AI能不能自己发现新科学? 这是现在很多人关心的话题。有人觉得AI什么都能干, 迟早取代科学家；但也有人担心, AI只是模仿人类知识, 根本不会真正创新? 这个问题的答案没那么简单?

AI最擅长找标准答案

普林斯顿大学的王梦迪教授在上海外滩大会上提出了一个问题, AI距离自主发现新科学还有多远。她的判断很直接, 今天的大模型确实掌握了海量的人类知识, 但这和真正的科学发现之间, 还隔着一条堪称明显到不能再明显的鸿沟。

擅长从概率上锁定”最可能”答案的是大模型类的生成AI, 它每日都会读写巨量的异构文献及多元数据类内容, 答复对应问题时常可出具贴合场景、符合规范类的回应, 这类特有基础能力在制式答题或资料甄别检索相关场景里显得很重要, 却很难为真正的跨学科前沿性科学突破给予支撑发力的底层关键动能。

长尾里藏着新发现

真切地新发现未必定会浮现于概率分配制顶端峰值点, 却是隐藏在那些微不足道的小众境况之中。王梦迪团队做过颇有兴趣实验, 令大模型模拟一九三〇年降世出生的英国人, 自身自行生成继续往后去人生路程轨迹。结果察觉到, 模型在结婚生育年龄阶段、职事行业选取这些问题上头, 均倾向复制最为普遍常见的情形状况里。

模型把大多数人的路径当成了标准答案, 却给少数人的特殊经历忽略了, 这种对长尾分布的低估, 意味着AI很难主动去探索那些偏离常规的可能性, 而这恰恰是科学发现的本质。

数学和物理的不同待遇

为何AI在数学领域进步迅速, 却在物理、化学、生物等基础学科上进步滞后? 核心在于这些学术有不同的查验手段。数学有形式化验证系统能够核查结论, 编程有解释器和集成测试能直接判定对错。模型可透过重复试错获取反馈, 而后修正结果, 再步入下一轮循环训练。

但现实中相关的科学研讨繁杂许多, 没有现成的考证器能够径直挪用。这个理论能否精准, 或许得做冗长的实验、破费大批时段、置办高尚的设施, 甚至要跨团队分工才得结论。多项实验还没法牢固再现, 这使得AI的自我考证机制难以显现效能。

信息多不等于有效

当下处于的科研大环境存有一种悖论, 信息量日益增多, 但真正具备实用价值的全新信息并未与前者实现同频率增长。王梦迪曾援引一条源自科学圈内的名言念头的存在本不值一提, 最为重要着重要看的其实是代码本身以及承载相关成果的实验具体数据。该句名言精准触碰到了科研的核心所在仅凭借脑袋瓜当中迸出的纯粹想法全然没办法满足后续开展科研工作的各项硬性需求。

无数浩繁文献和各类数据有时反倒拉低了信噪比, 令科研人员更难自繁杂信号里甄别出真正有价值的发现。AI遇到这般场景时, 亦会遭遇类似纠结, 着实难以划清哪些属于真正要紧信息, 哪些仅归于噪音。

搭建可复现的实验平台

要让AI达成真正的自主科学发现, 重点并非让模型知晓得更深, 而是令客观世间变动着越发可校核。王梦迪团队正试着构建这样的系统载体, 他们在量子材料讨论里修建了自动化实操平台。原本所需科研从业者数月完成的石墨烯实验程序, 此刻被自动化装置承接。

他们还将实验设备及能力封装成API, 让其他科研机构能够直接调用并复现实验。这种开放的形式, 让不同实验室可以基于一样的实验条件进行验证, 大大提高了科研的可重复性。

智能操作系统连接一切

除自动化实验平台外，团队还在探索面向科研实验室的能智操作系能智操作系能智操作系统, 面对科研实验室的这个系统可以, 多模态AI可以让它通过通过通过智能眼镜智能眼镜智能眼镜感知实验环境, 辅助科研人员人员人员, 操作设备, 该系统还还还能能能连接软件、AI模型、机器人和真实实验设备。

这类针对化的基建内核, 即是人工智能以知识汲取者变为科学拓创者的核心: 唯有物理世界内的试验工序可被全面全程记载、衔接校验、多次再现, 人工智能方可把受培期间习得的几率判别, 转变为对可行性的深度开辟。

你觉的AI在将来十年内, 可在基础领域科学内获得突破性发现? 欢迎在评论区共享你的主张。