Abduction Loop与表征接地：让AI科学假设真正“落地”

做科学假设生成的AI，最容易被忽略的问题不是生成能力，而是它生成的假设到底有没有“挂”在真实世界上。Abduction Loop（溯因循环）和Representational Grounding（表征接地）放在一起讨论，就是在回答一个很实际的问题：如果让AI在没有实验身体、没有真实感知的情况下做溯因推理，它产出的科学假设能不能真的指导后续研究。这篇文章写给正在做自动化科研、AI Scientist、智能体系统或者科学数据产品的开发者。我的核心判断是：生成假设不难，难的是让假设“接地”；而接地不是靠一次推理完成的，必须靠一个可追溯、可反驳、可迭代的循环来保证。

接下来我会先把这个题目的两个关键概念拆清楚，再讲为什么不能在纯文本环境里做假设生成，然后给一套工程上可行的最小系统设计，最后聊评估方法和常见坑。

1. 先弄清楚“Abduction”和“Body”分别指什么

1.1 溯因推理不是猜谜，而是找最佳解释

推理方式一般分三种：演绎、归纳、溯因。演绎是从一般规则推出具体事实，归纳是从大量观察总结规律，而溯因是面对一个观察结果，反过来找最能解释它的原因。

比如你看到桌面湿了，可能的原因是杯子倒了、窗户没关、有人泼了水。溯因推理就是在这些候选原因里选一个最合理、最简洁、最能说明现象的解释。科学假设生成本质上就是这种推理：观察数据出现异常，AI需要提出一个机制来解释为什么数据会变成这样。

很多人把溯因理解成“猜测”，这是一个容易跑偏的地方。溯因推理虽然结果不确定，但它对推理过程有要求：

• 解释要覆盖现象，不能只解释一部分。
• 解释要尽量简单，不要引入一堆不必要的实体。
• 解释要和已知科学知识一致，不能为了自洽推翻已经验证过的约束。
• 解释要能被检验，至少要能推出一个和当前数据不同的观测。

如果一次生成只输出一段看起来很合理的文字，不检查它是否满足这些条件，那只能叫“自由联想”，不叫假设生成。

1.2 这里的Body不是指聊天机器人有没有手

标题里的“Without a Body”需要先解释清楚。它不只是在说物理身体，而是在说一种“经验基底”。

传统科学发现的参与者，通常有一个完整的感知和行动回路。研究生看到实验现象、读取仪器数据、调整参数、观察到反应变化、再提出解释。这个回路里有大量来自真实世界的反馈信号。一个人说某个假设“看起来对”，背后其实包含了他对仪器误差、材料状态、环境条件的大量隐性判断。

AI的情况完全不同。一个大语言模型做假设生成时，输入是文本，输出也是文本。它对“铜片浸入硝酸银溶液会有银白色物质析出”这个说法有很强的文本关联，但它没有亲眼看过溶液颜色变化，也没有操作过实验器材。它知道的是“这种说法在语料中经常出现”，不一定是“这个机制在真实条件下成立”。

所以“Abduction Without a Body”可以翻译成一个更偏工程的问题：如果AI没有任何感知和执行反馈，只靠符号层面的统计关联做溯因推理，生成的假设是否还能具备科学假设应有的解释力和可检验性。

这个问题之所以值得专门讨论，是因为现在很多自动化科研系统已经在这么做。它们用大模型生成假设，用知识库过滤，用文献匹配打分，然后直接输出结论。问题是：这条路少了哪一环，少了的那一环能不能用别的方式补上。

1.3 这个问题的核心不是“AI能不能发现新知识”

严格来说，AI当然可以发现新知识。搜索空间巨大的组合优化问题、预测蛋白质结构、筛选候选材料，这些都是AI能做的科学发现。但这些任务有一个共同特点：结果有明确评判标准，或者可以从真实数据里获得反馈。

而溯因假设生成的不一样之处在于，它是在“输出一个还未经证实的故事”。故事可以有很多个，而且每个故事都能解释当前数据。如果没有实验反馈、没有物理约束、没有可交互的环境，系统就没有办法判断哪个故事更接近真实。

因此这个题目真正在追问的，是“假设生成系统如何避免变成只会编故事的幻觉机器”。而这个问题的答案，显然不在模型参数里，而是在系统架构里。

2. 表征接地：为什么AI生成的假设经常“看着对，但不靠谱”

