AI的盲点：为何新科学仍难被它发现

AI的盲点：为何新科学仍难被它发现

在2026年Inclusion·Bund大会上，普林斯顿大学教授王梦迪提出了一个一直困扰研究人员的问题：AI距离真正自主发现新科学还有多近？

她的回答可能会让你惊讶。当今的大型模型已经吸收了海量的人类知识，但在真正的科学突破面前，它们仍然会跌倒。为什么？因为它们被训练来寻找最可能的答案，而真正的发现往往潜伏在概率分布的长尾中。

“模拟人生”实验

王梦迪的团队与普林斯顿大学社会学家谢宇合作，进行了一项巧妙的测试。他们让ChatGPT和Claude等模型模拟一个1930年出生的英国人，并生成其人生故事。在结婚年龄、职业和性别方面，这些模型一致高估了常见情景——并严重低估了少数情况和长尾分布。

“模型学习的是概率分布的峰值，”王梦迪解释道，“但它可能忽视甚至忽略长尾中的知识。”

这解释了一个谜题：为什么AI在数学和编程方面飞速发展，但在物理、化学或生物学领域却没有产生同等规模的原创发现。

区别在哪里？验证器。 编程有编译器和单元测试。数学有Lean等形式化证明系统。模型可以尝试、失败、获得反馈并改进。在真正的科学中，验证要混乱得多。

“想法很廉价，”王梦迪直言不讳地说。“你需要向我展示代码或实验。”

科学研究涉及复杂的设备、人为判断和跨团队协作。许多实验无法稳定复现。而且更多信息并不一定意味着更有效的新信息——它实际上可能降低信噪比。

为发现构建基础设施

那么，AI成为自主发现者的关键是什么？王梦迪认为，不是让模型知道更多。而是让现实世界变得越来越可验证。

她的团队正在构建的正是这一点。在量子材料研究中，他们创建了一个自动化实验平台，将曾经需要研究人员数月的石墨烯实验变成了任何人都可以通过API调用的东西。他们还在开发LabOS，一个用于研究实验室的智能操作系统，其中多模态AI通过智能眼镜感知实验环境，协助研究人员，并连接软件、AI模型、机器人和真实设备。

王梦迪的结论令人瞩目：决定AI是否成为“发现者”的不是模型的规模，而是是否有基础设施将假设、验证、可追溯性和复现连接起来。只有当物理世界的实验能够被系统记录、持续验证和反复复现时，AI才能将训练中学到的“可能性”转化为对“可能”的探索。

换句话说，AI驱动科学的未来可能不是用代码写成的——它可能是在实验室里构建的。

关键要点

• 大型模型擅长找到可能的答案，但错过了真正新颖性所在的长尾发现。
• 数学和编程进步迅速，因为它们有清晰的验证器；真正的科学没有。
• 更多数据可能有害，因为它降低了研究中的信噪比。
• 基础设施比模型规模更重要——连接假设、验证和复现是关键。
• 王梦迪的团队正在构建自动化实验室和LabOS，以使物理实验可验证和可复现。