北京
9月10日，在2026 Inclusion·外滩大会主论坛上，普林斯顿大学人工智能创新中心主任王梦迪提出，AI离自主发现新科学仍有明显距离。她判断，当前大模型更擅长给出“最可能”的答案，而真正的新发现常落在概率分布的长尾里。
王梦迪表示，聚焦生物、化学、物理，尤其是实验学科，大模型至今仍未真正做出新的科学发现。她将基础科学前沿探索比作寻找一颗训练数据中不存在的全新星体，认为模型主要拟合概率分布主模态，长尾部分容易被忽略，而人类创新恰好发生在那里。
她介绍，其团队近期与普林斯顿大学社会学教授谢宇合作，使用ChatGPT、Claude等模型开展“模拟人生”实验，让模型模拟一名1930年出生的英国人并生成后续人生轨迹。结果显示，模型在结婚年龄、职业、性别等维度上倾向高估最常见情形，低估少数与长尾分布。
王梦迪称，模型习得的是概率分布中的最大似然点，对长尾知识可能出现低估甚至忽略。这也能解释为何其在数学、Coding等领域进步较快，却未能在物理、化学、生物等基础学科形成同等规模的原创发现。
她认为，数学和Coding拥有相对明确的“验证器”：Coding可借助编译器和Unit Test校验，数学可通过Lean等形式化证明系统反复尝试、获得反馈并修正。相比之下，现实科研的验证远没有这样直接。
“Ideas are cheap。你要给我看代码，或者给我看实验。”王梦迪表示，科研常涉及复杂实验设备、人的判断和跨团队协作，许多实验难以稳定复现；信息增多并不等于有效新信息同步增加，反而可能降低科研过程的信噪比。
在她看来，AI走向自主科学发现的关键，不是让模型再多知道一些，而是让现实世界越来越可验证。其团队在量子材料研究中搭建了自动化实验平台，将原本需数月的石墨烯实验流程自动化，并把实验设备与能力封装成API，供其他科研机构调用和复现。
团队同时探索面向实验室的LabOS系统，让多模态AI通过智能眼镜感知实验环境、辅助操作，并连接软件、AI模型、机器人和真实实验设备。
王梦迪认为，决定AI能否成为“发现者”的不只是模型大小，还要看是否存在连接假设、验证、追溯和重复的基础设施；只有当物理实验过程能被系统记录、持续验证、反复复现，训练中学到的“似然性”才可能转化为对“可能性”的探索。
市场有风险，投资需谨慎。本文为AI基于第三方数据生成，仅供参考，不构成个人投资建议。
本文源自：市场资讯
作者：知叙
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
