科学AI：预测、规律与实验验证

科学AI不等于自动发现真理

微型创作实验室研究一个虚构的彩球扩散系统：在方格容器里，彩球随时间从一侧移动到另一侧，记录每个区域的数量。AI可以预测下一时刻分布、加速模拟或寻找值得检查的模式，这些属于科学工作中的工具用途。模型在已有数据上误差很小，不代表发现普遍规律，也不代表能解释为什么移动。科学结论需要明确假设、测量方法、适用条件和独立验证。课程只使用教学模拟系统，不涉及真实材料生产或专业实验判断，重点是学会从漂亮曲线追问证据，而不是宣称模型能够取代科学方法。

数据、单位与规律假设

记录表要说明时间单位、区域位置、彩球数量及边界是否封闭。若容器封闭且没有新增或移除彩球，总数量应保持不变，这是一项由系统定义给出的约束。机器学习模型可能把每个区域单独拟合得不错，却预测总数凭空增加；数值误差之外还需要检查规则一致性。科学机器学习可以在模型或损失中加入已知结构，但加入约束也不保证所有结果正确。如果单位写错或真实条件不满足封闭假设，约束可能反而制造误导。因此已知规律、测量资料与模型预测必须分别标明来源。

区分插值与外推

模型训练时只见过温和移动速度，预测同范围的新初始分布属于较接近已知范围的任务；要求预测远高于训练范围的移动速度，则是外推，风险往往更大。随机拆分同一次模拟的相邻时刻，可能让测试非常接近训练，无法检验新条件。实验室按整次模拟和条件范围分组，留出不同初始布局，另外设置明显超出范围的案例并标为探索。结果需要分别报告，不把插值成绩当作外推可靠性。遇到新条件应说明不确定与验证需求，而不是因曲线平滑就认为模型掌握全部机制。

相关模式不直接解释原因

假设彩球移动快的记录同时使用了较大的容器，模型可能将容器尺寸当作速度线索。观察关联不能证明容器尺寸导致移动变快，因为两者可能由实验设置一起改变。若要研究某因素影响，应在许可且合理的模拟环境中固定其他条件，再改变该因素，并重复比较。模型解释工具显示某特征重要，也不等于真实因果，因为重要性依赖数据与模型。实验室先用已知规则的简化模拟验证预测，再讨论规律发现，避免把特征相关、模型注意力或一个高分公式直接包装成科学解释。

建立可复查的科学工作流

保存模拟规则、参数、随机种子、数据版本和划分，先比较简单规则预测或已有数值方法，再引入学习模型。检查误差、总量约束、异常条件和计算成本，同时保留失败样本。模型提出的新关系可写成待验证假设，通过独立模拟或实验设计检验，验证失败就修正，而不挑掉不符合关系的记录。科学AI的合理成果可以是某范围内更快的近似器，不必声称发现新定律。报告清楚区分模拟证据与现实证据，说明单位和适用范围，这种严谨表达才让他人能够理解和继续验证。