AI为何尚未真正发现新科学？普林斯顿王梦迪：答案或许不在模型中
近年来，AI在蛋白质结构预测、材料筛选等领域取得了令人瞩目的突破，但一个根本性问题始终悬而未决：为什么AI尚未像牛顿力学、相对论或量子力学那样，**独立发现一项全新的科学原理**？普林斯顿大学运筹学与金融工程系教授王梦迪在接受专访时指出，问题的关键或许并不在于模型架构或算力本身，而在于我们向AI提问的方式以及科学发现的本质。
当前AI的“科学发现”是模式匹配，而非因果推理
王梦迪认为，目前最强大的大语言模型和深度学习系统本质上仍是“超级模式识别器”。AI在AlphaFold中预测蛋白质结构，本质上是在海量已知结构数据中寻找统计关联；在材料科学中推荐新化合物，也是基于已知属性的插值。然而，真正的科学发现——如爱因斯坦从对称性推导出质能方程——需要**因果推断、概念抽象与反事实推理**。AI缺乏对“为什么”的追问能力，无法主动构建一个超出训练数据分布的全新理论框架。
答案不在模型中，而在“问题”与“验证”中
“我们总是把模型做得更大、数据喂得更多，却很少反思：我们给AI设定的科学发现任务本身是否合理？”王梦迪强调。传统科学发现过程包含三个关键环节：**提出好问题、设计实验、证伪假设**。当前AI的输入通常是一个明确的监督学习目标（如预测结合能），这相当于科学家已经完成了“问题定义”和“目标设定”。真正的未知科学往往源于对现有范式的颠覆，而AI被训练去拟合现有范式，自然难以跳出框架。
此外，科学发现需要**可解释性与人类可理解的逻辑链**。即使一个黑盒模型能输出一个与实验结果完美匹配的公式，我们无法判断它是偶然巧合还是真正的物理定律。王梦迪团队的研究表明，当模型在稀疏且噪声真实的数据上训练时，其“发现”的规律甚至不如简单的线性回归稳健。这提示我们，与其追求更复杂的模型，不如设计能够**主动提出假设、设计实验并接受反例**的AI系统。
未来方向：从“预测”到“质疑”
王梦迪认为，AI若要真正实现科学发现，必须引入**元认知能力**——即让AI学会评估自己的知识边界，主动寻找与现有模型矛盾的数据，并生成可证伪的替代假设。这一方向已在“辅助科学家”的路径上初见成效，例如AI帮助人类在海量文献中识别反常现象，但距离自主发现仍有距离。
“我们总期待下一个‘爱因斯坦模型’，但或许更需要的是让AI学会像科学家一样思考——不是更快的计算，而是更勇敢地质疑。”王梦迪说。当AI不再满足于拟合数据，而是追问“如果数据错了呢？”时，新一轮的科学革命才可能真正到来。
