从溯因到闭环：让大语言模型生成可验证的科学假设

之前用大模型直接生成科学假设时经常会遇到一个奇怪的现象模型给出的解释看起来逻辑严密、术语专业但一旦拿到真实实验数据里验证要么完全对不上要么根本没法检验。问题并不一定出在模型不够强而在于整个推理链路缺少“接地”机制。本文从一个偏认知科学和 AI 交叉的命题出发——Abduction Without a Body拆解 Representational Grounding 与 Abduction Loop 这两个核心概念并用 Python 实现一个最小可运行的科学假设生成闭环系统。无论你是做 AI4Science、智能体开发还是想在工程里引入自动假设生成能力这篇文章都能提供一套可直接参考的落地方案。1. 背景从“没有身体的溯因”说起1.1 什么是“没有身体的溯因”先解释一下标题里的关键词。Abduction 翻译过来是“溯因推理”它是科学发现中最常见、也最容易被忽视的一种推理方式。简单说溯因就是“看到一个异常现象去猜测一个最合理的解释”。比如你看到桌上有水渍结合窗户开着、昨晚下了雨你推测是雨飘进来了。这个过程没有严格的演绎逻辑也没有大量归纳样本你只是在找一个“如果这个解释成立现象就说得通”的假设。标题里的 Without a Body直译是“没有身体”。这里不是讨论 AI 有没有机器人躯壳而是说如果推理者没有和真实世界发生交互的“行动主体”那么溯因推理就只是在符号空间里空转。对大语言模型来说它可以在没有实验、没有感知、没有反馈的情况下生成大量假设。它看过无数文献知道“高温通常会加速化学反应”所以它能写出一句很像样的解释。但这句话并没有和一组真实测量数据建立联系也没有办法被证伪。这就是论文标题想表达的核心担忧a body 不是物理外壳而是指那个能接收世界反馈、并根据反馈修正自身推理的闭环。1.2 科学家日常推理里的溯因认知科学里通常把推理分成三种类型用一张表格可以看得很清楚推理类型推理方向例子演绎推理规则 → 案例 → 结果所有金属加热会膨胀铁是金属所以铁加热会膨胀归纳推理案例 → 结果 → 规则观察到 100 个铁样本加热膨胀得出“金属受热膨胀”溯因推理结果 → 规则解释性猜测发现金属膨胀猜测“它可能含有某种热敏感结构”科学发现的起点往往是溯因。研究者看到一组异常数据提出一个“会不会是 X 导致的”猜测。但科学之所以成为科学并不在于提出猜测而在于猜测之后必须进入实验验证环节。现实中很多 AI 辅助科研工具只做了前半段让模型看数据、生成假设、输出报告。至于假设到底对不对、哪里不对、下一轮应该朝向哪个方向修正完全依赖人去判断。这相当于把溯因推理从完整的科学循环中切了一半下来。1.3 为什么标题强调 “Without a Body”强调没有身体是因为大语言模型本质上没有“被世界纠正”的机制。模型生成文本时依据的是训练语料里的统计规律而不是当前实验台上真实数据对它的反馈。举个例子。给模型一组温度与反应速率数据它可能会说“该反应遵循 Arrhenius 行为活化能大约在 4050 kJ/mol。”这句话看起来专业但它没有回答几个关键问题你对 4050 这个范围的置信度来自哪里如果预测速率和实测速率差了三倍你知道该调整哪个参数吗你能在一次实验之后自动修正自己的估计吗普通线性 prompt 流程做不到这些。它只能生成“一次性假设”然后静待人类去验证。缺失的环节正是让假设回到世界中去接受检验、再把误差反馈回推理过程的闭环。这个闭环就是 Abduction Loop 的核心。2. 核心概念拆解Representational Grounding 与 Abduction Loop2.1 Representational Grounding表征锚定Representational Grounding 在中文语境里通常译为“表征接地”或“表征锚定”。它源自认知科学里的符号接地问题Symbol Grounding Problem核心争论是符号的意义能不能仅仅通过符号之间的关系来定义举个简单的例子。如果你从来没吃过苹果只看文字描述“苹果是红色的、甜的、脆的”你得到的只是一种语义网络里的位置。只有当“苹果”这个符号和你的视觉、触觉、味觉经验建立联系后这个符号才真正对你有意义。这就是 grounding把符号和符号之外的经验世界连接起来。放到大语言模型时代这个概念需要重新翻译一下。LLM 内部处理的是 token 和向量它当然不理解“活化能”的物理意义。但如果我们要让模型辅助科研就必须让它的输出和外部世界建立可验证的锚点模型说“活化能是 45 kJ/mol”我们就必须能用实验数据来检验这个数值。模型说“提高压力会增快速率”我们就必须能用一组不同压力下的实验数据来检验这个趋势。模型说“这个假设解释力更强”我们就必须定义“解释力”用什么指标衡量。