在2026 Inclusion·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出了一个重要问题：人工智能距离自主发现新科学还有多远？她指出，尽管当今的大型模型已经掌握了大量的人类知识，但在真正的科学发现上依然存在显著的局限性。王教授表示，这些模型更擅长于找到“最有可能”的答案，而真正的新发现往往隐藏在概率分布的长尾部分。
最近，王梦迪和普林斯顿大学的社会学教授谢宇合作，利用ChatGPT和Claude等模型进行了一项“模拟人生”实验。该实验设定模型为一位1930年出生的英国人，让其自主生成未来的人生轨迹。结果显示，模型在结婚年龄、职业选择等问题上，往往高估了最常见的情况，而低估了少数情况及长尾分布。王梦迪解释说，模型能够学习到概率分布中的最大似然值，但对于长尾知识则可能存在低估或忽视的情况。
她认为，这也说明了为何大模型在数学和编程等领域能够取得较快进展，而在物理、化学和生物等基础科学领域却难以实现同等幅度的原创发现。原因在于，数学和编码有相对清晰的验证方式，模型能够通过编译器和单元测试不断获得反馈。然而，现实科学研究的验证过程复杂且不易，很多实验在重复性上存在困难。王梦迪指出，实验测得的信息增多并不总是意味着有效的新信息也在增加，反而可能降低科研过程中的“信噪比”。 球友会登录
她进一步认为，要让AI实现自主科学发现的关键，不在于使模型获取更多知识，而是需要构建一个更具可验证性的现实世界基础设施。王梦迪的团队正在努力建立这样的基础设施。在量子材料研究方面，他们开发了自动化实验平台，将原本需要几个月完成的实验流程实现自动化，并将实验设备和功能封装为API，使其他科研机构能够调用和复现实验。同时，他们还在探索一种面向科研实验室的智能操作系统LabOS，使多模态AI能够通过智能眼镜感知实验环境，辅助科研人员进行操作，并进一步连接软件、人工智能模型、机器人以及实际实验设备。
王梦迪强调，决定AI是否能够成为科学发现者的，不仅仅是模型的规模，更在于是否存在一套有效连接假设、验证、追溯和重复的基础设施。只有在实验过程被系统记录、持续验证和重复的前提下，AI才能真正将训练中学到的“似然性”转化为对“可能性”的探索。
