20250322-普林斯顿大学王梦迪-大模型推理与Al for Science
外滩大会上的“灵魂拷问”
9月10日上午，上海外滩大会开幕式现场。普林斯顿大学人工智能创新中心主任王梦迪走上讲台，没有先讲技术，而是先向台下听众抛出一个问题：当前的大模型，究竟是覆盖了人类现有的全部通用知识，还是只覆盖了其中较为核心的部分，抑或已经超出了人类知识边界，能够催生训练数据中从未出现过的新发现？
现场听众的判断呈现两极：一半人认为模型的知识面还不及人类，另一半认为已经超越人类。王梦迪给出的答案是——得分类讨论。
代码和数学：AI的两个“舒适区”
在编程和数学这两个领域，大模型的表现确实亮眼。据公开信息，Anthropic今年5月对外表示，该公司超过80%合并进生产环境的代码由Claude自行编写。在数学领域，AI已从竞赛选手升级为研究助手，正在触碰人类几十年未解开的难题。
为什么偏偏是这两个领域进步最快？王梦迪的解释很直白：它们存在明确的“验证器”。编程中的验证器是计算机编译器，加上大量测试用例保证程序确实完成任务；数学中则有形式化证明验证器Lean，它能把几句话的数学定理翻译成几千页可编译、可验证的编程语言。每一步推导都能重现、检查、回溯，对错一目了然。强化学习在这种环境下能得到精准反馈，进步自然飞速。
长尾困境：创新恰恰藏在概率分布之外
但王梦迪指出，这套在数学和编码上大获成功的训练方法，无法直接延伸到科学领域。她的核心论据是：大模型的训练机制决定了它学到的往往是概率分布中“最大似然”的知识——即最常见的模式，从而高估通用情况、低估少见情况。即使经过预训练和强化学习，模型仍会向概率分布的中心聚集。
问题在于，在生物、化学、物理尤其是实验学科，人类真正的创新恰恰发生在长尾。她打了个比方：在基础学科前沿寻找新发现，就像在宇宙中寻找一颗从未被观测、训练数据中也不存在的新星。大模型学到的只是似然性，而“发现”要找的是概率分布之���的可能性。
另一个更棘手的障碍是：物理世界缺少验证器。据王梦迪援引《自然》子刊发表的一项调查，约70%的科学实验无法重现，甚至有50%的实验结果连做实验的科学家本人也无法复现。探索全新的物质或过程涉及个人判断、实验器材、跨实验室协作等复杂因素，不确定性层层叠加，发现的过程变成“掷骰子”。
一个反直觉的警告：AI可能让科学变慢
在演讲中，王梦迪还提出了一个颇具争议的判断：“AI可能不光没有加速科学发现，反而把科学变慢了。”
她解释说，科学尤其是物理学，本质上需要足够的观测数据来证明假设，对有效信号要求极高。但自大模型出现以来，每年论文数量呈指数级增长，真正有效的信息却并未增加——因为人类对宇宙和世界的观测并没有实质性增加。文章越来越多，新信息却没有增加。用信息论的信噪比概念来说，信噪比降低后，无论是科学家、工程师还是���究机构，反而更难在海量信息中找到有用内容。
解法：把物理世界“闭环”进数字世界
如何弥合从似然性到可能性之间的鸿沟？王梦迪提出的路径是一套闭环系统：既能连接各类开源、闭源和私域模型，也能连接物理、化学、生物实验室，甚至半导体车间。
“当数字世界能够把物理世界里发生的所有研究、探索、纠结全部闭环，AI才可能真正发生效用。”她说，届时每一个学科实验室才会变成可验证的环境，大模型才有可能扩展到新的发现。
她也坦承，这需要基础设施级别的探索和投入。对于押注“AI for Science”的产业界而言，这道从似然性到可能性的鸿沟，恐怕不是再堆几张显卡就能填平的。
本文由AI辅助生成
