前DeepMind曹原创办Unreasonable Labs 押注符号主义攻克AI科研瓶颈

前DeepMind曹原创办Unreasonable Labs，押注符号主义攻克AI科研瓶颈 大语言模型因缺乏溯因推理能力无法凭空抽象出新概念，必须引入符号主义与形式化验证才能突破科学发现的最后一英里。 对话拆解了 AI for Science、AI for AI 与递归自我提升（RSI）的关系，分析了生物医药、材料科学和半导体等领域在落地中的数据与验证瓶颈。曹原指出，当前大模型主要在既有表征空间内进行搜索与组合，缺乏抽象出全新科学概念与“溯因推理”的能力；只有将连接主义（大模型）与符号主义（形式化证明等）相结合，并打通硬件自动化实验闭环，才能跨越 AGI 的“最后一英里”。此外，内容还对比了谷歌、OpenAI 和 Anthropic 的科学路线图，并从西方哲学认知论的角度审视了 AI 知识创造的本质。 Jeff Dean等高管离职创办Discovery Loop，标志着硅谷AI竞赛全面转向由AI驱动科学研究（AI for Science）。 (0:00) 谷歌内部因Gemini大模型集中资源与商业化压力带来组织调整，但其拥有算力、数据与分发的全栈优势，高层变动不代表大厂衰落。 (5:00) 清晰区分三概念：AI for Science是用AI研究自然科学，AI for AI是用模型优化AI自身，RSI（递归自我提升）则是通过闭环实现自我迭代的方法论。 (15:00) 生物医药、材料科学和半导体是AI for Science最热门的方向，其落地难易度取决于数据标准化、计算建模难度以及真实世界的实验验证周期。 (20:00) 科学研究流程中，人类科学家的“科学品味”与初始问题定义不可替代；物理世界的验证瓶颈需要靠自动化实验室和提升AI实验智能来突破。 (25:00)

前 Google DeepMind 资深研究科学家、Unreasonable Labs AI 联合创始人曹原认为，硅谷 AI 竞争正向科学研究（AI for Science）深度转移，但这波浪潮的本质不仅是垂类工具落地，更是作为检验与驱动通用人工智能（AGI）核心推理能力的终极试验场。 高管出走与巨头角力的底层逻辑 (0:00) 2026年8月，谷歌核心人物 Jeff Dean 携团队离职创立 Discovery Loop，专注生命科学与科研自动化；与此同时，AlphaFold 核心贡献者 John Jumper 转投 Anthropic，OpenAI 与 Anthropic 也相继展示其模型在数学难题推导上的重大突破。曹原指出，Jeff Dean 等人的出走是技术演进到特定阶段的自然选择，并非意味着科技巨头的衰落。谷歌自推进 Gemini 项目以来打破了原先各团队自由探索的平衡，面临组织架构整合与编程 Agent 等商业化交付的短期压力，而顶级科学家更倾向于回归极客式的自由探索。 概念厘清与垂类落地的现实分化 (15:00) 曹原梳理了科研智能化的关键概念：AI for Science 是让模型作为科研人员攻克自然科学问题；AI for AI 则是利用模型自发优化算法与训练架构；递归自我提升（RSI）则是一种提出假设、执行、反馈并自我迭代的方法论闭环。科学领域的落地节奏取决于市场规模、数据标准化程度、实验验证周期与建模的可计算性。生物医药因高成本、高回报诉求及流程标准化而成为资本焦点，但仍受制于长周期的临床验证；材料科学受阻于高度碎片化的应用链条；纯信息维度的数学与代码则因极低的验证成本推进最快。 实验闭环难点与软硬件破解路径 (30:00) 在标准科研工作流中，通用大模型通常扮演“实验室主管（Orchestrator）”负责工作流调度，而 AlphaFold 或 GnoME 等专用模型则充当“专家工具”。然而，当前科研闭环的最大瓶颈在于物理世界验证的高昂成本与缓慢反馈。