“你们可能是最后一代以‘智力闪耀’的研究者”扩散模型发明者给青年学者的建议

大数据文摘出品

2026 年 6 月，斯坦福大学，一场物理学与 AI 交叉的会议。Anthropic 科学家、扩散模型的早期研究者之一雅沙·索尔-迪克斯坦（Jascha Sohl-Dickstein）走上讲台。他的演讲题目是：《人新世最初与最后日子里，给青年研究者的建议》。

一年前，他在哈佛大学讲过相似的主题。演讲结束不久，他收到一封素不相识者的来信。来信的人兴致勃勃，但整封信只有一句话：

"这演讲摘要有够疯的。"

疯了的是这样一个判断：通用人工智能（AGI）正在到来，而且来得比所有人想象的都快。一年后的今天，他再次站上同一个题目的讲台。这一次，几乎没有人觉得他疯了。

变化发生在一年之间。过去十年，训练最大 AI 模型的算力增长了约一千万倍，正在逼近人脑一生所能执行的计算总量。AI 独立完成软件任务的时间跨度在指数增长，一年前预计 2027 年才能越过的"人类一整天工作量"，如今已被甩在身后。大约七个月前，AI 开始解出埃尔德什留下的数学难题，那是几代真正的数学家攻关多年的开放问题。

"从现在到超级智能，我们看不见任何障碍。"那些离模型最近的人说。

演讲的题目，戏仿自一百多年前的一本书。1906 年诺贝尔奖得主、现代神经科学的奠基人拉蒙-卡哈尔写过一本《致青年研究者》，教年轻人如何选择课题、如何度过科学生涯。

今天这场演讲想说的也是同一件事，只不过背景换了。他说：你们可能是有史以来最后一代"以智力闪耀"的研究者，而你们手中握有的杠杆，比想象中大得多。

以下是演讲全文，编者做了不改变原意的删改：

一、未来不是当下的线性外推

本场演讲的题目，戏仿自一本观点鲜明、务实透辟的著作，作者是现代神经科学的奠基人之一、诺贝尔奖得主拉蒙-卡哈尔，书名叫《致青年学者》。

在进入正题之前，我想先让大家有正确的认知状态。请看这张图，这是 GDP 随时间变化的曲线。

而我们，就站在这条曲线的顶端，心里想着："我生活的世界挺正常的。有些东西大概会变，未来大体上就是当下的线性外推。"

这张图恰恰要告诉你：这种对未来的看法，恐怕并不成立。顺带一提，把这张图换成半对数坐标来画，形状惊人地相似。人类直到 1950 年前后，才真正驶入今天这种指数增长的轨道。

今天的演讲只有一个目的，那就是说服你，未来可能与现在截然不同。AI 正在改变世界，眼下只是早期阶段，真正的变革才刚刚开始，其影响力不可估量。若你相信这一点，那么你的职业选择、研究课题，乃至个人生活中的每一个重大决定，都应当回应同一个问题：AI 将如何改变世界。

我还想强调一件事：在座的各位，手中握有难以想象的杠杆，足以撬动未来展开的方式。这件事常显得像一台庞大的机器在自行运转，非人力所能左右，而我认为这大错特错。演讲的最后，我会给出几条具体的建议，谈谈如何选研究课题，如何看待职业。

二、人类世，与一条即将转折的曲线

先说说地质年代。地质年代是对"深时"的度量，以生命形态、气候与地质过程的显著变化为界，而这些变化都记录在岩层之中。

人类已经开始在地球上留下地质学尺度的痕迹：我们正在酿成地球历史上第六次大灭绝；核武器试验留下的放射性同位素，正被封存进岩层，哪怕数十亿年之后，后来者依然能据此辨认：我们来过。

有人提议，把眼前这段由人类驱动的全球变化时期，命名为"人类世"（Anthropocene）。这个以"人类驱动"为焦点的命名颇耐寻味，因为"人类是推动全球变化的首要智慧体"这一时代，我们或许已近尾声。本场演讲的核心构想是：这个地质年代，可能短得出奇，全看 AI 如何展开。

请看这张图，它画的是训练著名 AI 模型所用的算力，起点设在 1950 年前后，也就是人类世的起点。可以看到，斜率在这里发生了一次转折：AI 模型从"学术上有趣"变成了"商业上有用"。纵轴每一格都比下一格大两个数量级，过去十年，训练最大模型的算力增长了约一千万倍。