2.1 符号接地问题从经典AI一直延续到大模型

“接地”这个词来自认知科学和AI里的“符号接地问题”。最早人们发现，一个纯符号系统可以在内部做大量规则运算，但如果这些符号从未和外部世界建立联系，那系统的所有知识都是空洞的。

经典AI里，这个问题表现为：机器人可以推导出“红色”和“苹果”的关系，但如果没有传感器，它永远不知道真正的红色长什么样。大模型时代，问题变得更隐蔽：模型学会了“苹果是红色”的文本分布，也学会了自动生成一句很自然的话，但这个能力来自token之间的统计关系，而不是来自对苹果这个实体的直接经验。

所以在科学假设生成场景里，表征接地要解决的问题不是“模型是否理解了文本”，而是“模型生成的表征是否能够对应到真实世界可以观测、可以测量的内容”。如果中间缺了这一步，系统再聪明也只是在做文字接龙。

2.2 接地的四个层次

我在实际评估一个假设生成系统时，会先把“接地”拆成四个层次来看。

语言接地。假设与已有科学文献、知识库在表述上一致，不包含术语误用和概念混淆。这个层次最容易达到，但最不可靠。因为语言一致不等于事实正确，模型很擅长把错误内容用正确术语包装起来。

感知接地。假设涉及的对象、状态、变化，能够与图像、传感器数据、仪器读数对应起来。比如假设里说“反应溶液变蓝”，那最好真的有颜色传感器能支持这个判断。感知接地比语言接地强，因为它引入了外部观测信号。

因果接地。假设可以转化为一个机制模型，比如化学反应路径、动力学方程、结构图。机制模型能够被用于模拟和推演，而不只是一句话。因果接地要求系统能够回答“为什么是这个变量导致那个变量变化”。

实验接地。假设能被改写成具体实验方案，并且在条件下产生可验证的预测。实验接地是科学假设的最强约束，因为它把假设直接放进真实世界或者高保真模拟器里做检验。

多数生成式假设系统只做到第一层，少数做到第二层和第三层，真正完整做到第四层的极少。而判断一个系统是不是“有身体的”，核心就看它是否引入了第三层和第四层的反馈。

2.3 怎么判断一个候选假设是否“接地”

有一个很实用的检查方法：把假设转换成“可观测预测”。

如果假设为真，那么系统应该能回答这样几个问题：

• 在相同条件下，重复实验会观察到什么？
• 如果某个关键变量变化，结果会发生什么变化？
• 有没有一个观测结果如果出现，就能直接推翻这个假设？

如果一个假设无法转换成这类预测，那说明它并没有真正落到可检验空间。它只是在文字上自洽，在科学上无法被证实或证伪。

另一个方法是交叉验证。用一个数据源得到假设，换一个独立数据源或者独立知识源再检查一遍。如果假设在A知识库成立，在B知识库就被另一条机制推翻，那大概率是接地不够。真正接地的假设不会只依赖某一个数据源的支持。

注意：这里说的“接地”不是给模型接一个向量数据库就完了。向量检索只能提供文本相似，不能代替物理约束，也不能代替实验反馈。

3. Abduction Loop到底是怎么转的

3.1 单次溯因和溯因循环的区别

单次溯因推理是这样的：给定观察现象，让模型输出一个解释。输出完了，任务结束。这条路径非常快，但问题也很明显：没有验证，没有修正，没有排除，最后得到的只是一个“未经检验的故事”。

Abduction Loop把这个过程变成循环。系统生成候选假设之后，不是直接输出，而是进入检查、预测、验证、修正的闭环。每一轮循环都会产生两类关键信息：

• 这个假设通过哪些检查，哪些检查没过。
• 这个假设在验证中被接受、被拒绝，还是需要修正。

循环的价值在于，它把“生成假设”这个开放问题，拆成了多个可执行、可记录、可追溯的子问题。每一轮都有结果，每个结果都可以回传，系统不会在同一个错误方向上反复打转。

我见过不少团队做自动化科研，系统会生成一堆候选假设，然后就没有然后了。原因就是只做了单次生成，没有设计循环。生成器再强，没有反馈闭环，就没法知道自己错在哪里。这就像一个人只会提问题，从来不验证答案是否正确。

