问小创
告诉我你的需求，我帮你从站内挑最合适的 AI 工具。
2026年9月10日举办的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公开指出，当前大模型虽已掌握海量人类知识，但因更倾向输出概率最高的答案、忽略概率分布长尾内容，仍难以实现自主科学发现。目前其团队正与该校社会学教授谢宇合作，探索破局路径。
在2026外滩大会的主论坛现场，王梦迪抛出的“AI何时能自主发现新科学”问题，迅速成为AI圈与科研圈共同讨论的焦点。在此之前，大模型在数学推理、代码生成等领域的快速迭代，已经让不少公众产生了AI即将替代科学家的想象，但其在真正的原创性研究场景中的表现，却始终不及预期。
王梦迪团队近期与谢宇合作，用ChatGPT、Claude等主流大模型开展“模拟人生”实验，要求模型模拟一名1930年出生的英国人，自主生成完整人生轨迹。最终的实验数据显示，在结婚年龄、职业选择、性别认知等多个维度，大模型都明显高估了社会普遍情况的发生概率，却大幅低估了少数群体、小众选择的占比。
大模型的生成逻辑本质是对训练数据概率分布的拟合，天然倾向输出“最大似然”的最常见答案，对于分布尾部的小众知识往往会低估甚至直接忽略。 王梦迪在演讲中表示，这一特性是当前大模型的底层特性，并非靠参数规模提升、训练数据扩容就能轻易解决。
正是这种对长尾内容的忽视，直接导致大模型难以实现真正的原创科学发现。在王梦迪看来，人类科技史上绝大多数突破性研究，都不属于当时认知体系里的“常见答案”：无论是相对论的提出、新型超导材料的发现，还是新的疾病治疗路径的验证，核心突破往往都藏在大众认知的概率分布长尾之中。
这也解释了为什么大模型在数学推理、代码生成等领域进展远超预期——这类场景的正确答案本身就处在已有知识的概率分布高频区，规则明确、答案收敛，恰好契合大模型的生成逻辑，而需要探索未知的基础研究场景，对大模型的能力要求则完全不同。王梦迪也特别强调，很多业内人士期待靠扩大模型参数规模破解科学发现难题，本质是找错了方向——问题的核心并不在模型本身的大小，而在于如何优化大模型对长尾可能性的捕捉能力。
为了破解这一难题，王梦迪团队选择了跨学科合作的路径，搭档谢宇教授是普林斯顿大学知名社会学学者，长期深耕统计分布、人口抽样等领域研究，对长尾数据的捕捉和分析有成熟的研究框架。
目前双方的合作还处于早期实验阶段，“模拟人生”系列实验的核心目的是量化大模型对长尾分布的低估程度，后续团队将尝试把社会学领域的长尾分布研究方法引入大模型的训练和推理优化，目标是让大模型能够在兼顾答案准确性的同时，保留对小众可能性的探索能力。
在业内看来，这一研究方向的突破，不仅会拓宽大模型的应用边界，更有可能重构基础科学的研究范式，让AI真正成为科学家探索未知的核心助手。
本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。
滇公网安备 53252802528133号