在2026Inclusion·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抛出一个引人深思的问题：人工智能距离自主发现科学新知还有多远？她指出，尽管当前大型语言模型已积累海量人类知识，但在科学突破性发现方面仍存在显著短板——模型更擅长生成符合主流预期的答案，却难以捕捉概率分布中那些具有潜在颠覆性的长尾现象。
王梦迪团队与普林斯顿社会学教授谢宇合作开展的"虚拟人生"实验揭示了这一局限。研究通过让ChatGPT等模型模拟1930年代英国人的完整人生轨迹发现，模型在预测婚姻年龄、职业选择等常规事件时表现良好，但面对跨性别经历、非典型职业路径等少数情况时，预测准确率显著下降。这种偏差源于模型训练机制对最大似然估计的过度依赖，导致对异常值的系统性低估。
这种特性在科学领域造成明显分化。在数学和编程领域，AI已展现出强大创造力，部分原因在于这些领域存在明确的验证机制：代码可通过编译器检查，数学命题能借助形式化证明系统验证。这种即时反馈循环使模型能够持续优化。但在物理、化学等实验科学中，验证过程涉及精密仪器操作、跨学科协作和不可控变量，使得模型生成的假设难以快速验证。
"科研不是空想竞赛，"王梦迪强调，"需要可复现的实验证据。"她指出当前科研生态面临信息过载与有效知识稀缺的矛盾，海量文献反而可能干扰核心发现。以量子材料研究为例，传统石墨烯实验需要科研人员数月调试设备，不同实验室的复现率不足40%，这种现状严重制约了AI的介入深度。
针对这些挑战，王梦迪团队正在构建新型科研基础设施。在量子材料领域，他们开发的自动化实验平台将石墨烯制备流程标准化为23个可编程模块，通过API接口实现设备共享与远程操控。更引人注目的是正在研发的LabOS智能操作系统，该系统整合计算机视觉、机械臂控制和知识图谱技术，使AI能通过智能眼镜实时感知实验环境，自动记录操作参数，甚至预测实验风险。在最近完成的超导材料测试中，这套系统将数据采集效率提升了15倍，同时将人为误差率控制在0.3%以下。
这位人工智能学者认为，AI突破科学发现瓶颈的关键不在于模型规模扩张，而在于构建连接假设生成与实验验证的闭环系统。"当每个实验步骤都能被精确记录、每个变量关系都可追溯、每次操作都可复现时，AI才能真正将统计意义上的'可能性'转化为科学意义上的'确定性'。"她透露，团队已与欧洲核子研究中心等机构达成合作，计划将这种模式推广至高能物理和合成生物学领域。
这场关于AI科研范式的讨论发生在上海举行的2026Inclusion·外滩大会期间。本届大会以"共创AI新经济"为主题，吸引了全球800余位学者、企业家和技术专家，重点探讨人工智能在气候变化、医疗健康和智能制造等领域的产业化路径。与会者普遍认为，随着验证基础设施的完善，AI有望从科研辅助工具转变为真正的知识创造者。