右上角我圈出了一个粗略的范围，那是人脑一生所执行的计算总量。我粗略估算了一下：假设每个突触每毫秒做一次浮点运算，人脑一生的算力约为一万亿 petaflops。照此计算，"人类一生的算力"只比图上最大的模型高出不到一格。也就是说，模型训练的算力规模，正在逼近人脑一生的计算总量。这不足以、甚至可能并非必要达到人类水平的智能，但至少让这个比较显得没那么离谱。

三、能力的时间跨度，也在指数增长

算力并非唯一在增长的东西。这里有一个名为 METR 的机构最近做的研究，考察的是 AI 模型在无人协助的情况下、以 50% 成功率完成的软件任务，其"时间跨度"有多长。

请注意，这个时间跨度不是 AI 做任务花了多久，而是先把任务交给人类、看人类不用 AI 要花多久，以此作为标定。横轴是模型发布的年份，纵轴是时间跨度。关键之处只有一个：它在指数增长。

不到一年前，我对大家说：我们预计，模型到 2026 或 2027 年，能独立完成"人类一整天工作量"的软件任务。结果不到一年，这个数字已经涨了十倍，越过了那个节点。更高成功率的曲线，斜率相同，只是截距不同：想要 80%、90% 的成功率，把时间线往后挪一两年就是。

人们常说，AI 只会解决训练数据里有的问题。这显然不成立。你随便往模型里敲几个词，它输出的内容就已经超出训练数据能覆盖的范围了。当然，这是泛化。但人们总觉得存在某种"神奇的泛化"，是模型永远够不着的。

为了说明并不存在这样一道坎，并不存在跨过去就截然不同的另一种泛化，我们可以看看这件事：AI 开始解决"人类留下的开放问题"了。

保罗·埃尔德什是位著作等身的数学家，身后留下大量悬而未决的猜想与问题，后人把它们整理成册，真正的数学家一直在攻关。而大约七个月前，AI 模型也开始解出其中一些题目了。换句话说，AI 正在把"人类已知数学的边界"往外推。

我能说的是：只要有人提出一个可量化的 AI 能力基准，你就会看到模型在这个基准上飞速进步。

医疗领域也有这样的基准，只是我没放进PPT。

四、认真对待这件事，已经不需要勇气

之前，我在哈佛也演讲过这个题目。事后，有位素不相识听者的来信，来信者说："演讲的摘要有够疯的。"

要读懂这封信背后的意味，可以借用社会科学里的一个概念，叫"奥弗顿之窗"（Overton Window）。每个社会都有一扇看不见的窗：窗内，是那些可以公开表达、不会被视为离谱的观点；一旦落到窗外，说出口就会被当成异类。那封信仿佛就是在说：预言 AGI，还在这扇窗之外；而骂这些预言是疯子，反倒稳稳待在窗内。

但在我看来，今天这已经远没有一年前成立了。这扇窗正在悄悄移动，"AGI 要来了"正从疯话变成体面的观点。只不过，很多人心里其实已经隐隐相信，却不敢认真去想，更不敢据此行动。

所以这场演讲的一大目的，就是敦促你们，或者说准许你们，认真对待这件事：把 AGI 当真，一点都不丢人。

其实，我今天讲的东西一点也不惊世骇俗。许多德高望重的人和机构都在说同样的话，而且说完之后，照样德高望重。所以你大可以放心地讨论它、思考它，不必压抑自己的担忧，也不必自我审查。为了证明这一点，我接下来就念几段话，它们都出自那些"受人尊敬的人和机构"，而这些人和机构说完之后，照样受人尊敬。

比如英国首相里希·苏纳克说过："AGI 之争，即在所有认知任务上超越人类的 AI，具有根本性的地缘政治意义。"

比如巴拉克·奥巴马说过："手机技术的影响已经够深远了，AI 的影响会更大，而且来得更快。"

还有人这样说："我们现在开始看到，这些模型、这些平台，能够完成我们眼中真正高水平的智力工作。"

以及埃里克·施密特去年说过的一段话："我们相信，未来一年内，绝大多数程序员将被 AI 取代。三到五年内，我们会看到与最优秀的人类同样聪明的 AGI 系统；六年内，会出现比我们所有人加起来都聪明的人工超级智能。这一切发生得很快，而社会还没准备好。"

这段话有意思的地方在于：说这话距今快一年了。AI 模型确实已经包办了程序员过去的大部分工作，但程序员工作的其余部分也在扩张，除了少数例外，大多数程序员并没有失业。

