王梦迪：AI 尚未发现新的基础科学
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教授提出一个问题：AI 距离自主发现新科学还有多远？
她的判断是，今天的大模型已经掌握了大量人类知识，但在真正的科学发现上仍然存在明显局限：大模型更擅长找到"最可能"的答案，而真正的新发现，往往藏在概率分布的长尾里。
"模拟人生"实验：模型是 Mode Seeking 的
王梦迪团队近期与普林斯顿大学社会学教授谢宇合作，用 ChatGPT、Claude 等大模型进行"模拟人生"实验——让模型模拟一个 1930 年出生的英国人，自主生成此后的人生轨迹。
实验发现，在结婚年龄、职业、性别等多个问题上，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。例如模型给出的初婚年龄基本都在 24 岁左右，非常符合父母期待，但真实社会学上的概率分布是长尾更多的曲线。
大模型会学到一个概率分布里最大似然的那一点，但对于长尾的知识可能会低估、甚至忽略。
换言之，大模型是 Mode Seeking 的——Mode 指概率分布中最大似然的那一点。模型会集中学习分布中心的知识，而长尾效应被系统性低估。即便经过预训练、Mid-training 和强化学习，这种倾向在模拟社会、模拟人生乃至数学等更严谨的问题里都普遍存在。
为什么数学和 Coding 进展迅速，基础科学却没有
王梦迪认为，这也解释了为什么大模型在数学、Coding 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发现。
区别在于验证器的有无：
- Coding：验证器是编译器和 Unit Test，模型可以不断尝试、获得精准反馈、修正答案。
- 数学：借助 Lean 等形式化证明系统，可把数学定理翻译成几千页可编译、可验证的编程语言，让模型"左右互搏"不断提高。
- 基础科学：验证远没有这么容易。
Ideas are cheap。你要给我看代码，或者给我看实验。
科学研究往往涉及复杂的实验设备、人的判断以及跨团队协作，很多实验甚至无法稳定复现。一项发表在 Nature 子刊上的著名调查显示，70% 的科学实验无法重现，其中 50% 连做实验的科学家本人也无法重现。每一步的不确定性叠加后，整个发现过程就变成了"摇骰子"。
更尖锐的是，她引用同事的观点指出：AI 不光没有加速科学，反而可能把科学变慢了——大模型催生的论文数量呈指数级增长，但人类对宇宙的观测并没有真正增加，有效信号没有同步增长，信噪比反而下降，研究者更难从海量信息中找到有用内容。
三种概率分布假设
回到核心问题：假设黑色的概率分布代表人类所有知识，现在的大模型学到哪一步了？有三种情况：
- Same space：大模型正好覆盖人类现有所有通用知识。
- Smaller space：大模型覆盖了通用知识里离中心较近的那一部分。
- Larger space：大模型已能超出人类现有知识，推动训练数据中没有的发现。
答案需要分类。在基础学科前沿要做出新发现，相当于在宇宙里找到一颗新的"星星"——这颗星星是之前没有观测过的、训练数据里没有的。但从知识拟合的角度讲，大模型学到的是概率分布的 Mode，会忽略长尾，而人类真正的创新往往发生在长尾上。模型还没真正走到前沿，更没办法把长尾继续往前推。
破局关键：让现实世界变得可验证
在王梦迪看来，AI 走向自主科学发现的关键，并不是让模型再多知道一些，而是让现实世界变得越来越可验证。
她给出一个清晰判断：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。
她团队正在做的两件事：
1. 自动化量子材料实验平台：把两片单原子厚度的石墨烯按不同角度叠加，会产生新的双层晶体结构，是通往超导体研究前沿的技术之一。这类实验原本需要物理博士生花几个月手动完成。团队开发了全自动实验平台，覆盖从前期设计、参数、Hypothesis、制备单原子石墨烯、Quality Control、显微镜观察，再到回到第一层的 Loop Engineering 全流程，并封装成 API，让其他科研机构可以调用和复现实验，相关软件、AI 和硬件 Kit 已开源。
2. LabOS 科研实验室操作系统：面向跨学科科学实验室的通用智能操作系统。它引入多模态大模型，通过智能眼镜与科学家直接交互——实验员看到的每个细节都变成 AI 可感知的细节，每项操作都可在 AI 指导下完成。验证显示，它能让第一年的本科实习生达到十几年经验科学家的精确科学流程水平。系统一方面可在数字世界写代码、训练专属模型并迭代，另一方面可在物理世界与多型号机器人同时交互。
似然性 vs 可能性
最终回到概率分布问题：怎么才能把一个 Mode Seeking 大模型的概率分布变得越来越宽，最终带来新的发现？
答案是闭环系统——连接各种开源、闭源及私域模型，同时连接物理实验室、Clean Room、化学实验室、生物实验室乃至半导体车间等环境。当数字世界能够把物理世界中发生的所有研究、探索和纠结全部闭环时，每一个学科的实验室才会变成可验证的环境，AI 才可能真正发挥作用。
王梦迪用一句话收束全场：
AI 的训练方法和学习方法所学到的是"似然性"；但当我们谈到 Discovery 时，需要找到概率之外的"可能性"。怎么弥合从"似然性"到"可能性"之间巨大的 Gap？这里需要基础设施级别的探索和投入。
作者：冬梅 / InfoQ；来源：InfoQ 公众号，2026 年 9 月 11 日。完整演讲未经确认版。