9月10日，在2026Inclusion·外灘大會主論壇上，普林斯頓大學人工智能創新中心主任王夢迪教授提出一個問題:AI距離自主發現新科學還有多遠?

她的判斷是，今天的大模型已經掌握了大量人類知識，但在真正的科學發現上仍然存在明顯侷限:大模型更擅長找到“最可能”的答案，而真正的新發現，往往藏在概率分佈的長尾裏。

1789014510348.png

王夢迪團隊近期與普林斯頓大學社會學教授謝宇合作，用ChatGPT、Claude等大模型進行“模擬人生”實驗。例如，讓模型模擬一個1930年出生的英國人，自主生成自己此後的人生軌跡。

實驗發現，在結婚年齡、職業、性別等多個問題上，大模型傾向於高估最常見的情況，卻明顯低估少數情況和長尾分佈。

大模型會學到一個概率分佈裏最大似然的那一點，但對於長尾的知識可能會低估、甚至忽略。”王夢迪說。

她認爲，這也解釋了爲什麼大模型在數學、Coding等領域進展迅速，卻尚未在物理、化學、生物等基礎科學領域產生同等規模的原創發現。

區別在於，數學和Coding擁有相對明確的“驗證器”。Coding可以通過編譯器和Unit Test驗證結果，數學則可以藉助Lean等形式化證明系統進行驗證。模型可以不斷嘗試、獲得反饋、修正答案，再進入下一輪訓練。但在現實科學研究中，驗證遠沒有這麼容易。

“Ideas are cheap。你要給我看代碼，或者給我看實驗。”王夢迪表示。科學研究往往涉及複雜的實驗設備、人的判斷以及跨團隊協作，很多實驗甚至無法穩定復現。信息越來越多，並不意味着真正有效的新信息同步增加，反而可能降低科研過程中的“信噪比”。

在她看來，AI走向自主科學發現的關鍵，並不是讓模型再多知道一些，而是讓現實世界變得越來越可驗證。

王夢迪團隊正在嘗試建立這樣的一個基礎設施。在量子材料研究中，他們搭建了自動化實驗平臺，將原本需要科研人員數月完成的石墨烯實驗流程進行自動化，並將實驗設備和能力封裝成API，讓其他科研機構能夠調用和復現實驗;同時，他們還在探索麪向科研實驗室的智能操作系統LabOS，讓多模態AI能夠通過智能眼鏡感知實驗環境、輔助科研人員操作，並進一步連接軟件、AI模型、機器人和真實實驗設備。

王夢迪認爲，真正決定AI能否成爲“發現者”的，不只是模型有多大，而在於是否存在一套能夠連接假設、驗證、追溯和重複的基礎設施。只有當物理世界中的實驗過程能夠被系統記錄、持續驗證、反覆復現，AI纔可能真正把訓練中學到的“似然性”，轉化爲對“可能性”的探索。

2026Inclusion·外灘大會於9月9日至12日在上海舉行，大會以“共創AI新經濟”爲主題，探討AI如何推動更可持續的經濟增長和更廣泛的社會價值。