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大量人类知识，但在真正的科学发现上仍存在明显局限——大模型更擅长找到“最可能”的答案，而真正的新发现往往藏在概率分布的长尾里。
王梦迪团队近期与普林斯顿大学社会学教授谢宇合作，用ChatGPT、Claude等大模型进行“模拟人生”实验，例如让模型模拟一个1930年出生的英国人自主生成此后的人生轨迹。实验发现，在结婚年龄、职业、性别等多个问题上，大模型倾向于高估最常见的情况，却明显低估少数情况和长尾分布。王梦迪认为，这解释了为何大模型在数学、编程等领域进展迅速，却尚未在物理、化学、生物等基础科学领域产生同等规模的原创发现。
区别在于，数学和编程拥有相对明确的“验证器”：编程可通过编译器和单元测试验证结果，数学可借助Lean等形式化证明系统验证，模型能不断尝试、获得反馈、修正答案。但在现实科学研究中，验证远没有这么容易。“Ideas are cheap。你要给我看代码，或者给我看实验。”王梦迪表示，科研往往涉及复杂实验设备、人的判断以及跨团队协作，很多实验甚至无法稳定复现，信息越来越多并不意味着有效新信息同步增加，反而可能降低科研过程中的“信噪比”。
在她看来，AI走向自主科学发现的关键，并不是让模型再多知道一些，而是让现实世界变得越来越可验证。王梦迪团队正在尝试建立这样的基础设施：在量子材料研究中搭建自动化实验平台，将原本需要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供其他科研机构调用和复现；同时探索面向科研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、辅助科研人员操作，并连接软件、AI模型、机器人和真实实验设备。
王梦迪认为，真正决定AI能否成为“发现者”的，不只是模型有多大，而在于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、反复复现，AI才可能真正把训练中学到的“似然性”，转化为对“可能性”的探索。