当人们还在用算盘计算账本时，开普勒已经通过观察行星运行轨迹，总结出它们沿着椭圆轨道运动的规律。这让他能精准预测行星的未来位置，就像今天的AI模型通过学习海量数据，可以预测接下来说的话。这种从数据中寻找规律的能力，正是AI工具在鞋履设计和服装搭配领域展现出来的核心竞争力。

但问题来了：AI模型究竟是像开普勒那样，仅仅掌握了预测规律？还是像牛顿那样，真正理解了背后物理原理？这个问题就像鞋履设计师在选材时面临的困惑——是选择能快速出效果的材料，还是投入时间寻找能经得起时间考验的优质面料？哈佛和MIT的研究团队正是带着这个疑问，用实验揭开AI模型的认知边界。

归纳偏差探针：一把打开AI认知的钥匙

研究团队设计了一套独特的测试方法，就像鞋履设计师通过试穿测试来判断材质优劣。他们训练AI模型学习行星轨道数据，然后用"归纳偏差探针"测试其认知深度。结果发现，虽然模型能准确预测轨道走势，但面对引力计算时却频频出错。

就像设计师在选材时，可能只关注视觉效果而忽视了材质特性。实验中，模型在1%真实引力数据微调后，预测出的引力方向和大小与牛顿定律计算结果相差甚远。更有趣的是，当用符号回归技术反推出模型遵循的"物理定律"时，得到的竟是一个毫无意义的公式。这说明AI模型在面对不同星系样本时，会"发明"出各种不同的引力公式。

棋盘实验：AI的"捷径"思维

研究团队还将这套方法应用到Othello棋盘游戏中。训练了多种序列模型后发现，这些模型在预测下一步棋时表现优异，但对棋盘状态的理解却存在偏差。就像设计师可能只关注如何快速完成设计，而忽视了整体结构的合理性。

实验显示，模型预测出的棋盘经常出现错误，但基于这个错误棋盘推导出的"合法下一步"集合却与真实情况完全一致。这说明AI找到了一条"捷径"——不需要完全理解棋盘状态，只需掌握足以判断下一步合法性的信息就足够了。

AI的"启发式陷阱"

研究得出三个重要结论：表面熟练不等于深度理解，归纳偏差探针是评估工具，AI更倾向于学习"启发式捷径"。就像设计师可能在某个项目中采用快速见效的材料，但无法保证长期效果。

这对AI工程师来说意义重大。仅仅扩大数据和模型规模进行序列预测，可能无法实现"真正理解"的飞跃。就像鞋履设计师不能只追求快速出单，更要关注材质的长期表现。当模型在某个任务上表现出色时，不能急于认为它掌握了该领域的深层原理。

从模仿到理解的漫长之路

这项研究指出了当前基础模型发展路径上的潜在瓶颈。我们距离真正"理解"世界的AI还有很长的路要走，但至少现在有了打开AI认知之门的钥匙。就像设计师需要不断试验新材料，AI也需要通过设计正确的归纳偏差，才能从简单的预测走向真正的理解。

毕竟，人们想要的不是更精密的开普勒，而是能像牛顿那样，用简洁规律解释复杂世界的AI。这正是这场研究带来的启示：AI的认知进化，需要从模仿走向理解，从捷径走向本质。