghafarollahi, A., and Buehler, M. J., 2024, “SciAgents: Automating Scientific Discovery through Multi-Agent Intelligent Graph Reasoning”,URL=<http://arxiv.org/abs/2409.05556>.
Gottweis, J., et al., 2025, “Towards an AI Co-Scientist”,URL=<http://arxiv.org/abs/2502.18864>.
Guo, D., Yang, D., Zhang, H., et al. 2025, “Deepseek-R1 Incentivizes Reasoning in LLMs Through Reinforcement Learning”, in Nature 645.
Jumper, J., Evans, R., Pritzel, A., et al., 2021, “Highly Accurate Protein Structure Prediction with AlphaFold”, in Nature 596.
Lu, C., et al., 2024, “The AI Scientist: Towards Fully automated Open-ended Scientific Discovery”,URL=<http://arxiv.org/abs/2408.06292>.
Penadés, J. R., Gottweis, J., He, L., et al., 2025, “AI Mirrors Experimental Science to Uncover a Mechanism of Gene Transfer Crucial to Bacterial Evolution”, in Cell 188(23).
Ruan, Y., Lu, C., Xu, N., et al., 2024, “An Automatic End-to-End Chemical Synthesis Development Platform Powered by Large Language Models”, in Nature Communications15.
Singh, N., Lane, S., Yu, T., et al., 2025, “A Generalized Platform for Artificial Intelligence-Powered Autonomous Enzyme Engineering”, in Nature Communications16.
Sokol, J., 2017, “AI in Action: Machines that Make Sense of the Sky”, in Science 357(6346).
Swanson, K., Liu, G., Catacutan, D. B., et al., 2024, “Generative AI for Designing and Validating Easily Synthesizable and Structurally Novel Antibiotics”, in Nature Machine Intelligence 6(3).
The NNPDF Collaboration, Ball, R. D., Candido, A., et al., 2022, “Evidence for Intrinsic Charm Quarks in the Proton”, in Nature 608.
Valiant, L. G., 1984, “A Theory of the Learnable”, in Communications of the ACM 27(11).
Wang, H., Fu, T., Du, Y., et al., 2023, “Scientific Discovery in the Age of Artificial Intelligence”, in Nature 620.
Wei, J., et al., 2022, “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models”, in Advances in Neural Information Processing Systems 35.
