核心观点 - 当前大模型擅长学习概率分布中的“最大似然”点，但低估或忽略长尾知识，这限制了其在基础科学领域的自主发现能力 [12][13][17] - 实现AI自主科学发现的关键在于构建连接假设、验证、追溯和重复的基础设施，使物理世界实验过程可系统记录、持续验证和反复复现 [5][25] 大模型在科学发现中的局限性 - 大模型在模拟人生实验中，高估最常见情况（如结婚年龄集中在24岁），低估长尾分布 [12] - 大模型在预训练、Mid-training和强化学习后，仍倾向于集中在概率分布中心，低估长尾效应 [15] - 自2022年至2025年，Google等公司每年推出宣称颠覆科学的AI Co-Scientist，但大模型在生物、化学、物理等基础实验学科尚未带来新发现 [16] - 在基础学科前沿，新发现相当于在宇宙中找到未观测过的“星星”，但大模型学到的是概率分布的Mode，会忽略长尾，而人类创新往往发生在长尾上 [17] 数学与编程领域的优势 - 数学和Coding拥有相对明确的“验证器”，Coding可通过编译器和Unit Test验证，数学可借助Lean等形式化证明系统 [3][18] - 存在验证器时，大模型可不断尝试、获得反馈、修正答案，再进入下一轮训练 [3] - 在数学和编程领域，大模型可通过验证器左右互搏，不断提高能力 [19] 科学发现的验证瓶颈 - 科学研究涉及复杂实验设备、人的判断及跨团队协作，许多实验无法稳定复现 [5] - 信息越来越多，但真正有效的新信息未同步增加，反而降低科研过程中的“信噪比” [5][18] - 70%的科学实验无法重现，其中50%的实验结果连做实验的科学家本人也无法重现 [20] - 科学发现过程涉及复杂人的判断、实验器材和跨空间合作，每一步都有不确定性，叠加后变成“摇骰子”过程 [22] - 在编程和数学领域，每一步计算和推导都可重现、有Checkpoint、可回溯，但在前沿物理世界探索中没有这样的验证 [22] 基础设施构建与解决方案 - 王梦迪团队在量子材料研究中搭建自动化实验平台，将原本需数月完成的石墨烯实验流程自动化 [5][23] - 实验设备和能力被封装成API，其他科研机构可调用和复现实验 [5][23] - 团队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 [5][24] - LabOS可连接软件、AI模型、机器人和真实实验设备 [5] - 自动化实验平台覆盖从前期设计、参数、Hypothesis和预测，到实际操作、Quality Control、观察显微镜，形成Loop Engineering [23] - 实验流程已变成API，软件、AI和硬件Kit已开源，其他科研机构可复用并搭建新探索性实验 [23] - LabOS引入多模态大模型，通过智能眼镜与科学家交互，让实验员看到的每个细节和操作都可在AI指导下完成 [24] - 使用LabOS后，第一年本科实习生可达到拥有十几年经验的科学家的精确科学流程和科研水平 [24] - 系统可在数字世界写代码、训练专属模型并迭代，同时在物理世界与多人及多种型号机器人交互 [24] 从“似然性”到“可能性”的跨越 - 大模型的训练方法学到的是“似然性”，但Discovery需要找到概率之外的“可能性” [25] - 弥合从“似然性”到“可能性”的Gap，需要基础设施级别的探索和投入 [26] - 需要闭环系统连接开源、闭源及私域模型，同时连接物理实验室、Clean Room、化学实验室、生物实验室乃至半导体车间 [25] - 当数字世界能将物理世界所有研究、探索和纠结全部闭环时，AI才可能真正发挥作用 [25]