宇宙学家最近给AI出了一道考题：先让它把教科书读透，再放它出去找教科书之外的新发现。结果AI翻了车，而且翻得很有规律。

这项研究本月初发表在《宇宙学与天体粒子物理杂志》上。普林斯顿大学和熨斗研究所的团队训练了一个神经网络，喂给它的教材是宇宙学标准模型的模拟数据。这套主流理论叫ΛCDM，大意是宇宙里只有约5%是普通物质，27%是暗物质，剩下68%是推着宇宙加速膨胀的暗能量。过去二十多年，它解释观测数据的成绩好得惊人。

可没人觉得这就是终点。暗物质和暗能量到底是什么，至今没有答案。中微子的质量、暗能量会不会随时间变化、引力在超大尺度上要不要修正，每一条线索背后都可能藏着标准模型之外的新物理。

麻烦在于，验证任何一个新想法都贵得吓人。宇宙学家得先在计算机里造出一批假宇宙，按理论生成星系的分布，再拿去和望远镜拍到的真实宇宙对比。成百上千次计算和模拟翻来覆去地跑，一跑就是几个月甚至几年。标准模型尚且如此，那些加了新物理的扩展模型，模拟起来更烧钱。

于是团队想到了AI圈一个现成的招数：迁移学习。道理和人差不多，学过钢琴的人再学电子琴，上手就快，因为乐理是通的。让AI先在标准模型的模拟里练熟基本功，再去研究扩展模型，按理说能省下重新跑海量模拟的开销。

前半段确实顺利。靠着更少、更便宜的模拟，AI就把标准模型理解得不错。省钱的目标，算是摸到了边。

问题出在后半段。当新物理在数据里留下的痕迹，和AI学过的某种已知效应长得太像时，它开始犯一种很人性的错误：先入为主。

宇宙里两种完全不同的物理过程，可能在数据里印出相似的图案。AI分不清，就直接掏出旧课本，用学过的知识把新信号解释掉了。一个接诊过一万个感冒病人的老医生，遇到症状像感冒的罕见病，第一反应还是开感冒药。新物理的线索，就这样从它指缝里漏了出去。

这种现象有个学名，叫负迁移。在论文合作者、宇宙学家拜尔（Adrian Bayer）看来，这个结果反而有价值：AI出错并非随机乱错，错的方向恰恰集中在新旧物理在数据上纠缠不清的地方。换成人话，它带着既有知识进入新任务时，可能也会把相应的偏见一并带进去。搞清楚这些知识什么时候帮忙、什么时候帮倒忙，AI才能真正在宇宙学里挑大梁。

拜尔的态度也很务实：迁移学习能给AI一个强劲的起跑，让科学家检验比过去多得多的宇宙猜想，前提是人得盯紧它到底把什么从旧任务带进了新任务。加速和理解，必须一起来。

下一步，团队打算把实验搬进更接近真实的场景，往数据里加上星系形成的不确定性、巡天观测的遮挡和噪声，看AI在更脏的数据面前还剩几分功力。他们还想画出一张清单：宇宙学里哪些问题最适合交给迁移学习，哪些问题它一碰就偏。

～～～～～～

图为本研究使用的 Quijote 模拟中的两张图像，展示了同一宇宙区域在不同宇宙学模型下的对比，图源：Francisco Villaescusa-Navarro

信源：Lee, Gayoung. "AI Learned How the Universe Works—and That Created an Unexpected Problem for Physicists." Gizmodo, 11 June 2026