为了平衡“已知高分方案的利用（Exploitation）”与“高不确定性路径的探索（Exploration）”，行业正从两端突破：硬件端依托伯克利国家实验室 A-Lab 等自动化云端实验室（AutoLab）通过机械臂加速实验；软件端则致力于提高 AI 的“实验智能”，精简无效验证次数以削减闭环成本。 认知局限：连接主义与符号主义的结合 (50:00) 曹原指出，当前大语言模型本质上是对文本数据分布的深度拟合，缺乏稳健的因果推断能力，且只能在已有表征空间中重新排列组合，无法像人类那样通过“溯因推理（Abductive Reasoning）”凭空抽象出全新的理论概念。为此，行业正尝试将连接主义与符号主义深度结合：由神经网络提供直觉式生成，再由 Lean 语言等形式化验证系统进行刚性逻辑编译与机器检查。曹原将这一融合映射为哲学认知论，大模型对应经验派的经验材料输入，符号系统对应唯理论的先验结构，二者结合正如康德哲学，而 Agent 的交互迭代则呼应了黑格尔的持续学习。 概念抽象难题与商业化长期主义 (80:00) 真正的科学巅峰不在于已有定义下的逻辑推导，而在于发明与抽象出全新的数学或科学概念，曹原视其为通往 AGI 的“最后一英里”，甚至可能超出图灵机的等价计算范畴。就商业前景而言，AI for Science 呈现出显著的分层状态：靶点筛选等垂类应用已具备商业化变现路径，但若要让 AI 独立主导并摘得诺贝尔奖级别的科学发现，仍需解决因果推理、长期记忆与持续学习等底层技术，曹原预计这至少需要二三十年甚至更长的时间跨度。 AI 作为能够无缝赋能各行业的元技术，其在极端严苛的硬核科学难题中所锤炼的泛化推理能力，将反哺整个人类经济社会的运作效率；而在科研闭环逐步成型的未来，人类的核心价值将不可避免地面临重新定义——究竟是退守为问题的提出与概念定义，还是掌握终极的价值判断与伦理审判权。

[5:00] 曹原: 像 Sanjay 和 Jeff Dean，他们经常在一起 peer coding…… Jeff 是非常 hands-on 的。所以他们出来做自己想做的事，是一个非常顺理成章的组合。 [30:00] 曹原: GPT 可以作为一个大的‘实验室主管’来告诉你该做什么；而像 AlphaFold、GnoME 这种领域模型，它就是一个专家工具。 [105:00] 曹原: 科学不只是应该是一个 AI 人用，而是它应该能够促使 AI 本身发展更好的一个刺激或者一个催化剂。 [107:25] 陈倩: 在不久的未来，AI 一定会在各个科学的领域上去帮助人类……而那个时候我们必须要更清楚人类的价值在哪里，是定义、是验证、是应用，还是拥有最终的审判权。

[0:00] 8月第一周,谷歌灵魂人物Jeff Dean宣布离职,带着其他几位高管出走成立Discovery Loop公司,致力于加速生命科学及其他行业的研究进程。在硅谷,这标志着AI科技的赛道开始爆发。科学和技术怎么用AI自动去推动就是太常的topic不仅是对一个组织对一个公司对一个社会对一个国家而是这个为发展最终使用科学和技术来推动的就在众多数学家物理学家生物学家加入OpenAI和Androbic等顶尖AI时间时之际AI正在改变人类研发科学的范式OpenAI宣布模型Astra推导出了10道人类长期悬而未决的数学难题Androbic未发布科研版Clot将黎曼猜想的相关零点下界从41.6%推进到了67.2%同时AI在生物制药材料物理等领域都在迅速将科学企业快速推进而AI自信化形成研发闭环是科研加速的核心但在这中间人的角色首选尴尬看能不能达到一个模型到实验的闭环也就是我们说的这个loop现在对于AFSense肯定是verification它是一个瓶颈它一旦这个瓶颈被打破了你就可以很快地迭代数学从一个证明稀缺的时代然后已经进入到了一个证明过剩的时代人类不能理解的发现是没有意义的吗它只能有部分意义不是结果正确就一定正确你需要去理解然后去听探如果这个AI我们承认并且接受它是一个黑核并且心安理得的去接受它产生的结果的话不造成很多困难干净出伤过程我认为是可能是HCI的最后的last