Science

The AI found new physics fast. Pólya would ask if it actually checked.

June 17, 2026 · George Pólya, How to Solve It~5 min read

The headline was the kind that makes a physicist's pulse jump: an AI had learned to sift the cosmos for signs of new physics faster than anyone thought possible, skipping the brutally expensive simulations the search normally demands. Then came the sentence the headline left out — the same shortcut can quietly go blind to the very thing it's hunting. A 2026 study had stumbled onto a 2,300-year-old lesson about how thinking actually works, and the man who wrote it down most clearly was a Hungarian mathematician with a thin, near-perfect little book.

The discovery that almost wasn't

The study, reported by ScienceDaily on June 11, put a technique called transfer learning to work on the Quijote simulations — a vast library of model universes, some obeying our standard ΛCDM cosmology, others laced with massive neutrinos or modified gravity. The differences between them are fantastically subtle, buried in how cosmic structure forms. Transfer learning lets an AI carry what it learned on one universe over to another, slashing the need to re-run simulations that can cost millions of compute-hours. The result was a real speedup. The catch, in the researchers' own words, is that the approach "can backfire when AI relies too heavily on familiar patterns" — leaning so hard on the physics it already knows that it could miss the signature of physics it doesn't. The tool built to find the new is biased, by its very nature, toward the old.

Pólya's oldest trick: have you seen this before?

In 1945 George Pólya published How to Solve It, a slim book that has quietly shaped how mathematicians, engineers, and teachers think ever since. Its engine is a four-step method — understand the problem, devise a plan, carry it out, look back — and its single most powerful heuristic for devising a plan is a question: Have you seen a related problem before? Reasoning by analogy, Pólya argued, is one of the deepest moves in all of thought: you crack a hard new thing by noticing its resemblance to an easier old thing you already solved. That is, precisely, what transfer learning is — analogy, automated and run at the scale of a galaxy survey. The AI is doing the most Pólya thing imaginable. Which is exactly why it inherits Pólya's warning.

The step everyone skips

Because Pólya was just as emphatic about the danger. Analogy, he said, is a magnificent way to find a candidate solution and a terrible way to confirm one. A resemblance suggests; it does not prove. And so the fourth step of his method — Looking Back, the one students and researchers and AIs alike are forever tempted to skip because the answer already feels right — is the one that does the real work. Looking Back means: take the solution the analogy handed you and test it as if you didn't trust it. Does it actually satisfy the conditions? Would it survive a case the analogy never saw? The figure below sets the two paths side by side: analogy alone, fast and quietly biased; analogy plus the verification step, slower and honest.

A June 2026 study (reported by ScienceDaily, June 11) used transfer learning on the Quijote cosmological simulations — comparing a standard ΛCDM universe against ones with massive neutrinos or modified gravity — to hunt for new physics far faster, without re-running costly simulations. The catch: the approach 'can backfire when AI relies too heavily on familiar patterns,' potentially blind to something genuinely new. That is George Pólya's How to Solve It in one line. Reasoning by analogy — 'Have you seen a related problem?' — is one of the most powerful ways to FIND a candidate solution. But his fourth and most-skipped step, Looking Back, demands you verify it: a pattern that fits the known data is a lead, not a proof. The heuristic that finds the answer is not allowed to certify it.

Why a pattern that fits is not a proof

The deepest trap in analogy is that a good fit feels like the truth. When a pattern learned on known physics maps neatly onto new data, every instinct shouts found it — and that confidence is exactly the failure mode. A genuinely new force, a genuinely novel particle, would by definition not match the familiar template; it would show up as a misfit, a residue the analogy waves away as noise. This is why the heuristic that finds the answer must never be the judge that certifies it. The AI's familiarity is its strength on day one and its blind spot on day two, and only a verification step it cannot perform on itself can tell the difference between a real discovery and a beautiful echo of what it already believed.

What this means past the lab

You don't run cosmological simulations, but you reason by analogy a hundred times a day — and increasingly so does the AI on your screen, both of you pattern-matching the new onto the familiar at speed. Pólya's discipline is the cheap insurance. When an analogy hands you an answer that feels obviously right, treat that feeling as a flag, not a finish line, and spend one deliberate minute on Looking Back: what would this miss, and what case have I not tested? The faster our tools get at finding patterns, the more the bottleneck — and the value — moves to the unglamorous step they keep skipping. Finding is cheap now. Checking is the whole job.

