科学发现的方法一直是科学哲学家关注的主题之一，从最初的归纳主义者培根，演绎主义者笛卡儿、赫歇尔、爱因斯坦、反归纳主义的波普尔，科学哲学家们都在努力地关注和探索科学发现的方法论，然而无论是传统的归纳主义模式、还是演绎主义模式，还是问题→问题的模式。 传统的归纳问题使传统的归纳主义者进入了两难的境地：假如用归纳强的论断去证明科学的归纳法，那么会窃取命题；如果用演绎有效性去证明科学的归纳法，必须保证使用的前提为真，可是我们不可能保证未来的事情，于是结论变的异常虚弱。假说演绎模式注重了做出科学推断时的严谨性，然而无法解决自己的初始命题问题。问题→问题模式则存在着自身无法解释的运用归纳法的反归纳主义立场。例如：波普尔所谓对一个理论的验证就不可避免地包含归纳的成分，因为其中包含由过去和现在推断将来的因素，当他引入“确证”、“逼真性”的概念时，波普尔的演绎检验方法便不再适用，除非再引入归纳法的概念。伴随着计算机科学的发展以及人工智能的发展，科学发现的S-Q-S模型、科学发现的问题求解模型的提出引发了人工智能对科学发现的重新思考。通过考察直觉、灵感在科学发现中的作用以及科学发现对归纳主义的反思，科学哲学家们越来越发现，由科学问题出发的科学发现可以从人工智能的角度给予它重新的审视，可以找到解释科学发现的方法和途径。于是笔者试图对科学的归纳法作人工智能的反思：于是笔者试图对科学的归纳法作人工智能的反思;在科学的归纳法系统中，我们能够在某一个层次K上找到归纳有效性的论据，那么我们就能够在大多数时候给出一个为真的预测，就会有层次K+1上的一个论证，可以通过科学归纳逻辑层次K+1上的规则被证明为归纳的强，就会有它的结论命题在系统的层次K上的规则是可靠的，并且有一个前提，那么它会迟早被已知为真。我们通过MECHEM程序验证了尿素的发现过程，由此证明了科学归纳逻辑层次K+1上的规则的有效性。