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然存在明显局限：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，自主生成自己此后的人生轨迹。
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。
她认为，这也解释了为什么大模型在数学、Coding 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 Coding 拥有相对明确的 " 验证器 "。Coding 可以通过编译器和 Unit Test 验证结果，数学则可以借助 Lean 等形式化证明系统进行验证。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。科学研究往往涉及复杂的实验设备、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，并不意味着真正有效的新信息同步增加，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一个基础设施。在量子材料研究中，他们搭建了自动化实验平台，将原本需要科研人员数月完成的石墨烯实验流程进行自动化，并将实验设备和能力封装成 API，让其他科研机构能够调用和复现实验；同时，他们还在探索面向科研实验室的智能操作系统 LabOS，让多模态 AI 能够通过智能眼镜感知实验环境、辅助科研人员操作，并进一步连接软件、AI 模型、机器人和真实实验设备。
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。
2026 Inclusion · 外滩大会于 9 月 9 日至 12 日在上海举行，大会以 " 共创 AI 新经济 " 为主题，探讨 AI 如何推动更可持续的经济增长和更广泛的社会价值。