Analogy is a brilliant way to find an answer and a terrible way to confirm one.

The heuristic that finds the solution must never be the judge that certifies it.

Framework from George Pólya's How to Solve It (波利亚《怎样解题》) — the four-step method, reasoning by analogy, and the Looking-Back / verification step. The physics study was reported by ScienceDaily (June 11, 2026): transfer learning applied to the Quijote cosmological simulations (ΛCDM vs massive-neutrino / modified-gravity universes) to search for new physics, with the caveat that it "can backfire when AI relies too heavily on familiar patterns." Popular-science reading; figures and quotations per the original report.

科普

AI 飞快地「找到」了新物理——波利亚会问：它验过了吗

2026 年 6 月 17 日 · 波利亚《怎样解题》约 4 分钟

那条标题，是会让物理学家心跳一紧的那种：一个 AI 学会了在宇宙里筛查新物理的迹象，快得超出所有人预料，还跳过了这类搜寻通常要付的、贵到离谱的模拟。然后是标题没写出来的那句话——同一条捷径，可能悄悄对它正在追猎的东西视而不见。一项 2026 年的研究，撞上了一条关于「思考究竟如何运作」的、两千三百年的老道理；而把它写得最清楚的，是一位匈牙利数学家，和他那本薄薄的、近乎完美的小书。

那个差点不算发现的发现

这项研究由 ScienceDaily 于 6 月 11 日报道，把一种叫「迁移学习」的技术，用在了 Quijote 模拟上——一座庞大的「模型宇宙」库，有些遵循我们标准的 ΛCDM 宇宙学，有些则掺进了大质量中微子或修改后的引力。它们彼此的差别细微得惊人，藏在宇宙结构如何形成的细节里。迁移学习让 AI 把在一个宇宙里学到的东西搬到另一个宇宙，省去重跑那些动辄耗费数百万计算时的模拟。结果确实快了。而那个坑，用研究者自己的话说，是这套方法「在 AI 过度依赖熟悉模式时会适得其反」——太用力地倚靠它已知的物理，以至于可能错过它还不认识的物理的签名。这个为「找到新东西」而造的工具，因其本性，偏向旧的。

波利亚最老的招：你以前见过这个吗

1945 年，乔治·波利亚出版了《怎样解题》，一本薄薄的小书，自那以后悄悄塑造了数学家、工程师与教师的思考方式。它的引擎是一套四步法——理解题目、拟定计划、执行计划、回顾——而它拟定计划时最强的那条启发法，是一个问题：你以前见过相关的问题吗？ 波利亚主张，用类比来推理，是一切思考里最深的招数之一：你解开一个困难的新东西，靠的是看出它与某个你早已攻克的、更简单的旧东西之间的相似。而这，恰恰就是迁移学习——类比，被自动化，跑在一次星系巡天的尺度上。AI 正在做一件再「波利亚」不过的事。这也正是它为什么会一并继承波利亚那条警告。

所有人都跳过的那一步

因为波利亚对其中的危险，同样毫不含糊。他说，类比是找到一个候选解的绝妙方式，却是确认一个解的糟糕方式。相似只能提示，不能证明。于是他那套方法的第四步——回顾，那个学生、研究者、连 AI 都永远忍不住要跳过的一步，因为答案已经「感觉对了」——才是真正干活的那一步。回顾的意思是：把类比递给你的那个解，当作你并不信任它，去检验它。它真的满足那些条件吗？它扛得住一个类比从没见过的情形吗？下面这张图，把两条路并排摆好：只靠类比，快，却被悄悄带了偏；类比加上那一步验证，慢，但诚实。

2026 年 6 月的一项研究（ScienceDaily 于 6 月 11 日报道）把迁移学习用在 Quijote 宇宙学模拟上——把标准的 ΛCDM 宇宙与含大质量中微子或修改引力的宇宙相比——以快得多的速度搜寻新物理，免去重跑昂贵模拟。但有个坑：这套方法「在 AI 过度依赖熟悉模式时会适得其反」，可能对真正全新的东西视而不见。这正是波利亚《怎样解题》一句话的写照。用类比来推理——「你见过相关的问题吗？」——是找到候选解最有力的方式之一。但他那被最多人跳过的第四步「回顾」要求你去验证：一个套得上已知数据的模式，是线索，不是证明。那个帮你找到答案的启发法，无权为这个答案盖章。