不只是个人在这么说，媒体也开始热衷讨论这些话题：《经济学人》谈"经济超级智能"，《纽约时报》给一篇访谈起了个措辞强硬的标题，还有本·布坎南，也就是前拜登白宫的 AI 事务负责人。

总之，模型进步得非常快。

五、对数坐标上的直线，与仍在早期的我们

我用一个地质年代的开启与终结，为这场演讲定下了或不祥、或光明的基调。我也说了：相信 AGI 如今已足够正常，在体面场合尽可坦然相信。

但它什么时候来？模型什么时候能在各种事情上达到人类、乃至超越人类的水平？

尤其是，什么时候能自动化掉那些构成我们工作核心的智力任务？如果你身处我所在的那个'旧金山 AI 圈子，共识的答案是：就这几年。

你去参加派对，有人说自己属于"长时间线"派，你追问两句，结果发现他所谓的"长"，意思是十年。这件事本身就很反常。我妻子在生物科技行业，你跟生科的人聊天：第一世界的癌症发病率在指数下降，我们是不是要攻克癌症了？接下来的十分钟，你会听到一通关于"治愈癌症有多难、会比你想的久得多"的科普。可你跟做这些做模型的人聊，他们只说："是啊，从现在到超级智能，我们看不见任何障碍。"离这件事最近的人，通常是最能看到眼前障碍的人，而这一次，他们看不见。这一点，请务必意识到。

前面几张PPT里，我展示了一些对数坐标上的直线。这样的直线还有很多，多到可以单独讲一整场"对数坐标上的直线"。如果你认为有什么我们没测到的东西，能证明 AI 在某种我们在意的能力上正在走平，我恳请你：把它操作化、量化，做成基准。大家会感激你的贡献，你会收获大把引用。

但我也得警告你，过去几乎所有这类尝试，走的都是同一条路：九十年代做的基准，要二十年才有 AI 达到人类水平；而今天做的基准，几个月到几年内就被打到人类水平。这个规律相当稳定。

https://arxiv.org/pdf/2502.19187

我本人几年前参与创建过一个叫 BIG-Bench 的基准，结果我们的论文还没发表，就已经有论文在它的部分子任务上刷出了 SOTA。

就我个人而言，我每天都和 Claude 一起工作。感觉就像带一个热情似火、执行力惊人的博士生，幸好，目前还是一个才华横溢、研究品味却差得出奇的博士生，所以我觉得自己还算有点用。

但一年前不是这样：那时我没法只丢给 Claude 一个高层次的问题，让它自己生成图表、再看图说话，每个细节我都得亲手盯着。而现在不一样了。

六、现场问答：这条曲线会在这里变平吗？

现在问一句：刚才这些，现在是不是已经成了大家默认接受的共识了？

（现场）有人问：一个趋势已经连续推进了十一个、十三个、十五个、十七个，乃至二十一个数量级，而我们恰好只差一两个数量级，就抵达某种"类人的终点"？

如果真是这样，那也太巧了。可偏偏就是在这时候，我们撞上了资源约束。

我的意思是，我们活在一个物理世界里，没有任何指数能永远增长。但如果这条曲线恰好就在此时此地拐弯、变平，我会非常震惊。

（现场）有人问，能否更具体地拆解一下：通往 AGI 的"梯子"由哪些部分组成？我们现在站在哪一级？

这个问题我不打算展开太多，因为它更像一个技术问题，而不是"这意味着什么"的问题。

但我想说：一阶近似地讲，我一次又一次地被震惊、被打脸，或者说被惊艳，"把最朴素的做法再放大一个数量级"，居然一直有效。

我认为我们现在的做法极其低效：大脑的数据效率比我们高大约四个数量级。显然，我们很多地方做错了，但这不意味着此路不通，只意味着低效。所以我不认为缺了什么"关键拼图"，也不认为存在什么通往终点的硬障碍。缺的东西确实有，我们现在的做法，低效得令人汗颜。

（现场）接着有人顺着资源的问题问：怎么看"人们获取这些资源"这件事？会不会在 token 的获取上出现"有产者"与"无产者"，也就是烧得起算力的人，和烧不起的人？

我认为，确保我们将创造的巨量财富得到分配，显然至关重要。其中一部分会自然发生：智能只会指数级地变便宜。这很美妙，也有点可怕。但我也认为，在社会层面，我们会需要一些类似再分配的机制：对智能、对 AI 公司征重税，再分发下去。以我们的政府体制，我猜这件事在美国会推进得相当顺利，因为失业的人会非常有力地为自己发声。我更担心的，是全球层面，这个话题我们可以稍后细聊。

