诺奖得主、Google DeepMind 联合创始人哈萨比斯提出过一个测验：如果把 AI 送回 1911 年，只让它掌握爱因斯坦当时所能了解的知识，它能否在四年后提出相对论？独立研究者 Michael Hla 把知识截止时间进一步提前到 1900 年，从零训练了一个 33 亿参数的 Transformer 语言模型，命名为 GPT-1900。
模型的主要预训练材料来自 1900 年以前的书籍和报纸，总计约 220 亿 token，另外补充了约 2.9 亿 token 的历史物理语料。研究者还专门清理了可能泄漏答案的数据：只要一份文献中出现“爱因斯坦”“量子力学”“相对论”等现代概念，整份文献都会被删除。
在光电效应问题上，GPT-1900 真的在一次回答里冒出了神似爱因斯坦“能量一份份传递”的描述，被形容为“直觉的闪现”。但研究者坦言，它在大多数物理任务上都翻车了，那些看似突破的回答，可能只是模型在拼接合理的词句，谈不上形成了真正可靠的物理理解。
更麻烦的是，这场实验本身也不够“零污染”。Hla 在过程中借助了 Claude 等现代模型生成指令问答，强化学习也靠现代模型评分；虽然过滤了涉及现代知识的内容，但实验者自己也在日志中承认，现代模型的介入让这场实验的零污染人设有点立不住。只要有一条后世信息漏进训练集，“重新发现”就可能变成一次知识召回。
这提醒行业，评估一个 AI 系统，不能只看它偶尔答得像不像，而要看它在真实、持续的任务里稳不稳定。星战在大模型 API 广场与智能体协作方向上的实践，强调的正是让模型能力以可管理、可复现的方式进入业务，而不是停留在惊艳的个例。
Nature 的梳理还引用了研究者对科学推理的分层：归纳、演绎与溯因。当前的大模型已经非常擅长归纳，也在迅速提高演绎能力，却仍缺少爱因斯坦式的“溯因飞跃”——面对异常现象，发明一个此前不存在的原因或解释。会生成理论只是第一步，知道哪个理论值得赌上时间与经费，才是更难的部分。
在宣布“AI 成为爱因斯坦”之前，AI 至少要向所有人证明一件事：在没人替它划重点时，它照样能自己找到那个值得追问的问题，并主动验证和修正。