为什么套得上不等于证明

类比里最深的陷阱，是「套得上」会让人觉得那就是真相。当一个在已知物理上学到的模式，干净利落地套上新数据，每一根直觉都在喊「找到了」——而这份自信，恰恰就是它的失效模式。一种真正全新的力、一颗真正新奇的粒子，按定义就不会匹配那个熟悉的模板；它会以「不合」的样子出现，成为一点被类比当噪声挥手抹去的残差。这就是为什么：那个帮你找到答案的启发法，绝不能同时当那个为答案盖章的法官。AI 的「熟悉」，是它第一天的长处，也是它第二天的盲点；而只有一个它没法对自己施行的验证步骤，才能分辨出，哪个是真发现，哪个只是它早已相信之物的一记漂亮回声。

这在实验室之外意味着什么

你不跑宇宙学模拟，但你一天要用类比推理上百次，而你屏幕上那个 AI 也越来越如此——你俩都在飞快地，把新事物往熟悉的模板上配。波利亚那套纪律，是一份便宜的保险。当一个类比递给你一个「明摆着对」的答案时，把那份「感觉」当成一面旗，而不是终点线，并郑重地花上一分钟去回顾：这会漏掉什么？哪个情形我还没验过？我们的工具找模式越快，瓶颈——以及价值——就越是挪向那个它们老想跳过的、不起眼的步骤。如今，「找到」很便宜，「验证」才是全部的活儿。

类比是找到答案的利器，却是确认答案的拙器。

那个帮你找到解的启发法，绝不能同时当为解盖章的法官。

框架取自乔治·波利亚《怎样解题》——四步法、类比推理，以及「回顾／验证」一步。物理研究由 ScienceDaily 报道（2026 年 6 月 11 日）：把迁移学习用于 Quijote 宇宙学模拟（ΛCDM 对含大质量中微子／修改引力的宇宙）以搜寻新物理，并附带提醒它「在 AI 过度依赖熟悉模式时会适得其反」。本文为科普阅读；数据与引文以原报道为准。

サイエンス

AIは新しい物理を速く見つけた。ポリアなら、本当に確かめたかと問う。

2026年6月17日 · ポリア『いかにして問題をとくか』約 6 分

その見出しは、物理学者の脈を跳ねさせる類のものだった——AIが、誰もが可能と思った以上の速さで、新しい物理の兆候を宇宙からふるい分けることを学び、しかもこの種の探索が普通は払う、法外に高価なシミュレーションを飛ばした、と。次に来たのは、見出しが省いた一文だ——同じ近道は、まさに追い求めているものに、静かに盲目になりうる。2026年のある研究は、「思考が実際どう働くか」についての、二千三百年来の教訓に行き当たった。そしてそれを最も明快に書き留めたのは、薄く、ほぼ完璧な小著を持つ、一人のハンガリーの数学者だった。

危うく発見にならなかった発見

この研究は ScienceDaily が6月11日に報じたもので、「転移学習」という技術を Quijote シミュレーション——膨大な「模型宇宙」のライブラリで、あるものは標準の ΛCDM 宇宙論に従い、あるものは大質量ニュートリノや修正重力を帯びる——に用いた。それらの差は驚くほど微細で、宇宙構造がどう形成されるかに埋もれている。転移学習は、AIが一つの宇宙で学んだことを別の宇宙へ運ぶことを許し、数百万計算時間を要しうるシミュレーションの再実行を不要にする。結果は確かに速くなった。落とし穴は、研究者自身の言葉で言えば、この手法が「AIが馴染みのパターンに頼りすぎると裏目に出る」こと——すでに知る物理に寄りかかりすぎて、まだ知らない物理の痕跡を見落としかねない。「新しいものを見つける」ために作られた道具が、その本性ゆえに、古いものへ偏る。