3.2 一个可落地的循环包含哪些环节

可落地的Abduction Loop，我认为至少要包含以下几个环节。

现象定义。先把需要解释的观察结果明确下来。现象本身要尽量结构化：是什么变量异常、在什么条件下异常、异常程度如何。现象定义不清楚，后续所有环节都会跟着歪。

候选假设生成。基于现象生成多个互不重复的解释。这个环节可以宽泛一些，先把可能的机制都列出来，包括一些看起来不那么常规的方向。注意，这里不要只生成一个假设，因为后面需要比较和排除。

可行性过滤。把所有候选假设做第一轮筛选，排除明显违反基本约束的项。比如化学式写错、单位不匹配、已有知识库里明确不成立的机制。这轮过滤不需要复杂推理，主要是清掉低质量候选项。

约束检查。把通过过滤的假设放到知识图谱、规则库、方程库里检查一致性。这一步的核心是“假设不能和已确认的科学规律冲突”。

预测推导。从假设中推出一个或多个可以被观测检验的结果。如果推不出预测，说明假设没有可检验性，应该被淘汰。

实验或模拟验证。把预测放到实际实验、历史数据、或者物理模拟器中检验。真实实验最可靠，但成本高、周期长；模拟器成本低，但保真度需要自己评估。

失败回传。如果预测和验证结果不符，系统要把失败信息记录下来，并作为下一轮生成时的约束，避免生成同一个错误假设。

没有失败回传的循环，本质上只是一个生成器套壳。真正让循环有价值的，是每一轮都在“减少候选空间”，而且减少的原因是可追踪的。

3.3 循环应该在什么粒度上运行

不是循环次数越多越好。循环绕太多轮，一方面成本上升，另一方面会产生“过拟合现象”的风险。系统为了强行解释当前观察，不断修正假设，最后可能修出一个极其复杂、只在当前数据集上成立的解释。

我一般建议按两种粒度来控制。

第一种是“单现象多候选”。对同一个现象，先生成5到10个候选假设，然后并行做约束检查和预测推导，最后排序。这个粒度一般循环1到3轮就够了，目的是找出最可能的解释。

第二种是“多现象迭代”。系统面向一个开放问题，不断接收新实验数据，不断调整已有假设。这种循环更接近科研过程，但需要额外的记忆模块，让系统能记住过去排除过的解释和对应的实验证据。

这两种粒度不要混在一起。如果系统一边做候选比较，一边又对同一现象反复生成新假设，日志很快会乱掉，最后无法判断哪些假设是基于证据，哪些只是模型在语言空间里打转。

4. 工程化设计：给假设生成系统接一个“接地层”

4.1 模块划分

如果要从零搭一个能体现Abduction Loop和Representational Grounding的最小系统，我不会把全部逻辑塞进一个大模型调用里。我更倾向于把系统拆成六个模块，每个模块负责一个单一职责。

Loop Controller：编排整个推理循环，记录每条假设的来源、检查结果、验证结果和状态。这个模块是整个系统的骨架。它决定什么时候生成、什么时候检查、什么时候终止。

Hypothesis Generator：负责产出候选假设。可以是LLM，也可以是程序化生成器，甚至可以是规则模板。它的任务不是判断对错，而是提供多样化的候选。

Grounding Layer：这是最关键的模块。它对外接入结构化数据源、知识图谱、物理模拟器、单位换算库、约束规则库，对内向其他模块提供“这个假设是否与已知世界一致”的判断。接地层越强，假设越不会飘。

Prediction Generator：把一个假设转成具体的、可观测的预测。这个模块要求较高，因为不是所有描述都能转成预测。如果转不出来，说明假设本身不够具体。

Experiment Planner：基于预测设计判别性实验。设计实验时，要考虑成本、可操作性和判别力。判别力的意思是，这个实验能区分当前假设和竞争假设，而不是只能验证某一个。

