诺贝尔奖得主、谷歌DeepMind首席执行官德米斯·哈萨比斯最近抛出了一个令人深思的判断：理解人工智能系统本身，将发展成为一门独立的科学学科。
这个说法听起来有些绕——研究AI的科学，本身就是一门新科学？但如果深究他的逻辑，就会发现这个预判并非空穴来风，而是有着相当坚实的现实支撑。
哈萨比斯是这样说的："我认为，对人工智能系统本身的理解和分析将会发展成为一门完整的科学，一种工程科学。我们正在构建的这些东西极其复杂，最终，它们的复杂程度将与人类的思维和大脑不相上下。"
这句话的关键词，是"复杂程度与人类大脑不相上下"。
当前最先进的大语言模型，拥有数千亿个参数，以一种连构建者自己都无法完整解释的方式运作。一个输入进去，一个输出出来，中间发生了什么，没有人能真正说清楚。这不是谦虚，这是事实。
MIT《技术评论》在其2026年度十大突破性技术榜单中，将"机制可解释性"列为关键方向之一，理由正是这门学问试图逆向工程神经网络的内部结构，弄清楚模型到底学到了什么，又是如何表征知识的。
Anthropic是这一领域投入最深的机构之一。该公司已将机制可解释性列为核心研究优先级，其研究团队发表的一系列论文，试图追踪大型语言模型的内部"思维路径"，包括绘制特定功能的神经回路图谱，观察知识在模型内部如何流动与存储。
哈萨比斯明确点名了这个方向，同时也指出它仅仅是开端，"机制可解释性是其中的一部分，但我认为我们还可以做更多来分析这些系统，这将会是一门科学"。
这里隐含着一个时代性的转变：人类第一次需要发展出一套专门用于理解自己所造之物的科学方法论。历史上，显微镜的发明催生了微生物学，望远镜开启了现代天文学。今天，我们需要一种用于"观察AI内部"的新工具，而这套工具本身，正在从零开始被发明出来。
哈萨比斯的雄心不止于此。他还提出了一个更宏观的构想：AI驱动的超精密模拟，将使经济学、社会学等长期游走于"软科学"边缘的领域，获得接近物理学的严谨性。
他对这个问题的诊断相当犀利。经济学为什么预测失败率那么高？社会学为什么难以建立可重复的规律？哈萨比斯认为根源不在于这些领域的研究者不够聪明，而在于结构性障碍：这些是涌现系统，你不可能像物理实验室里那样，把同一个经济环境重复操控一万次来验证假设。"如果你将利率提高0.5%，你必须在现实世界中进行尝试，然后观察会发生什么"，哈萨比斯说，"你可以提出理论，但你不可能进行成千上万次的重复实验。"
AI模拟提供的，恰恰是这种"重复"的可能性。
如果能够构建足够精确的社会经济模拟器，研究者就可以在虚拟环境中运行数千次政策实验，以统计的严谨性推断因果关系，而不是像今天这样依赖历史数据中的自然实验碎片。哈萨比斯将这称为"通过对非常精确的模拟器进行严格采样来开创一种新科学"。
这个方向已经有人在尝试落地。一家名为Simile的初创公司，正在致力于构建哈萨比斯所描述的这类社会模拟平台，将AI智能体植入虚拟社会环境，模拟人类群体在不同政策、规则和压力下的行为反应。
AlphaFold的成功给了哈萨比斯充足的信心，那是AI以数字速度在生物学领域运行模拟、破解了困扰科学界50年难题的真实案例，也是他获得诺贝尔化学奖的核心成果。他的判断是，这个逻辑可以延伸，而且应该延伸。
两条线索汇合在一起，构成了哈萨比斯完整的科学愿景：AI作为被研究的对象，催生一门解剖复杂系统的新学科；AI作为研究的工具，赋予人文社科前所未有的实验能力。
这两件事的基础设施，都已经在建设之中。
