普林斯顿王梦迪，AI自主科学发现需打通虚拟与现实闭环

9月10日，在上海举行的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引人深思的问题：AI距离自主发现新科学还有多远？她的回答揭示了一个重要事实：尽管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。

王梦迪团队近期与普林斯顿大学社会学教授谢宇合作，利用ChatGPT、Claude等大模型进行"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。

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。

"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。"王梦迪表示。

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"。

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。

为此，王梦迪团队正在尝试建立这样的基础设施。在量子材料研究中，他们搭建了自动化实验平台，将原本需要科研人员数月完成的石墨烯实验流程进行自动化，并将实验设备和能力封装成API，让其他科研机构能够调用和复现实验；同时，他们还在探索面向科研实验室的智能操作系统LabOS，让多模态AI能够通过智能眼镜感知实验环境、辅助科研人员操作，并进一步连接软件、AI模型、机器人和真实实验设备。

"真正决定AI能否成为‘发现者’的，不只是模型有多大，而在于是否存在一套能够连接假设、验证、追溯和重复的基础设施。只有当物理世界中的实验过程能够被系统记录、持续验证、反复复现，AI才可能真正把训练中学到的‘似然性’，转化为对‘可能性’的探索。"王梦迪强调。

这一观点呼应了近年来学术界关于AI与科学研究关系的讨论。有学者提出，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。」

王梦迪的发言为AI在科学领域的应用指明了方向：未来的突破不在于模型规模的无限扩张，而在于构建一个能够支持科学发现的生态系统。这需要学术界、产业界和政府的共同努力，推动实验数据的标准化、实验过程的自动化以及科研成果的可复现性。