七、作为个人，该做什么？

如果认真对待这些时间线，我们作为个人，该做什么？眼下这些时刻，很可能就是我们人类"以智力闪耀"的最后时光了。

第一，确保你的课题在完成之日依然有意义。存在这样一条上升曲线："只要提示当下最好的基础模型、几乎不费人力，就能做出的科学。"有一种结局你一定要避免：埋头苦干两年，取得扎实的线性进展，而等你做完那天，别人只要问一句基础模型，就能做得比你更好。这意味着：要做目标明确的课题，与人协作，跑得快，才能始终跑在指数曲线前面。它不鼓励那种缓慢而漫游式的探索，很遗憾，因为那恰恰是我最爱做的科学。我讨厌说这话，但我认为事实如此。

世界就是这样：2019 年，理查德·萨顿（Richard Sutton）发表了一篇雄文，《苦涩的教训》（The Bitter Lesson）。他指出：利用计算的通用方法，终究是最有效的。这个苦涩的教训，有一正一反两个推论。正面是：如果你做的课题，会随着算力与智能的扩展而愈发有效，甚至能反哺这个过程，那么你成果的影响力，将远超预期。反面是：你绝对不想做那种"反正会被规模解决"的课题，很可能你还没做完，它就已经被解决了。

第二，你应当强迫自己使用手头的 AI 工具。AI 模型的用户体验，往往还很糟。它们就像"不用马的马车"，旧时代的壳，套着新时代的芯。没关系，好处依然巨大。用它们头脑风暴、打磨研究想法；用它们给你的文章提反馈。请不要让它们替你写初稿，但请务必让它们告诉你：你错在哪，一条一条全指出来。我自己已经完全不写代码了，几乎连看都不看，尽管我每天干的仍是"写代码"的事。任何你心心念念的复杂分析，都可以交给它们迭代。好奇什么，就随手起一个定制仪表盘，它刷刷刷生成好几页图表，痛快极了。

这也部分回答了前面的问题：你不可能被指数甩下，如果你自己就骑在指数上。和大语言模型协作，很像当 PI（课题负责人）：两者互为绝好的练习，都要求清晰地界定任务、传达预期。所以，如果你想当 PI，就去练习指挥模型；如果你已经是 PI，你受过高度目标导向的训练，理应驾轻就熟。

这场演讲的缘起，是我和一位极优秀的博士生的对话。他说，他觉得三年后我们就会有 AGI。几分钟后他又说："哦对，我再过几年博士毕业，然后做个博后，然后嘛，我打算申请教职。"我心想：如果你大脑的一部分相信这项改变世界的技术即将到来，那你大脑的其他部分，也该跟上。我不知道十年、二十年后"学术工作"长什么样，我不知道那时任何工作长什么样。但我非常确定：它一定和今天截然不同。

所以，做规划时，请默认你眼前的职业路径并不稳定。人们做人生决定，常在风险与回报之间权衡：选稳妥的选项，放弃那个最好结果或许更好的选项。可如果 AI 将带来大规模动荡，那么就存在一个无法回避的"基准风险"。此时，稳妥的选项其实并不稳妥，你只是牺牲了潜在的回报，却并没有真的买到更多安全。我的意思是，就算撇开 AI 不谈，人们本来也太过规避风险了。

但在当下这个语境里，尤其如此：做那件有趣的事，而不是那件稳妥的事。如果你做贡献的时间有限，而赌注很高，那就做一件将来退休时，会为之骄傲的事。你会希望感到：自己曾帮我们抵达了那个好的结局。选题时，请选那些回望时"真正要紧过"的课题，优先选择那些能在 AGI 之后积极改写世界轨迹的工作，而不是只在短期内激起一阵涟漪的工作。

八、指数曲线的早期，是杠杆最大的位置

AI 领域的进展，常让人感觉是一个超出我们掌控的过程。这是完全错误的。尽管眼下的能力已经如此惊人，我们在 AI 的指数曲线上，仍比你以为的早得多。请看 Epoch AI 对 2030 年算力的外推：2030 年的算力，有望达到 2025 年的一万倍。站在那时回望，今天的我们，在线性坐标的算力图上，与"零"在视觉上无法区分。以投入 AI 的资源与算力而论，我们还站在指数曲线非常靠前的位置。