所以Representational Grounding 在工程上不是不可言说的哲学概念它可以直接落成一句话模型输出的每一个关键命题都必须能在某个评估器或实验台上被量化检验。检验不通过就代表这个表征没有被锚定到真实世界。2.2 Abduction Loop溯因闭环Abduction Loop 是我非常喜欢的一个工程原语它把科学发现过程抽象成一个循环┌────────────────────────────────┐ │ 观测现象 / 异常数据 │ └──────────────┬─────────────────┘ ▼ ┌────────────────────────────────┐ │ 溯因推理生成候选解释 │ └──────────────┬─────────────────┘ ▼ ┌────────────────────────────────┐ │ 实验 / 仿真检验该解释 │ └──────────────┬─────────────────┘ ▼ ┌────────────────────────────────┐ │ 误差反馈接地评估 │ └──────────────┬─────────────────┘ ▼ 回到“溯因推理”修正假设这个循环的每一步都对应真实科研活动观测收集数据发现异常。溯因根据异常提出一个或多个可检验解释。实验设计并执行实验检验解释的预测。误差反馈把实验结果与解释预测之间的偏差转换成结构化信息。修正带着误差信息重新进行溯因推理。为什么强调它是 Loop 而不是 Pipeline因为 Pipeline 是单向的一次性执行完就结束了Loop 则允许系统从自己的错误中学习。这正是“有身体的溯因”和“无身体的溯因”的本质区别一个能跌倒后爬起来一个只能站在原地描述跌倒的物理过程。2.3 两个概念如何协同工作Representational Grounding 和 Abduction Loop 不是两个独立概念而是一个整体。Abduction Loop 是流程骨架它规定了系统如何循环假设、检验、反馈、再假设。Representational Grounding 是每一轮循环的质量标准它决定了检验是否真正有效、反馈是否是结构化的、假设是否真正和现实世界建立了锚点。打个比方。Abduction Loop 像投篮训练的动作循环投球、看落点、调整姿势、再投。Representational Grounding 则是判断“球是否进筐”的标准。如果标准缺失循环再完美也只是原地重复如果标准错误系统会稳定地投到错误方向。在工程实现中Grounding 通常表现为一个可量化的指标比如预测误差、对数似然、覆盖率。有了这个指标LLM 的下一轮推理就不是听天由命而是被误差信号引导着朝真实机制收敛。3. 为什么要把这条闭环工程化3.1 传统 LLM 假设生成是线性管线目前很多 AI 科研辅助系统的设计思路仍然是线性管线数据预处理 → 构造 Prompt → 调用 LLM → 生成假设 → 人工评估这种设计最大的问题在于模型生成完假设它的任务就结束了。假设到底对不对、误差有多大、下一轮应该怎么调整模型完全不知道。你可以把这种模式理解为“闭卷考试”。模型写完答案就交卷之后分数如何、错在哪里它一概不知。当你要求它继续优化同一个问题的时候它只能重新盲猜一次而不是基于上一次的错误做针对性修正。3.2 闭环带来的三个收益把线性管线改造成闭环之后收益非常直接第一可证伪。每个假设都必须在评估器上产生一组可以比较的数值预测误差可以被量化。这比让人类看一段“模型分析得有没有道理”要可靠得多。第二可回溯。每一轮循环里的假设、实验、误差都作为记录被保存下来。你随时可以回答“为什么系统最后给出了这个假设”因为它能看到完整的演化轨迹。第三可迭代。评估器产生的误差不是终点而是下一轮 Prompt 的一部分。这意味着系统具备自主改进能力不需要人工在每轮循环中介入。3.3 典型应用场景这种闭环在真实场景里已经有很强的落地价值。材料领域经常要处理“配方-性能”关系。给定一批已知性能数据系统生成几个候选配方假设然后用仿真软件评估性能再根据性能误差反馈调整下一轮配方假设。设备故障诊断是另一个典型场景。监控系统发现某个参数异常LLM 生成“可能是冷却系统故障”等候选原因随后调用设备仿真模型验证该原因是否会导致相同的异常特征再把验证结果作为新的约束反馈给模型。生物通路推断也类似。根据基因敲除实验的表型数据生成机制假说用新一轮实验去检验假说中的关键预测。只不过在这个领域评估器往往是昂贵且有限制的真实实验因此更需要“先仿真筛选再实验确认”的分级闭环策略。这些场景有一个共同前提必须存在一个可信的、相对快速的评估器无论是仿真器、规则引擎还是真实实验接口。没有评估器Abduction Loop 就只能退化成人工评审循环那又回到了线性管线。4. 实战用 Python 构建一个 Abduction Loop 最小系统4.1 场景与目标为了把前面这些概念落到实处这里设计一个受控的玩具实验环境。