Memory Store：保存所有候选假设、检查结果、实验记录、失败原因和最终结论。这个模块决定系统能否从历史中学习，也决定日志是否可审计。

4.2 一个最小原型的分步实现

下面这个代码结构展示的是核心循环的伪代码，重点在流程，不在具体实现。你落地时可以换成实际的数据源和模型。

# 伪代码，代表实现思路 def abduction_loop(observation, max_rounds=3): rejected = [] track = [] best_hypothesis = None for round_id in range(max_rounds): # 1. 生成候选，避免重复 candidates = generator.suggest( observation, rejected=rejected ) grounded = [] for h in candidates: # 2. 接地层检查 if not grounding_layer.check(h): track.append((round_id, h, "rejected_by_grounding")) continue # 3. 预测推导 predictions = predictor.derive_observations(h, observation) if not predictions: track.append((round_id, h, "rejected_unfalsifiable")) continue grounded.append((h, predictions)) if not grounded: break # 4. 排序，选出最优假设 best_hypothesis, best_predictions = rank(grounded) # 5. 设计判别性实验 experiment = planner.design_discriminative_experiment( best_hypothesis, competitors=[h for h, _ in grounded if h != best_hypothesis] ) # 6. 运行实验或模拟 outcome = lab.run(experiment) track.append((round_id, best_hypothesis, outcome)) # 7. 根据结果决定继续或终止 if outcome.supports(best_hypothesis): return best_hypothesis, track rejected.append(best_hypothesis) return best_hypothesis, track

这段伪代码里，最值得注意的参数是rejected。每一轮被验证否定的假设都会进入下一轮的生成约束，这样循环才不会原地打转。很多系统的问题恰恰出在这里：模型每一轮都生成同样的错误假设，因为系统没有把上一轮的失败结果回传给生成器。

Grounding Layer内部可以接很多东西。常见做法包括：

• 检查化学式是否合法、原子是否守恒。
• 检查物理单位是否一致。
• 查询知识图谱确认概念关系。
• 调用物理模拟器跑一遍基本数值。
• 对照历史实验数据库查看近似条件下是否曾出现矛盾结论。

不要指望一个模块解决所有接地问题。接地层应该设计成可插拔的，不同领域挂不同检查器。

4.3 单任务验证和批量化

落地时先跑单条任务，不要一上来就批量。

单条任务要确认的只有三件事：

• 循环能正常启动并结束。
• 日志里每轮的状态清晰可读。
• 接地层能正确返回“通过”或“拒绝”。

确认这三件事之后，再扩展到多条输入。批量时，需要额外考虑这些点：

• 每条输入必须有独立ID，日志按ID归档。
• 输出目录要有统一命名，建议用时间戳加输入ID。
• 失败任务要有重试机制，但重试不要无限次，最多2到3次。
• 如果一条任务跑挂，不能影响整个批次。

批量任务的坑往往不在模型，而在文件命名、路径、并发和日志输出。不要小看这些工程细节，它们在假设生成场景里同样重要。

注意：如果只是学习验证，默认配置够用；如果要支撑科研流程，一定要把接地层的数据源版本和验证结果一并记录。没有版本记录的假设生成，后面很难复盘。

5. 如何判断一个假设“接地了”

5.1 五条朴素判断标准

假设有没有接地，不能靠感觉，要靠一组可操作的标准。我在项目里常用这五条：

可检验性。假设必须能推出一个或多个可以被观察、测量或实验的预测。如果一个假设无法推导出任何可区分的结果，那它就不具备科学假设的基本资格。

与已知约束一致。假设不能和已经验证过的科学规律冲突。比如你生成一个化学反应路径，就不能违反质量守恒和能量守恒；你生成一个物理模型，就不能在低速近似下出现超光速信号。

稳定性。对同一个现象，多次运行循环后，核心解释结构应该保持一致。如果每次运行都得到完全不同的解释，说明候选生成太发散，或者接地层的约束不够强。

新颖性。假设不能只是对已有数据的重新描述。它应该提供一些超出当前数据的可检验内容。换句话说，好假设会让你产生“那就照这个预测做个实验看看”的冲动。

最小惊讶。在有多个候选解释时，优先选择对已有知识改动最小的那个。这个原则有点像奥卡姆剃刀，但它更强调“不要随意添加新的机制实体”。

5.2 怎么把这些标准变成系统可计算的检查

不能只把标准写成需求文档，要把它变成检查函数。

我建议用一张表来定义每类检查的自动实现方式和输出。

这里的“接地”不是单向打分。一个假设可能在已知约束上通过，但在可检验性上失败。这时系统应该明确记录失败原因，而不是给出一个模糊的综合分。因为失败原因决定了下一轮生成器怎么修正。

5.3 不要让接地检查变成“文本相似度匹配”

这是我在实际项目里反复踩到的坑。很多人把“接地”理解成“给模型加一个知识库，生成后做语义相似度判断”。结果就是：一个化学式写错的假设，因为语义上和正确答案很接近，被判为通过。

