一句话看懂：普林斯顿大学王梦迪指出，当前大模型擅长给出概率分布中“最可能”的答案，却容易忽略真正新发现所在的长尾区域，因此AI尚未在物理、化学、生物等基础科学领域产生原创性突破。她认为关键不在模型规模，而在于能否建立让真实世界可验证的实验基础设施。
事件核心：发生了什么
2026年9月10日，在外滩大会主论坛上，普林斯顿大学AI创新中心主任王梦迪提出一个问题：AI距离自主发现新科学还有多远？她的判断是，今天的大模型已经掌握了海量人类知识，但在真正的科学发现上仍存在明显局限——模型更擅长找到“最可能”的答案，而真正的新发现往往位于概率分布的长尾部分。
王梦迪团队与普林斯顿社会学系谢宇教授合作开展了一项“模拟人生”实验，使用ChatGPT、Claude等大模型，让模型模拟一个1930年出生的英国人并自主生成其人生轨迹。实验发现，在结婚年龄、职业、性别等多个议题上，大模型倾向于高估最常见的情况，却显著低估少数群体和长尾分布。“模型学到的是概率分布中的最大似然点，但可能低估甚至忽略长尾中的知识，”王梦迪说。
她认为，这也解释了为什么大模型在数学和编程领域进步迅速，却在物理、化学、生物等基础科学领域尚未产生同等规模的原创发现。差异在于，数学和编程有相对明确的“验证器”：代码可通过编译器和单元测试验证，数学可用Lean等形式化证明系统。模型可以不断尝试、获得反馈、修正答案，再进入下一轮训练。但真实科研的验证要困难得多。
为什么重要
这一判断触及当前AI行业的一个核心议题：大模型的能力边界究竟在哪里。过去几年，行业普遍相信“更多数据、更大参数”会持续推动能力跃升，但王梦迪的观点提示，在科学发现这类任务上，瓶颈可能不在模型内部，而在外部验证环境。科研往往涉及复杂实验设备、人工判断和跨团队协作，许多实验无法稳定复现。信息更多，并不意味着真正有效的新信息在增加，反而可能降低研究过程中的“信噪比”。
这为AI在科研领域的商业化路径提供了另一种思路：与其继续堆算力、扩参数，不如投资可验证的实验基础设施。王梦迪团队正在尝试构建这样的设施——在量子材料研究中建立自动化实验平台，将原本需要研究人员数月完成的石墨烯实验流程自动化，并把实验设备和能力封装成API，供其他研究机构调用和复现。同时，他们还在探索面向研究实验室的智能操作系统LabOS，让多模态AI通过智能眼镜感知实验环境、辅助研究人员操作，并进一步连接软件、AI模型、机器人和真实实验设备。
对用户/开发者/创作者的影响
对开发者而言，这意味着单纯依赖大模型API做“科学发现类”应用，短期内可能难以达到预期效果。如果产品涉及科研辅助、实验设计或数据分析，需要把验证环节纳入系统设计，而不是只依赖模型输出。对科研机构和实验室来说，自动化实验平台和LabOS这类基础设施值得关注，它们可能改变实验数据的采集、复现和共享方式。对内容创作者和普通用户，这一讨论也有参考价值：AI生成的“标准答案”往往偏向主流和常见情况，在涉及少数群体、边缘案例或长尾知识时，需要保持审慎。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
目前公开信息显示，王梦迪团队的自动化实验平台和LabOS仍处于探索阶段。后续可观察三个方向：一是这类实验基础设施是否会开源或开放API，降低其他研究机构的接入门槛；二是是否有更多AI公司或科研机构跟进“可验证科研环境”这一路线；三是大模型在长尾分布上的偏差问题，是否会出现针对性的训练方法或评估基准。这些进展将决定AI是继续停留在“知识助手”角色，还是真正向“科学发现者”靠近。
来源：AIbase