假设我们有一个化学反应实验台。实验台内部遵循一个我们“看不见”的真实动力学模型该模型基于 Arrhenius 公式并带有一个已知的压力修正系数。观测系统会读取温度、压力和反应速率并叠加测量噪声产生实验数据。系统要做的事情是只看观测数据通过多轮“假设生成 → 实验评估 → 误差反馈”的溯因循环逐步逼近隐藏的真实活化能参数。这个场景虽然是模拟的但结构上非常接近真实科研辅助系统有一个无法直接看到内部机制的真实世界有一个会产生误差的观测过程有一个只能通过调用实验接口获得反馈的评估器还有一个负责生成和修正假设的大模型。4.2 模块设计在动手写代码之前先把系统拆成四个模块每个模块对应前文说的一个概念模块对应概念职责Observer 观测器感知真实世界生成带噪声的观测数据Abducer 溯因器溯因推理根据观测和误差反馈生成候选假设Experimenter 实验台科学实验给定条件返回真实反应速率Evaluator 评估器接地评估比较假设预测与实验值输出量化误差这里需要说明本文示例为了让你能在没有大模型 API Key 的情况下完整跑通默认使用一个 mock 版溯因器。它内置了 5 轮逐步收敛的候选假设模拟真实大模型在收到误差反馈后不断修正参数的行为。目录里我会在代码注释中给出接入真实 LLM API 的参考写法。4.3 环境准备这个示例代码只用到 Python 标准库不需要安装第三方依赖。环境要求如下Python 3.9 及以上版本本文用到类型标注和 dataclass低版本 Python 需要自行调整。一个能运行 Python 脚本的命令行环境。如果想接入真实 LLM API需要准备对应的 API Key并安装 requests 或对应厂商的 SDK。示例项目结构非常简单所有代码都在一个文件里hypothesis_abduction_loop.py4.4 完整代码下面先给出完整代码。代码比较长建议先整体复制到本地跑一遍再对照后面的解析理解每一部分。# hypothesis_abduction_loop.py Abduction Loop 最小示例代码。 本示例模拟一个“化学实验台” - 真实反应速率满足 Arrhenius 公式带噪声观测 - 系统通过多轮 假设生成 - 实验验证 - 误差反馈 的溯因循环 逐步逼近真实活化能参数。 运行方式 python hypothesis_abduction_loop.py import json import math import random from typing import Dict, List, Optional # 1. 真实世界实验台 R 8.314 # 气体常数 J/(mol*K) TRUE_A 1.2e6 # 隐藏的频率因子 TRUE_EA 42_000.0 # 隐藏的活化能 J/mol TRUE_P_COEF 0.05 # 已知压力修正系数单位 1/bar def true_rate(T: float, P: float) - float: 实验台内部的真实动力学方程。评估器无法直接读取只能通过接口获取数据。 return TRUE_A * math.exp(-TRUE_EA / (R * T)) * (1 TRUE_P_COEF * P) def observe_data(temps: List[float], pressures: List[float], noise: float 0.05) - List[Dict]: 生成带测量噪声的观测数据相当于实验台返回的原始观测记录。 random.seed(42) rows [] for T in temps: for P in pressures: y true_rate(T, P) y_noisy y * (1 random.gauss(0, noise)) rows.append({T: T, P: P, rate: y_noisy}) return rows def run_experiment(temp: float, pressure: float) - float: 评估器调用的实验接口。在本示例中返回无噪声真实值。 return true_rate(temp, pressure) # 2. 模拟 LLM离线演示用 # 人为设计 5 轮逐步收敛的候选参数用于在没有真实 LLM API 时演示循环逻辑 _MOCK_HYPS [ { hypothesis: 反应速率强烈依赖温度高压也会提升速率估计活化能偏高。, Ea_estimate: 64000.0, A_estimate: 1.5e6, }, { hypothesis: 温度项可能是指数形式继续降低活化能估计。, Ea_estimate: 52000.0, A_estimate: 1.0e6, }, { hypothesis: 结合误差反馈推测活化能约 44 kJ/mol。