谷歌DeepMind首席执行官哈萨比斯曾提出一项引人深思的假设：若将现代人工智能的知识边界设定在1901年，仅允许其接触人类在该时间点前积累的所有科学文献，它能否在1905年独立推导出狭义相对论？这一设想直指人工智能的核心能力边界——当所有必要知识已具备时，新理论是否会自然涌现？答案指向一个关键结论：仅凭现有知识储备与计算能力，人工智能尚无法完成爱因斯坦式的范式革命。
科学突破的本质常被误解为知识量的累积，但相对论的诞生证明，真正的革新在于重新定义问题本身。托马斯·库恩在《科学革命的结构》中提出的“范式”理论为此提供了框架：每个时代的科学家共享一套隐含的解题规则，包括哪些问题值得研究、使用何种概念体系、如何验证理论有效性。在牛顿力学占据主导的19世纪，时间被视为绝对均匀的流逝，空间是物体运动的静态背景，这些前提如同试卷上的已知条件，鲜少被质疑。
19世纪末的物理学面临双重困境：牛顿力学与麦克斯韦电磁理论在光速问题上产生直接冲突，迈克尔逊-莫雷实验更未能检测到预期中的“以太风”。当时多数科学家仍在原有范式内寻找补丁——或许以太会被地球运动拖拽？或许物体运动时会产生收缩？爱因斯坦却选择彻底颠覆前提：他放弃绝对时间概念，提出所有惯性参考系中物理定律形式相同、光速对所有观察者恒定。这一跳跃式思维将时间间隔与空间长度转化为相对量，彻底改变了人类对时空的认知。
当前人工智能的运作机制决定了其局限性。大语言模型通过海量文本训练掌握语言模式，能够高效完成文献综述、数据推导等任务，甚至在固定规则下（如围棋）发现人类未探索的路径。但它们的“创造力”本质上是已有知识的重组：当训练数据普遍接受以太存在时，模型会将其视为合理前提；当主流研究聚焦于探测以太时，它更可能生成新的探测方案而非质疑以太本身。这种能力类似于在旧地图上寻找新路线，却无法意识到地图可能存在根本性错误。
人工智能在识别理论矛盾方面表现优异，例如能快速指出经典速度叠加与光速恒定的冲突，或整理以太理论面临的实验挑战。但它难以完成从“发现问题”到“重构范式”的关键跨越：当理论与实验不符时，模型可以列出测量误差、参数错误等可能性，却无法独立判断是否需要推翻绝对时间这一基础假设；当生成多种假说时，它缺乏筛选标准——为何要放弃被整个科学界接受的前提？哪个反常假说能以更简洁的方式统一更多现象？这些选择依赖人类对理论美学的判断、对矛盾的不容忍，以及长期投入的决心。
科学家与人工智能的核心差异在于研究动机的内在性。当前AI的目标完全由外部设定：人类要求解释实验，它便寻找解决方案；要求生成假说，它便输出选项。任务完成后，它不会因理论不协调而持续追问，也不会主动决定哪个矛盾值得深入。即使赋予其长期记忆与自动实验能力，研究方向与评价标准仍需人类界定。持续执行任务与主动质疑前提，本质上是两种不同的思维模式。
这一边界的确认并未削弱人工智能对科研的价值。在文献整理、数据计算、实验设计等重复性工作中，AI已展现出超越人类效率的潜力：它能在几分钟内梳理出需要数年完成的文献冲突，通过模型加速排除错误研究方向，使科学家将更多精力投入关键判断。随着技术发展，科研价值链正向上游迁移——决定研究什么、识别真正值得追问的矛盾、判断何时放弃旧解释，这些环节将愈发依赖人类的洞察力。
爱迪生曾将天才定义为“1%的灵感加99%的汗水”，但相对论的案例表明，这1%的灵感绝非偶然。它源于对矛盾的敏锐感知、对基础前提的怀疑精神，以及在缺乏标准答案时重建解释框架的勇气。爱因斯坦与同时代物理学家掌握的资料量相差无几，真正区别在于他选择以完全不同的视角审视这些资料。当问题定义清晰时，人工智能可以比人类更快、更全面地解答；但当突破需要质疑最基本的前提时，知识储备与计算速度都无法替代人类的思维革命。
