资讯
普林斯顿王梦迪外滩大会提醒：Ai实现自主发现，并非只需模型更大
📋总体概括
9月10日外滩大会上，普林斯顿大学AI创新中心主任王梦迪指出，大模型在科学发现上的核心瓶颈并非规模：模型天然学习最大似然分布，擅长给出「最可能」答案，却系统性低估长尾，而真正的科学新发现恰恰藏在长尾中。其团队与谢宇合作的模拟人生实验印证了模型对少数情况的低估。她进一步指出，数学与编程因拥有Lean、编译器等明确验证器而进展快，物理化学生物缺乏可靠验证闭环，故原创发现难产。
⚡关键信息
- ▸王梦迪在2026外滩大会提出核心问题：AI距离自主科学发现还有多远，并给出结构性解释
- ▸大模型学习最大似然分布，倾向高估常见情况、低估长尾，而新发现往往藏于长尾
- ▸团队与普林斯顿社会学教授谢宇合作，用ChatGPT、Claude模拟1930年出生英国人的人生轨迹验证上述假设
- ▸数学、Coding进展快是因为有Lean形式化证明和编译器、Unit Test等明确验证器可闭环迭代
- ▸科学实验涉及设备、人为判断与协作，难以稳定复现，信息增多反而可能降低信噪比
🔥犀利点评
王梦迪戳破了一个行业幻觉：Scaling Law堆不出科学发现。验证器才是分水岭——数学和代码能靠Lean和测试形成反馈闭环，现实科学却没有廉价的奖励函数，模型再大也只是在似然分布的峰值附近打转。这对当前烧钱的通用大模型叙事是釜底抽薪：想让AI做科研，先造出可靠、可复现的实验验证器，否则Ideas are cheap就永远只是口头禅。
📰 相关资讯（与本文相关的其他资讯）
本文由本站自动聚合，以下为原始来源：前往 雷峰网 阅读全文 →