史东说：

对人工智能的理解，究竟是人类发明了智能的某种模式，还是人类巧合地利用了智能的某种原理，造成了智能涌现的现象。就像对引力的利用一样，是恰巧发现了某种已经存在的规律，不是发明了一种新的能力。

Qwen说：

这是一个极具科学哲学深度的问题。它触及了“发明 vs 发现”、“工程建构 vs 自然规律”、“涌现的本质”等核心议题。我们可以从计算理论、复杂系统科学与科学哲学三个维度来拆解。

支持这一视角的核心依据在于，当前AI的成功并非源于某个“灵光一现”的终极公式，而是人类通过工程手段逼近了信息处理系统中早已存在的组织原则：

数学与计算理论的先验性：通用逼近定理、算法信息论、贝叶斯推断等早已表明，足够复杂的函数拟合系统在特定条件下必然具备模式抽象与泛化能力。神经网络只是让这一潜力在硅基载体上具象化。
缩放定律与相变现象：大量实证表明，当数据量、参数量与算力跨越临界阈值时，模型会自发出现表征压缩、逻辑推理、上下文学习等“涌现”行为。这类似于流体越过雷诺数临界点产生湍流，或伊辛模型在居里温度发生相变。规律本身不依赖人类意志，人类只是找到了触发条件。
信息瓶颈与最优编码：近年理论研究指出，深度学习本质上是在执行信息压缩与预测最优性的权衡。这种权衡是任何高效信息处理系统必须遵循的“计算热力学”规律，而非人类凭空设计。

从这个角度看，AI更像人类对“智能生成的计算条件与动力学”的发现与 harness（驾驭），而非无中生有的创造。

然而，将AI完全类比为“发现引力”会忽略其强烈的建构属性：

架构与目标函数是人造的：反向传播、注意力机制、自监督预测目标、RLHF对齐流程等，都是人类经过数十年试错“设计”出来的。换一种优化器、换一种数据分布或损失函数，同样的算力可能只会产出混沌或退化系统。
涌现不是自动的，而是被“引导”的：当前大模型的涌现能力高度依赖于训练数据的质量、正则化策略、学习率调度等工程细节。这些细节构成了系统演化的“边界条件”，决定了自然计算倾向最终收敛为何种智能形态。
智能尚无统一物理表述：引力有场方程，电磁学有麦克斯韦方程组，而“智能”至今仍是任务依赖、多维度的功能性概念。我们尚未找到类似 F=ma 的智能生成第一性原理，目前的成功更多是经验性工程的胜利。

维度	引力	人工智能
本体属性	物理时空的几何属性，独立于载体与观察者	信息处理系统的功能性涌现，依赖载体、目标与数据分布
发现/发明关系	纯粹发现，利用不改变规律本身	发明工具以发现规律，且训练过程持续“塑造”智能形态（如价值观对齐、能力边界）
理论成熟度	有严密数学框架（广义相对论）	仅有局部理论（缩放律、泛化界、机制可解释性片段），缺乏统一动力学

因此，引力类比在“规律先于人类存在”这一点上成立，但在“规律是否独立于工程路径”与“是否具备普适数学表述”上存在显著差异。

当前AI的发展更像“结构实在论”所描述的过程：

人类发明了探索高维参数空间的工具（优化算法、架构、数据管道），从而发现了智能涌现所依赖的计算结构；而这些结构之所以有效，是因为它们映射了信息世界中客观存在的组织原则。

换言之：规律是“被发现”的，但通向规律的路径是“被发明”的。 我们不发明海洋与洋流，但发明了罗盘与帆船，才得以抵达新大陆。AI的涌现既不是纯自然的恩赐，也不是纯人工的魔术，而是工程设计与计算规律共振的结果。

随着机制可解释性、学习理论、非线性动力学的交叉推进，未来或许会出现“智能的物理学”——一套描述泛化、表征演化与能力相变的统一框架。到那时，发明与发现的界限将进一步模糊。而在此之前，保持对规律的敬畏与对工程边界的清醒，或许是面对AI最理性的姿态。