文本相似度匹配只能用来做初筛，不能用来做接地校验。原因很简单：科学假设需要的是世界层面的约束，不是语言层面的相似。化学式是否合法、单位是否一致、方程是否可解、机制是否符合守恒，这些必须用结构化的规则或仿真工具来检查。

如果真的只能用语言模型做检查，至少要让模型输出“推理依据”，不是只输出“是否符合”。然后由人工抽查依据是否可靠。凡是关键检查环节没有明确依据的，就不要纳入最终判断。

6. 没有身体的AI，到底能不能做好溯因假设生成

6.1 能做到什么，不能做到什么

先给结论：没有身体的AI能做假设生成的辅助工作，但无法独立完成真正可靠的科学发现。

它能做好的事情包括：

• 快速生成多组候选机制。
• 组合不同文献中的概念。
• 筛选出明显违反已知约束的解释。
• 辅助设计判别性实验。
• 整理和归纳已有实验结果。

这些工作可以大量节省研究人员的时间，尤其是面对搜索空间很大的开放问题时。

它无法独立做到的事情包括：

• 在没有反馈信号时判断哪个机制真实成立。
• 在实验数据缺失时保证因果方向正确。
• 处理从未在数据里出现过、也无法用已有规律推出的事件。
• 应对实验环境中的隐性变量。

这些限制不是因为它“不够聪明”，而是因为它缺少身体带来的反馈回路。没有真实世界或者高保真模拟器反馈，系统就没有办法把“可能性”收敛到“现实性”。

6.2 常见坑点和排查顺序

如果你已经在做类似的系统，可能会遇到下面这些现象：

高置信幻觉。模型生成的假设读起来很专业，推理链也完整，但第一轮检查就发现化学式不成立。这说明生成器太自信，但接地层有效。遇到这种情况，不要先急着换大模型，而是确认接地层是否覆盖了所有关键约束。

接地层污染。假设本身没问题，但接地层使用的数据库里有错误数据，导致正确的假设被误杀。排查方法很简单：把被拒绝的假设人工检查一遍。如果发现大量误杀，优先查知识库质量，而不是改生成参数。

循环漂移。初始要解释的是现象A，循环跑了五轮之后，系统开始解释一个和现象A很接近但不同的现象B。这种问题通常是因为现象定义没有在每轮循环里被显式传递给生成器。每轮都要把原始现象重新包装进提示词或输入向量，不能只让生成器基于上一轮输出继续写。

反馈延迟。真实实验周期很长，系统在等实验结果时陷入空转。这时候应该让循环处于等待状态，不要反复生成新假设，否则会产生大量无意义候选。

复现问题。同一现象在A环境跑出好的假设，在B环境跑不出来。多数原因是接地层依赖的数据源或规则库版本不一致。建议把接地层的数据快照保存下来，和实验结果一起归档。

如果系统出现问题，我建议按这个顺序排查：

1. 先看输入现象和日志，确认循环是否每轮都在处理同一个现象。
2. 再看被拒假设的原因，判断是生成器问题还是接地层问题。
3. 然后检查接地层的数据源和规则库是否正常，包括版本、接口、权限。
4. 最后再调生成参数，不要一上来就调温度或随机种子。

6.3 落地建议

从实际项目角度，我会建议先从封闭领域开始。比如化学合成条件优化、设备故障诊断、材料参数推荐。这些领域有明确的物理约束和验证方法，接地层相对容易做。开放领域比如“为什么某个社会现象会持续出现”，解释空间太大，接地很难定义，不建议一开始就做。

在系统架构上，把LLM当生成器，不要让LLM同时当裁判。生成器负责发散，接地层负责收敛，二者职责分离。如果让模型自己给自己打分，很容易把“语气自信”当成“科学正确”。

还有一点非常关键：每一次循环都要记录“为什么排除”，而不是只记录最终留下的假设。这些排除记录是系统最重要的知识资产。它们让下一轮生成变得更聪明，也让开发者能跳进日志里复盘系统的判断过程。

最后说回标题里的问题。没有身体的AI，确实很难直接完成Abduction。但只要我们在系统外部补上可计算的约束、模拟器、实验反馈和失败记忆，它就能在一个受限范围内完成有效的hypothesis generation。这个补上去的东西，才是真正让“表征被接地”的关键。别指望模型自己长出身体，更别指望一次调用就能得到可靠科学结论。把循环搭好，把接地层做扎实，系统才能真正从“会讲故事”变成“能帮忙做研究”。