AI距离自主科学发现还有多远？外滩大会王梦迪：仍存在明显局限

新华财经上海9月10日电（记者杜康）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教授抛出一个问题：AI距离自主发现新科学还有多远？

她认为，今天的大模型已经学习了海量人类知识，但在真正的科学发现方面仍存在明显局限：大模型更擅长寻找“最可能”的答案，而真正的创新与突破，往往隐藏在概率分布的长尾之中。

近期，王梦迪团队与普林斯顿大学社会学教授谢宇合作，利用ChatGPT、Claude等大模型开展“模拟人生”实验。例如，让模型模拟一名1930年出生的英国人，自主生成其此后的人生轨迹。实验发现，在结婚年龄、职业和性别等多个维度上，大模型倾向于高估最常见的情况，却明显低估少数情况和长尾分布。

“大模型会学到概率分布中最大似然的那一点，但对于长尾知识，可能会低估甚至忽略。”王梦迪说。她认为，这也在一定程度上解释了为什么大模型在数学、编程等领域进展迅速，却尚未在物理、化学、生物等基础科学领域产生同等规模的原创性发现。

“数学和编程拥有相对明确的‘验证器’，大模型在强化学习过程中能够获得非常精准的反馈。有了明确的验证器，大模型就可以‘左右互搏’，不断提高数学和编程能力。”王梦迪说，“但这种训练方法还难以直接拓展到物理世界，拓展到对科学乃至宇宙的真正发现。”

与数学和编程不同，科学研究往往涉及复杂的实验设备、研究人员的判断以及跨团队协作，许多实验结果难以稳定复现。王梦迪援引一项发表于《自然》旗下期刊的调查称，超过70%的受访科研人员曾尝试但未能重复他人的实验，逾半数受访者甚至未能重复自己的实验结果。

她表示，探索一种全新的物质或过程，通常需要研究人员、实验设备乃至多个实验团队跨地域协作，其中每一个环节都可能存在不确定性。当这些不确定性不断叠加，整个科学发现过程就可能变成一个“摇骰子”的过程，难以为大模型提供清晰、稳定且可追溯的反馈。

从知识学习和知识拟合的角度看，大模型往往学习的是概率分布中最集中的区域，即概率分布的“众数”（Mode），容易忽视长尾信息。这意味着，大模型可能尚未抵达知识前沿，难以继续向长尾之外探索，找到“概率分布之外的知识新星”。

王梦迪还提到，她的一位同事曾撰文提出，AI不仅可能没有加速科学发现，反而可能让科学进程变慢。其核心观点是，大模型出现后，论文数量快速增长，但其中真正有效的信息并未增加。因为人类对宇宙和现实世界的观测并没有因此显著增多。“换言之，文章越来越多，“信噪比”反而更低，科学家更难从海量信息中识别真正有价值的内容。“

那么，如何让一个倾向于寻找概率分布众数的大模型拓宽探索范围，进而催生新的科学发现？

王梦迪表示，当数字世界能够完整记录并反馈物理世界中的研究、探索与试错过程，形成贯通虚拟与现实的闭环，AI才可能真正发挥作用。届时，不同学科的实验室有望转变为可验证、可反馈的环境，从而让当前大模型的训练方式进一步延伸至科学发现领域。这需要基础设施层面的持续探索与长期投入。

2026 Inclusion·外滩大会于9月9日至12日在上海举行。本届大会以“共创AI新经济”为主题，围绕AI如何推动更可持续的经济增长、创造更广泛的社会价值展开讨论。

编辑：林郑宏

声明：新华财经（中国金融信息网）为新华社承建的国家金融信息平台。任何情况下，本平台所发布的信息均不构成投资建议。如有问题，请联系客服：400-6123115