为什么"仍在早期"要紧？因为：指数增长早期的小小干预，会在日后放大成巨大的分化。科学、工程、政府、经济史上，早期的微小决定导致截然不同的结局，这样的例子数不胜数。

随便挑几个：1982 年，科学家提议了一个电子邮件的标准协议。正因如此，今天在座的每一个人，都能给其他任何人发邮件。

再比如哈伯-博施固氮工艺：一小队科学家开发的技术，一边让今天的我们大体上养活了全世界的人，没有它，我们的粮食产量远到不了现在；

另一边，它也是现代绝大多数炸药的来源。再比如美国早期的一些决定：创立美国医学会（AMA）、美国律师协会（ABA）。那是少数人做出的决定，如今却彻底塑造了这个国家的医疗与法律版图。

学术同行评审制度大概也是如此：我们今天这套同行评审，无论有多少缺陷与成就，都绝非唯一可能的形态。如果几百年前的人做了稍有不同的决定，今天科学的激励结构，可能天差地别。

正因为我们还在指数曲线的很早期，正因为你们是能力出众、技能高度对口的人，你们对 AI 的未来，握有巨大的力量与杠杆。

你们个人的每一个小选择，都将决定我们未来生活在怎样的商业、社会与政治版图之中。你研究什么问题；你在哪里工作；你把一样东西称作"能力"还是"风险"；你提出的模型架构，是可解释的，还是深不可测的；你是否公开表达伦理立场；你的课题在鼓励哪一条技术路线、哪一棵科技树被点亮，这一切，都是你的力量。你应当感到自己力量很大。这很好。你也应当感到，这是一种责任。请认真对待。

请允许我恳求各位：对自己的课题与种种选择，抱以审慎与深思。世界正在、也将继续以惊人的方式改变。而你个人，握有让它变得更好或更糟的杠杆。

九、黄金时代，与五个具体方向

未来当然不可知。但如果一定要我猜，我认为在不远的将来，你对世界的智力杠杆，大致会是这样：会有一段时期，你与成建制的 AI 智能体团队互补，解锁它们的工作能力，你一周能做成的事，是你穷尽过去整个职业生涯也做不到的。那将是一个惊人的、全球性的黄金时代。

而在那之后的某个时刻，会到来另一段时期：你不再有任何方向能超出 AI 所及，不再能解锁它做不到的智力工作。所以我认为：你应当尽情享用这个黄金时代，把它用到极致。用这些工具，用这被赋予的力量，做出惊人之事。

我答应了给一些具体的东西，所以这里是几个具体的方向。这份清单远远不全，最有影响力的事，多半还没人想到。

第一个方向是"用 AI 做科学"（AI for Science）。这个方向应该让在座的各位感觉很好：材料发现、蛋白质折叠、天气建模、聚变堆等离子体建模。更好地理解世界，通常而言是毋庸置疑的善举，而 AI 让我们做得有效得多。

第二个方向是"对 AI 模型本身做科学"，把别的学科的技术拿过来，把 AI 当作研究对象。可解释性也许是最典型的例子：本质上，就是对 AI 模型做神经科学。你也可以对模型内部做统计物理，可以对模型做心理学，可以对模型做经济学。值得坐下来花一个小时，好好头脑风暴一下：你自己的那门手艺，怎样把炮口从"现在的研究对象"，转向"AI 模型"这个新的研究对象。

第三个方向是直接的 AI 安全研究。可怕（也幸运）的是：这个领域，你还能赶上，许多该问的问题，甚至还没有被好好定义。它的重要性在飞速增长，但相对于整个领域的体量，其投入仍严重错配。

第四个方向是能力的预测与外推：更精确地看清将至之物，大概率会让事情走向更好的结局。

第五个方向是关于可及性的问题：公平与平等。如果我们想让这项技术惠及每一个人，就必须付出艰巨的努力去实现它。我得说，这个子领域很可能有毒、压力巨大。所以，如果你能在"一群人冲你喊你是个人渣"的环境里，依然务实地做决定，那么在这里，你能对世界产生惊人的正面杠杆。

同样的道理：如果你的技术能力与性格，都适配政策与治理工作，那就去做。各国政府极度渴望懂技术的干才，为它们的 AI 监管与政策出谋划策。而真正优秀的人在不断流失，去挣更高的薪水，躲更少的政治。这是高得惊人的杠杆。而且，这也是你作为学者的比较优势：政府对你们的信任，至少不同于对实验室里的人的信任。你是一种别人无法替代的声音，能以别人做不到的方式影响事情。