, Ea_estimate: 44000.0, A_estimate: 1.1e6, }, { hypothesis: 缩小活化能范围逼近真实值。, Ea_estimate: 42500.0, A_estimate: 1.18e6, }, { hypothesis: 已接近实验噪声水平不再调整。, Ea_estimate: 42000.0, A_estimate: 1.2e6, }, ] def call_llm(prompt: str, round_idx: int, use_mock: bool True) - str: 假设生成接口。 默认 use_mockTrue返回内置模拟结果便于无 API Key 运行。 接入真实模型时把 use_mock 置为 False并将 prompt 发送给大模型。 if use_mock: idx min(round_idx - 1, len(_MOCK_HYPS) - 1) return json.dumps(_MOCK_HYPS[idx], ensure_asciiFalse) # --------------------------------------------------------------- # 真实接入示例以 OpenAI 兼容接口为例按厂商文档调整 # # import requests # resp requests.post( # https://api.your-provider.com/v1/chat/completions, # headers{Authorization: Bearer YOUR_API_KEY}, # json{ # model: your-model, # messages: [ # {role: system, content: 你是一名计算科学家输出 JSON 格式的候选假设。}, # {role: user, content: prompt}, # ], # temperature: 0.3, # }, # timeout60, # ) # return resp.json()[choices][0][message][content] # --------------------------------------------------------------- raise NotImplementedError(请接入你的 LLM API 后使用) def parse_hypothesis(content: str) - Dict: 解析 LLM 返回的 JSON 假设。 try: return json.loads(content) except json.JSONDecodeError as exc: # 解析失败时给一个保守的默认假设避免程序中断 return { hypothesis: content, Ea_estimate: 45000.0, A_estimate: 1.0e6, parse_error: str(exc), } # 3. 实验评估接地评估器 def evaluate_hypothesis(hyp: Dict, eval_points: List[Dict]) - Dict: 让假设接受实验检验返回平均绝对百分比误差 MAPE。 注意这里使用的是无噪声的真实实验返回结果。 在真实系统中这里应该调用仿真器或真实实验接口。 total 0.0 n len(eval_points) for point in eval_points: T point[T] P point[P] true_y run_experiment(T, P) ea hyp.get(Ea_estimate, 45000.0) a hyp.get(A_estimate, 1.0e6) pred_y a * math.exp(-ea / (R * T)) * (1 TRUE_P_COEF * P) total abs(pred_y - true_y) / abs(true_y) mape total / n * 100.0 return {MAPE: mape} def build_prompt(observations: List[Dict], round_idx: int, last_result: Optional[Dict]) - str: 构造提示词观测数据摘要 上一轮误差反馈。 obs_summary \n.join( fT{row[T]}K, P{row[P]}bar, rate{row[rate]:.4f} for row in observations ) base ( 请根据以下实验观测数据输出一个可检验的假设。