用AI验证我关于贾尼别科夫效应之判断的设想

戴榕菁

1. 引言

自今年初以来我对贾尼别科夫效应的研究结果归结起来就是一个结论和一个判断。结论是：过去30年学界对贾尼别科夫效应的解释彻底错了；判断是：现有的物理理论无法解释贾尼别科夫效应。当然我们也可以将这一个结论和一个判断说成是两个结论。我之所以将第二个结论说成是判断是因为与第一个结论不同，它不是肯定的，而是对于某种存在的否定。对于某种存在的否定性的结论因其开放性通常需要特别验证。比如，有人指着他家地上的一个花瓣说：“那里有个花瓣”，这就是确定性的结论；但如果有人说：“这整栋楼都没有一个花瓣”，那就是开放的否定性结论，他需要特别的验证才能证明他的结论是正确的。

对于我上面提到的“过去30年学界对贾尼别科夫效应的解释彻底错了”这个结论，因为我已明确找到他们错在哪里【[1]】，所以不需要任何额外的验证。但是，对于我上面所说的“现有的物理理论无法解释贾尼别科夫效应”，因其是一个开放的否定性结论，尽管我对自己的分析逻辑信心满满，要想让别人能接受我的这个判断，我还需要有实验或AI的验证来帮助背书。本文就来讨论一下如何用AI来验证我的上述判断的设想，这里主要涉及到两个部分：对AI进行相关的训练以及用AI对我的判断进行验证。

2. 训练AI

为了要验证我的上述判断，我们需要通过以下三个主要的步骤来训练AI：

步骤一：

先训练AI熟悉牛顿引力理论，刚体力学，相关的空气动力学知识，以及绕地球运行的空间及其内部所有物体的运动和受力特征。但是，要把有错误的欧拉刚体力学方程排除在外。

步骤二：

让学习了上述知识的AI去解决刚体在地球引力作用下的大气场中运动的实例，比如子弹的飞行，气球的运动，物体自高空落下等等。这一步的主要训练目标为：根据已知的空气温度压力湿度风速参数及运动物体质量和转动惯量分布，在给定的初始条件下算出：1）物体质心坐标运动轨迹；2）刚体的欧拉角变化; 3）不同时间点上的速度，角速度，加速度，角加速度。同时，也要让AI计算太空站内物体运动的解。

步骤三：

除去上一步骤中的初始条件，让AI自己目测实际物体在地球重力场和大气中的运动，并根据目测的结果给出：

1）物体质心坐标运动轨迹方程：

（X,Y,Z）= （Fx(t),Fy(t),Fz(t)）;

2）刚体的欧拉角变化方程:

（α,β,γ）= （A(t),B(t),G(t)）;

有了上面两组方程之后可以算出：

3）不同时间点上的速度，角速度，加速度，角加速度；

再根据运动物体已知的质量及转动惯量分布和实际测出的当时的空气温度压力湿度参数算出：

4）不同时间点上物体所受的力与力矩

5）按照上述计算验证动量及角动量的守恒状况。

当AI已经能够非常熟练且可靠地通过这三个步骤的训练后，我们便可用它对我关于贾尼别科夫效应的判断进行验证了。

3. 验证判断

在AI已经能胜任前面的步骤三的前提下，验证过程应该是比较简单的：直接让AI观看在空间站录制的贾尼别科夫效应的视频，并将当时空间站所在位置（用来计算引力）和速度以及空间站内的相关物理参数及旋转物体的质量和转动惯量告知AI即可。

4. 讨论

验证的结果无非两种：

1）AI发现当贾尼别科夫效应发生时，角动量完全守恒。

因为根据我所做的理论分析不存在出现这种结果的可能性，所以如果AI的验证出现了这样的结果，且经过核实AI的计算不存在错误，那么我们需要根据AI在选定的时间点上算出的力来分析到底是什么样的力导致了旋转物体的角动量的变化，以及为什么过去30年里的主流学界以及过去几个月里我的分析中会漏掉AI找出的导致贾尼别科夫效应的受力因素。万一真出现这样的情况，对于我们更好地了解空气动力学应该是有帮助的。

2）AI发现当贾尼别科夫效应发生时，角动量守恒被打破，那就验证了我的前述判断，即现有的物理学理论无法解释贾尼别科夫效应。

5. 结束语

从目前网上流传的贾尼别科夫效应的视频中来看，我们找不到可以导致物体在发生该效应时的角动量变化的受力因素来。但是，如果不尽最大可能地将所有可能涉及到的动力学因素都检验一遍的话，人们内心深处总会隐隐地有一个顾虑：万一空气和引力结合后会产生什么被我们忽略的效果以至产生贾尼别科夫效应呢？这就好比有人根据基本常识认定他们的办公楼里不可能存在一个唐朝时期制作的瓷器，但偏有人不服，非要派出一个具备最先进的探测手段的机器人到该办公楼的每一个角落都去查一遍才放心。而本文提出的设想一旦成功实施，便可一锤定音地断定“现有的物理理论无法解释贾尼别科夫效应”这个判断是否正确。这里的关键是借助AI的算力。

如果上述的AI作业验证了“现有的物理理论无法解释贾尼别科夫效应”这个判断，当然是一个石破天惊的结果，因为那意味着我们坐实了牛顿力学是有漏洞的，其震撼性就不用多说了。

但是，如果上述AI作业否定了“现有的物理理论无法解释贾尼别科夫效应”这个判断，有些读者可能会说：用来训练那个AI的努力不就白白浪费了吗？其实不然。

按照本文的设想训练出的AI显然不仅仅可以用来验证我的上述判断，而是有着巨大的实用潜力。不仅如此，本文上面提到的步骤很容易就可以被扩展到对非刚体运动的计算以及对电磁力化学力甚至核力的计算。而且，未来的AI可以在不需要人为地给出大气及材料参数的前提下，自己遥测目标所在的环境参数，并对其动力学状态进行计算。

【[1]】戴榕菁（2025）前提条件，初始条件，和扰动