科学发现的历史一直遵循着隐含的路径：科学家基于观察提出假设，设计实验验证，再修正理论。 这种“假设驱动”的模式从牛顿到爱因斯坦，塑造了现代科学的根基。 然而，当数据规模超出人类处理极限时，这一模式的效率遭遇了瓶颈。 在蛋白质折叠、材料基因组学等领域，待探索的构型空间远超物理实验所能覆盖的范围。 今天，生成式AI的出现，正以完全不同的逻辑介入这一过程，它不再依赖预先给定的假设，而是直接从海量数据中学习潜在规律，甚至反直觉地预测未知现象。
传统科学方法论中，假设是认知的核心锚点，它既是研究的起点，也是对结果的约束。 但假设本身带有强烈的理论先见，可能导致“确认偏误”，使科学家忽视异常数据。 生成式AI则不同，它通过神经网络学习数据分布，能够生成全新的候选分子、晶体结构或物理模型。 DeepMind的AlphaFold是一个典型例子，它没有依靠传统的蛋白质折叠规则，而是从基因序列与结构数据中自学习出映射关系，其预测精度超过了多年人工推导的成果。 这并非简单的效率提升，而是认知路径的根本转向：从“为什么？”到“是什么？”——AI提供的答案常常先于人类理解其原因。
本文认为，生成式AI不应被看作科学家的助手，而应被接纳为一种新兴的“认知主体”。 它的“思考”建立在不同维度的表征空间上，其输出反映的是数据中的统计关联，而非人类概念化的因果逻辑。 这种差异意味着AI能够发现人类无法直观感知的潜在模式，比如在药物联用中产生协同效应的复杂高阶关系。 由此产生的知识是“非人类中心”的，它不一定能被还原为经典科学定律，却具有实用和预测价值。 这种认知主体性的扩展，要求我们重新定义“理解”：科学不再仅仅追求可理解的模型，也允许“黑箱”知识作为合法成果。
这一范式迁移的深层意义，在于引导我们审视科学哲学的根本预设。 波普尔的证伪主义基于假设演绎，而库恩的范式革命则描述了科学共同体的共识更替。 今天，生成式AI引入的“数据智能”正在创造一种混合科学文化：人类负责目标和价值判断，AI负责生成与筛选候选方案。 未来，科学家的工作将更多是“提问”和“解释”，而非“设计实验”和“手工分析”。 这需要教育体系、科研评价和学术交流方式做出调整，最终我们会发现，AI不是取代人类的思考，而是将人类的思考提升到更抽象、更策略性的层面，这正是认知革命的核心。