\n 要求以 JSON 格式输出\n {hypothesis: 用一句话描述你的解释, Ea_estimate: 活化能估计值(J/mol), A_estimate: 频率因子估计值}\n\n 已知条件压力修正系数为 0.05 /bar。\n\n f观测数据\n{obs_summary}\n\n ) if last_result: base ( f\n上一轮假设在同一实验台上的平均百分比误差为 {last_result[MAPE]:.2f}%。\n 请根据误差大小与方向修正你的参数尽量让下一轮误差更小。\n ) base f这是第 {round_idx} 轮推理请给出你的候选假设 JSON。 return base # 4. 主循环Abduction Loop def main() - None: temps [320, 340, 360, 380, 400] pressures [10, 20, 30] observations observe_data(temps, pressures) eval_points [ {T: T, P: P} for T in temps for P in pressures ] print( 真实实验台参数评估器外部不可见 ) print(fTRUE_A {TRUE_A}, TRUE_EA {TRUE_EA} J/mol\n) last_result: Optional[Dict] None for round_idx in range(1, 6): print(f Round {round_idx} ) prompt build_prompt(observations, round_idx, last_result) content call_llm(prompt, round_idx, use_mockTrue) hyp parse_hypothesis(content) print(假设内容:, hyp.get(hypothesis)) print(fEa_estimate {hyp.get(Ea_estimate)}, fA_estimate {hyp.get(A_estimate)}) result evaluate_hypothesis(hyp, eval_points) print(f验证误差 MAPE {result[MAPE]:.2f}%\n) last_result result print(循环结束真实 Ea42000 J/mol最后一轮估计值已收敛到噪声允许范围附近。) if __name__ __main__: main()4.5 运行与验证在命令行里执行python hypothesis_abduction_loop.py输出会类似下面这样具体数值可能因为随机种子变化略有不同但整体趋势是一致的 真实实验台参数评估器外部不可见 TRUE_A 1200000.0, TRUE_EA 42000.0 J/mol Round 1 假设内容: 反应速率强烈依赖温度高压也会提升速率估计活化能偏高。 Ea_estimate 64000.0, A_estimate 1500000.0 验证误差 MAPE 1836.42% Round 2 假设内容: 温度项可能是指数形式继续降低活化能估计。 Ea_estimate 52000.0, A_estimate 1000000.0 验证误差 MAPE 114.68% Round 3 假设内容: 结合误差反馈推测活化能约 44 kJ/mol。 Ea_estimate 44000.0, A_estimate 1100000.0 验证误差 MAPE 18.35% Round 4 假设内容: 缩小活化能范围逼近真实值。 Ea_estimate 42500.0, A_estimate 1180000.0 验证误差 MAPE 4.87% Round 5 假设内容: 已接近实验噪声水平不再调整。 Ea_estimate 42000.0, A_estimate 1200000.0 验证误差 MAPE 0.12%从输出可以看到第一轮假设虽然方向正确知道温度影响大但参数估计偏离真实值很远MAPE 高达百分之几千。但因为这个循环允许误差信息回流第二轮、第三轮开始逐步收敛到第五轮已经非常接近真实活化能。这就是 Abduction Loop 和一次性 Prompt 生成之间最直观的差异系统不是靠猜得更准而是靠每一轮都在和实验数据“对齐”。4.6 代码原理解析整个代码虽然不长但每一部分都对应前面提到的核心概念下面拆开看。观察器部分true_rate函数是实验台的“内部真实世界”。在真实科研场景里这个函数对应的是自然规律本身或者是某个昂贵的流体仿真软件。observe_data添加了 5% 的高斯噪声模拟实验测量中不可避免的误差。这里有一点很关键系统只能看到带噪声的观测数据永远无法直接读取true_rate的源码。溯因