好，我就讲到这里。

十、问答（整理）

问：关于"研究品味"，存在衡量研究品味的好基准吗？研究品味是否天生就是"缓慢而漫游"的？

答：我认为，我们鼓捣出的任何"研究品味基准"，一旦被攻克，人们都会说它测的根本不是研究品味。对此我不知道怎么办。不过，办法之一是等：等模型做出某项无可争辩的重大发现，等它提出某个全新的概念路径、搞出室温超导。到那时，你当然还可以说"它并没有真的展现研究品味"，但……至于"研究品味是否必须缓慢而漫游"：漫游很好，尤其当你不知道未来什么会有用时，而这几乎总是实情。但我觉得，只要你想得足够快，"漫游"这部分可以保留，"缓慢"那部分可以省掉。

问：作为研究生，我们写的大部分代码，只要引导得当，Claude 都能写。那我们花大量时间亲手写代码还有价值吗？在"亲手做"与"交给它"之间，你怎么权衡时间的投入？

答：重要的是你要理解代码在做什么，这意味着你需要一些亲手写的经验，但大概远少于你以为的量。你也可以像你导师那样去理解代码：让模型生成几张图，然后问它"为什么这张图对不上"。所以我认为这是可能的。正如今天你用 Python 写代码，而前人得打卡片：你对计算机内部的理解，多半比打卡片时代的人弱得多，但你是在更高的抽象层级上思考，这很好，你同样可以做到。只是要确保：你依然在追问、在思考。我还想鼓励你一点：尤其是研究生阶段，你很容易觉得自己没什么钱、薪水很低，于是低估自己时间的价值。你的时间很值钱。你应当使用那些能让你的时间发挥最大价值的工具。

问：你说 AI 非常擅长泛化一切，可又说连写东西的初稿都不能真的交给它。那它能做的更像一个助手，帮我们解决"已有的问题"，这看起来离 AGI 还差得远。打个比方：Microsoft Outlook 取代了我们跑去邮局给同事寄信，在我看来，这两件事很像。

答：先答第一点："别让它替你写"这个建议，是为了你好，不是因为 AGI 写不了，而是因为写作即思考。把写作外包出去，你其实就是把思考外包了出去，你将不再真正理解发生了什么。第二，如果你认为它"离能做人类能做的事还差得远"，那就把它量化、操作化。不要让它只是你脑子里一个模糊的念头，要给它一个精确的度量："AGI 在这一点上有明确短板。"你不必发表它，它可以只是一个私人基准：给某件事打个分，然后盯着这个数字随时间怎么变。去测量那件"你不相信正在进步"的事。如果你的测量显示它确实没在进步，那我就更信了。

（追问：比如说埃尔德什问题，那些是我们人类提出的问题，我们只是拿 AI 去解而已，它并不是在"提出新的难题再解决"。）

答：我选埃尔德什问题，是有原因的：这是"人类已经公认是好问题"的问题集合。如果你想说"提出好问题"这件事，你怎么衡量一个东西是不是好问题？这也许是难点所在。你的讲法其实是在预设：泛化分很多层级，低层是"给句子里的词换个同义词"，往上是"把加法算法用在不同的数上"，再往上是"运用某个逻辑步骤"，再往上是"用微积分对不同的问题做积分"。我认为你应当想象的是：泛化是一架梯子、一个层级体系，你在越来越高的尺度上泛化。而对我而言，完全看不出这架梯子上有哪一级会突然断裂，断点之下"概念上更简单"的泛化就容易，断点之上的就不可能。我看不出有这样的断裂。但我也说不准。

问：AI 在理论科学中已经无处不在，实验科学却在相当程度上尚未被波及。部分原因在于：实验科学的许多问题，既不可计算地验证，也不可形式化地验证。NASA 至今还得吹实体风洞，因为计算流体力学往往不够用；每年发现的化学物质，一半以上是意外所得。你是否看到这条鸿沟被弥合的图景？

答：这个问题有意思，说几点。第一，机器人终究会管用的。机器人"管用"的时间线要难预测得多，但如果十年、十五年后，我们还没有能替我们做物理实验的机器人，我会很惊讶。第二，"理论对实验结果的预测力如此之差"，某种程度上是理论科学自己的失败，对吧？你越是把理论做强，需要跑的实验就越少，我认为这非常可能做到。当然，也取决于你拿 AI 来做什么；还取决于你有没有找到对的交互界面，让交互的代价，不超过它带来的收益。

点「赞」的人都变好看了哦！