普林斯顿大学教授王梦迪：大模型在数学和编程上的成功目前还无法延伸至科学发现（科学网）

📅 2026-09-10 | 🏷️ 国内生态 | ⭐ Google News 中文（科学网）
🔗 原文：https://news.google.com/rss/articles/CBMiZEFVX3lxTE50RG42Y2ZwZVRVSFROVlZMaWxFeks0VTlMZm5zRERCa0FxLXVBWTVYMlFDVFl4NVVLT0JIUjRpSC11WWZtemRLSGdWSl9LX1g4Y2dVMndiaFAtcTRRZzZHd1B0Y3A?oc=5

是什么

据科学网报道，普林斯顿大学教授王梦迪在公开活动中给出判断：大模型在数学和编程上的成功，目前还无法延伸至科学发现。这一表述直接回应了当下「AI for Science」的高热预期——AI 能解题、能写代码，是否就意味着它很快能做出真正的科学发现？答案在王梦迪看来还是否定的。

🔍 小白解读

先说几个词

• AI for Science：用 AI 加速科学研究的方向，比如预测蛋白质结构、设计新材料、辅助实验设计。
• 可验证奖励：数学证明对不对、代码跑不跑得通，机器自己就能判卷——这正是大模型强化学习最擅长的环境。
• 科学发现：提出前人不知道的假说，并设计实验、拿到数据、经受同行检验的完整闭环，判卷周期以月和年计。
• 外推：在一个领域有效的方法，直接搬到另一个领域继续有效。「能解题」不自动等于「能发现新知识」，中间隔着外推这道坎。

这篇到底在说什么

打个比方：AI 现在是个刷题超级学霸——数学题和编程题都有标准答案，刷得又快又准。但「科学发现」不是刷题，而是自己出题：在大自然这座没有答案之书的考场里，先猜出对的问题，再设计实验拿证据，最后等全世界检验。王梦迪教授的观点（据科学网报道）点破了这层窗户纸：刷题能力的成功，不能直接外推到出题能力。有意思的是，同一天的 Hacker News 上，「AI 数学突破引发争议」正是热帖（science.org 报道，220 分/230 评论，数学家要求 OpenAI 证明没有使用他们的成果）——AI 产出的验证问题，恰恰是这两个故事共同的焦虑带。

这跟普通人有什么关系

如果你听到「AI 马上能自主做出诺贝尔奖级发现」的宣传，可以多一分冷静：现阶段 AI 在科研里的角色是强力助手（查文献、跑模拟、处理数据），而非独立科学家。

为什么值得架构师关注

1. 技术路线的清醒剂：国内 AI for Science 项目密集立项，此观点提醒评估时把「可验证性」作为第一筛选项——有自动判卷信号的子问题优先，开放发现类目标降权。
2. 投入产出的时间差：数学/编程域的成功依赖即时奖励闭环，科学发现的验证周期长、数据贵，两者的工程化路径完全不同，预算节奏应分开设计。
3. 人才与团队结构：这类判断影响「算法团队 vs 领域科学家」的配比——在可验证性缺口补齐前，领域专家的权重不应被模型能力宣传稀释。

核心内容

• 王梦迪观点：大模型在数学和编程上的成功，目前无法延伸至科学发现（缓存数据：科学网标题，2026-09-10 报道）。
• 同日 HN 热帖「AI 数学突破引发争议」220 分/230 评论，反映 AI 科研产出的验证争议正在升温（缓存数据：hn.json，science.org 报道）。
• 报道全文细节以科学网原文为准，缓存未包含更多引语。

行动建议

对科研信息化/AI for Science 方向团队：把本观点作为立项评审的反方清单，检验项目是否具备「快速可验证」的子闭环；对技术战略制定者：在 3-5 年规划中区分「AI 辅助科研」（近期可落地）与「AI 自主发现」（保持跟踪、暂不押注）。其他读者了解即可。