摘　要：机器学习尤其是深度学习广泛地应用于科学实践的各个领域和环节，但其在数据密集型学科带来的“科学新发现”，只能获得存在于数据中的已知概念之间的关系，而试图用机器学习重现科学史上新概念和新理论发现过程的“科学再发现”研究，也因为使用模拟出来的数据而成为后知之明；作为“曲线拟合”的机器学习常被认为不能带来“真正”的科学发现和概念创新；通过对19世纪关于光的传播和寻找以太相关的观测和实验数据进行挖掘并用机器学习建模，发现当同一类问题的数据和理论之间出现冲突时，“曲线拟合”方法至少可以帮助带来科学概念的转变，提示新知识的出现。

关键词：智能驱动 自动科学发现 以太