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围绕AI与科学发现的关系展开深入探讨。她指出，尽管当前大模型已积累海量人类知识，但在推动科学突破方面仍面临显著瓶颈——模型更倾向于输出"最可能"的答案，而真正的创新往往隐藏在概率分布的边缘区域。
这位14岁考入清华、29岁成为普林斯顿最年轻终身教授的学者，通过跨学科实验揭示了这一现象。其团队与社会学教授谢宇合作开展的"模拟人生"实验显示，当要求大模型预测1930年出生英国人的人生轨迹时，模型在婚姻年龄、职业选择等常规问题上表现精准，却严重低估了早婚、跨行业转型等少数情况的发生概率。"这种对主流路径的过度偏好，本质上源于训练数据中长尾信息的缺失。"王梦迪解释道。
这种特性直接影响了AI在不同领域的创新表现。在数学证明和代码编写领域，编译器、单元测试和形式化验证系统构成了实时反馈机制，使模型能够通过"试错-修正"循环持续优化。但在物理、化学等实验科学中，复杂设备操作、不可控变量和团队协作等因素，导致验证过程充满不确定性。"科研不是简单的逻辑推导，真实世界的'信噪比'远高于数字世界。"她强调。
为突破这一困境，王梦迪团队正在构建新型科研基础设施。在量子材料实验室，他们开发的自动化平台将石墨烯制备流程从数月压缩至数周，并通过API接口实现实验协议的标准化共享。更引人注目的是正在研发的LabOS智能操作系统——科研人员佩戴的智能眼镜可实时捕捉实验数据，AI助手既能指导设备操作，又能协调机器人完成高危或精密任务，所有过程数据均被结构化记录用于追溯分析。
"关键不在于模型规模，而在于建立连接假设与验证的闭环系统。"王梦迪以材料发现为例说明，当实验流程可重复、数据可追溯时，AI就能将训练中习得的"可能性判断"转化为真正的探索能力。这种转变或将重新定义人工智能在科研领域的角色——从辅助工具进化为共同探索者。
