经历过往两三年，人工智能爆发式发展 ，大模型数学能力迅速攀升 ，各行各业都在谈论AI、要用上AI。然而，大模型的“智慧”真比人类高？AI已超越人类的脑袋？大模型已达到人的认知水平？类似的种种疑问不断出现 ，实际上 ，AI与人脑相比是否还存在差距？
在9月10日举行的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？——事实上 ，发现和探索未知的世界，是人类智慧的体现。
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 。
据了解 ，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 。例如，让模型模拟一个1930年出生的英国人 ，自主生成自己此后的人生轨迹。
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 。“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 。 ”王梦迪说。
她认为 ，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，数学和Coding拥有相对明确的“验证器” 。Coding可以通过编译器和Unit Test验证结果 ，数学则可以借助Lean等形式化证明系统进行验证。模型可以不断尝试 、获得反馈 、修正答案 ，再进入下一轮训练 。但在现实科学研究中，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 。 ”王梦迪表示 。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。信息越来越多，并不意味着真正有效的新信息同步增加，反而可能降低科研过程中的“信噪比 ”。
在她看来 ，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 。
王梦迪团队正在尝试建立这样的一个基础设施 。在量子材料研究中 ，他们搭建了自动化实验平台 ，将原本需要科研人员数月完成的石墨烯实验流程进行自动化，并将实验设备和能力封装成API ，让其他科研机构能够调用和复现实验；同时 ，他们还在探索面向科研实验室的智能操作系统LabOS，让多模态AI能够通过智能眼镜感知实验环境 、辅助科研人员操作 ，并进一步连接软件 、AI模型、机器人和真实实验设备。
王梦迪认为 ，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 。只有当物理世界中的实验过程能够被系统记录、持续验证、反复复现 ，AI才可能真正把训练中学到的“似然性 ”，转化为对“可能性 ”的探索 。
（文章来源：广州日报）
