普林斯顿大学学者：大模型在科学发现中的局限性

在编程和数学领域，人工智能的成就激发了对其能力的重新认识。然而，目前的大模型究竟是否仅仅覆盖了人类知识的表层，或是否有潜力揭示全新的发现，这是一个值得探讨的问题。在9月10日的2026外滩大会上，普林斯顿大学人工智能创新中心的王梦迪教授提到，听众对于大模型的知识范围看法分歧，半数认为模型尚不及人类知识，另一半则认为其已经超越。王梦迪对此表示，答案并不简单，需分类讨论。

虽然AI在自动编程方面已有显著进展，例如Anthropic声称超过80%的代码由其模型Claude生成；在数学领域，AI的角色也从竞赛选手转变为研究助手，解决了许多人类未解的难题，但她强调，现阶段大模型的成功并不能简单地推及到科学发现领域。她指出，大模型通常只学习到数据中最常见的知识，而忽略了长尾现象，尤其在科学探索中，真正的创新往往发生在那些不常见的领域。

王梦迪认为，数学和编程领域的快速进展，归因于强化学习能够提供明确的反馈机制。在编程中，计算机编译器充当验证器，而数学中则有形式化证明工具Lean，二者能确保模型生成的结果经过验证并能够被复现。然而，这些验证机制在科学探索中却难以实施，尤其在物理科学领域，因为许多实验的结果难以复现，往往受限于复杂的个人判断和实验条件。 龙8头号玩家国际

她指出，自大模型出现以来，尽管学术论文数量不断增加，但实际有效信息并未随之增长，且低信噪比使得科学研究者难以从海量数据中筛选出有用信息。为了让大模型在科学发现上发挥作用，王梦迪建议需构建一个闭环系统，能将各科研领域的模型和实验室有效连接，进而推动科学研究的进步。

最后，她强调，从似然性到发现之间存在巨大鸿沟，解决这一问题需要基础设施方面的探索和投入。