ポリアの最も古い手——これを見たことがあるか

1945年、ジョージ・ポリアは『いかにして問題をとくか』を出した。以来、数学者、技術者、教師の考え方を静かに形づくってきた薄い小著だ。その心臓は四段法——問題を理解する、計画を立てる、実行する、ふり返る——であり、計画を立てる際の最も強力な発見法は一つの問いだ。関連する問題を、以前に見たことがあるか？ 類推による推論は、あらゆる思考の中で最も深い手の一つだ、とポリアは説いた——困難な新しいものを、すでに解いたより易しい古いものとの類似に気づくことで解く。それこそが、まさに転移学習だ——類推を自動化し、銀河探査の規模で走らせたもの。AIは、この上なくポリア的なことをしている。だからこそ、ポリアのあの警告を、そっくり受け継ぐ。

誰もが飛ばす一段

ポリアは、その危険についても同じく断固としていた。類推は候補となる解を見つけるには見事な方法だが、解を確認するには最悪の方法だ、と彼は言った。類似は示唆するが、証明しない。だから彼の方法の第四段——ふり返り、学生も研究者も、そしてAIさえもが、答えがもう「正しく感じる」がゆえに、永遠に飛ばしたくなる一段——こそが、本当の仕事をする。ふり返りとはこういうことだ——類推が手渡したその解を、信じていないかのように検証せよ。それは本当に条件を満たすか。類推が一度も見なかった場合に、耐えるか。下の図は、二つの道を並べて置く——類推だけ、速いが、静かに偏っている。類推に検証の一段を足したもの、遅いが、誠実だ。

2026年6月の研究（ScienceDaily が6月11日に報道）は、Quijote 宇宙論シミュレーション——標準の ΛCDM 宇宙を、大質量ニュートリノや修正重力を含む宇宙と比較——に転移学習を用い、高価なシミュレーションを再実行せずに、はるかに速く新しい物理を探した。落とし穴は、この手法が「AI が馴染みのパターンに頼りすぎると裏目に出る」こと——本当に新しいものを見落としかねない。これはポリア『いかにして問題をとくか』の一文そのものだ。類推による推論——「関連する問題を見たことがあるか？」——は、候補となる解を見つける最も強力な方法の一つである。だが最も飛ばされがちな第四段「ふり返り」は、それを検証せよと求める。既知のデータに当てはまるパターンは手がかりであって、証明ではない。答えを見つけた発見法に、その答えを認証する権限はない。

なぜ「当てはまる」は証明ではないのか

類推の最も深い罠は、「よく当てはまる」ことが真実のように感じられることだ。既知の物理で学んだパターンが、新しいデータにきれいに重なると、あらゆる直感が「見つけた」と叫ぶ——そしてその確信こそが、まさに失敗のしかただ。本当に新しい力、本当に新奇な粒子は、定義からして馴染みの鋳型には合わない。それは「不一致」として現れ、類推がノイズとして手で払いのける残差になる。だからこそ、答えを見つける発見法が、答えを認証する裁判官を兼ねてはならない。AIの「馴染み」は、初日には強みで、二日目には盲点だ。そして、それが自分には施せない検証の一段だけが、本物の発見と、すでに信じていたものの美しいこだまとを、見分けられる。

研究室の外で、これが意味すること

あなたは宇宙論シミュレーションを走らせないが、一日に百回は類推で推論する。そして画面の中のAIも、ますますそうだ——二人とも、新しいものを馴染みの鋳型へ、高速で当てはめている。ポリアの規律は、安い保険だ。類推が「明らかに正しい」と感じる答えを手渡したら、その「感じ」を旗と見なし、終点線とは見なすな。そして一分、意図して、ふり返りに使え——これは何を見落とすか、まだ試していない場合はどれか。道具がパターンを見つける速さを増すほど、ボトルネックも——そして価値も——彼らが飛ばし続けるその地味な一段へ移る。いまや「見つける」は安い。「確かめる」が、仕事のすべてだ。

類推は答えを見つける名手で、確かめるのは下手だ。

解を見つける発見法が、解を認証する裁判官を兼ねてはならない。

枠組みはジョージ・ポリア『いかにして問題をとくか』より——四段法、類推による推論、そして「ふり返り／検証」の一段。物理研究は ScienceDaily が報道（2026年6月11日）——転移学習を Quijote 宇宙論シミュレーション（ΛCDM 対大質量ニュートリノ／修正重力の宇宙）に用いて新しい物理を探索、ただし「AIが馴染みのパターンに頼りすぎると裏目に出る」との但し書き付き。本稿は科学読み物。数値と引用は原報道を基準に。