研究团队将实验装置与数据生成器预置于“实验库”，再让系统在“理论库”中不断积累自身构建的概念与规律。三层结构（符号、概念、定律）让 AI 得以在繁杂数据与可解释公式之间建立联结，使推导路径可回溯、逻辑链条清晰。这也是该系统突破神经网络“黑箱”困境的关键。
外界普遍关注这项尝试对未来科研方式的潜在影响。《自然》引用哈佛大学学者的观点指出，这种编程方式能够鼓励模型主动逼近核心概念，或将成为未来科学发现的重要方法。相比以往在已知理论框架内验证假设，“AI-牛顿”展示的是一种面向未知领域的原生探索能力。
北大方面透露，团队计划将该方法扩展至更复杂的研究方向，包括尝试从量子体系中寻找规律。这意味着 AI 从单纯的数据分析者，正向“理论生成的参与者”进一步靠拢。
该研究由马滟青教授课题组完成，参与者包括博士研究生方尤乐、见东山以及李想，并获得国家自然科学基金与北京大学高性能计算平台支持。
