普林斯顿王梦迪：AI自主科学发现的关键在于构建可验证的实验基础设施

事件概述

2026年9月10日，在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探讨了AI距离自主发现新科学的现状与挑战。她指出，当前的大语言模型（LLM）在数学和编程等领域进展迅速，但在物理、化学、生物等基础科学领域的原创发现能力仍显不足，其根本原因在于缺乏有效的验证机制以及现实世界实验环境的复杂性。

核心问题分析

1. 大模型的“长尾盲区”
王梦迪团队通过与普林斯顿大学社会学教授谢宇合作进行的“模拟人生”实验揭示了大模型的局限性。实验让ChatGPT、Claude等大模型模拟一个1930年出生的英国人并生成其人生轨迹。结果显示，模型在结婚年龄、职业选择等问题上，倾向于高估最常见情况（即概率分布中的峰值），而明显低估少数情况和长尾分布。这种对“最大似然”点的过度拟合，使得模型难以触及真正的新发现——那些往往隐藏在概率分布长尾中的可能性。

2. 验证机制的差异

• 数学与编程：拥有明确的验证器（如编译器、单元测试、Lean形式化证明系统）。模型可以通过不断尝试、获取反馈、修正答案并进入下一轮训练，形成闭环。
• 基础科学研究：验证过程极其复杂，涉及昂贵的实验设备、人类判断及跨团队协作，且许多实验无法稳定复现。随着信息量的增加，科研过程中的“信噪比”反而可能降低。

解决方案与实践

王梦迪认为，AI走向自主科学发现的关键，不在于让模型“知道”更多，而在于让现实世界变得“更可控、可验证”。为此，其团队正在构建相关基础设施：

• 自动化实验平台：在量子材料研究中，将原本需数月完成的石墨烯实验流程自动化，并将实验设备和能力封装为API，供其他科研机构调用和复现，从而降低实验门槛并提高数据标准化程度。
• 智能操作系统 LabOS：探索面向科研实验室的智能操作系统，使多模态AI能够通过智能眼镜感知实验环境，辅助科研人员操作，并进一步连接软件、AI模型、机器人和真实实验设备。

关键结论

真正决定AI能否成为“发现者”的，不是模型的参数量大小，而是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、持续验证并反复复现时，AI才能将其训练中习得的“似然性”转化为对科学“可能性”的有效探索。