据雷峰网报道，9月10日，普林斯顿大学人工智能创新中心主任王梦迪在2026 Inclusion·外滩大会主论坛上表示，AI距离自主发现新科学仍有距离，而决定它能否成为“发现者”的关键，不是模型有多大，而是现实世界能否变得越来越可验证。

王梦迪认为，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存在明显局限：模型更擅长找到“最可能”的答案，而新的发现往往藏在概率分布的长尾里。

她所在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，明显低估少数情况和长尾分布。“大模型会学到一个概率分布里最大似然的那一点，但对于长尾的知识可能会低估、甚至忽略。”王梦迪说。

她据此解释，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，数学可以借助Lean等形式化证明系统验证，模型能够不断尝试、获得反馈、修正答案，再进入下一轮训练。而现实科学研究中的验证要困难得多。“Ideas are cheap。你要给我看代码，或者给我看实验。”王梦迪说。科研往往涉及复杂的实验设备、人的判断和跨团队协作，很多实验甚至无法稳定复现；信息越来越多，并不意味着有效的新信息同步增加，反而可能降低科研过程中的信噪比。

王梦迪团队正在尝试建立支撑验证的基础设施。在量子材料研究中，他们搭建自动化实验平台，把原本需要科研人员数月完成的石墨烯实验流程自动化，并将实验设备和能力封装成API，供其他科研机构调用和复现。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，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，主题为“共创AI新经济”。