month你要想拿诺贝尔奖的话很长时间了很长时间是多久我觉得至少得二三十年你觉得符号主义能够解决这件事情吗我们就希望在外面一套机器能够帮助它产生一些新的不一样的想法Hello 大家好 欢迎收看硅谷101 我是陈倩这期视频播客我们来聊聊AI for Science那加入我们的嘉宾是谷歌DeepMind的前资深研究科学家曹元我们这期从AI科学自精化的方法论聊到AI数学和AI物理的应用到了最后呢甚至还聊到了一些哲学问题和人类的意义挺有意思的也欢迎大家在评论区和我们讨论那以下就是我和曹元的视频播客曹元非常欢迎你来做客归归羊了羊要不要跟我们的观众介绍一下你自己大家好我叫曹元我原来是顾迪曼的科学家然后我也是AI一个startup叫UnreesomeLabs AI的co-founder我们的startup主要是做F knowledge creation以及AI for science和R&D的一些研究。我们今天录制的这个时间特别巧,因为就在昨天谷歌的Jeff Dean宣布说他要带领一对的科技高管出来,然后自己做一个公司叫做Discovery Loop。他们其实也是想做一些AI for science之类的这样的一个事情。可能是一个新的AI for Science的一个科学研究的时代可以这样理解吗我觉得这个事情应该从几个方面去解读第一个就是说Google里面很多人才,DMind很多人才,然后有很多团队,在过去可能几年前,每个团队可能各自关注一些特题,互相不是特别干涉。但是从三四年前JVNI这个项目开始之后JVNI毕竟是一个最大的一个项目很重要的项目这种项目需要集中压班达士对吧那么从那时候开始这个对于整个组织人员组织和项目的管理带来很大的一些挑战所以不可避免内部会有一些冲突然后第二个背景是说我相信大家也可以看到在过去的半年左右前面来的表现可以说不尽如人意可能今年年初的时候你说前面3.1 Pro可能还算在这个Pump上还可以算是比较好的一个Lenguage Model但是过去三四个月大家可以看到不管是Enthropic还是OpenAI包括中国很多开源公司他们的模型的能力在突分能进但是相比来说节目内整个3.5 Flash以及最新36 Flash表现来说应该是比较平平的而且大家都非常期待这个3.X的Pro目前还没有正式的发布总的来说就是节目内这个进度非常落后那么在这种情况下在商业模式上去追赶比如说像Anthorpic他们以coding agent为主的这么一个新兴的能力要把商业的模式转向那个方向的话其实还是有很大困难的第三个就是Jifteen和Oreal、Sanji和Quark他们做Discover Group这个topic 本身其实就是能够让AI去自己去做知识开发知识的发现以及做自动科研这其实跟我们的startup当时想做的方向是非常一致的那我就是说这个其实是有一定的逻辑上的这个非常顺理成长的一个延展性的因为AI发展楼限这个阶段在过去的两三年带来mask coding这些东西对吧这是但可能说是过去两年最关注的关于这个AI智能 [5:00] 能力的一些体现能够写代码能够解决一些奥林匹克数学问题那么自然可以想象就是说等到这些问题解决之后下一个能够让AI他的智能得到一个爆发的能够产生巨大效益的或者是产生一些帮人类解决更大问题的这个话题是什么那很想就是能够把数学和代码这些能力推广到更广泛的科学知识发现的这个能力上面所以在这个从今天开始大家可以看到有很多课程读解构、AI for science然后Recursive ImprovementSelf Improvement这样的一些startup那么我相信像吃Oreal、Sanjay和Quark这样一个明星团队他们出去做一个startup一定是要想做这么一个领域的一个新的标杆能够成为一个新的一个NeoLab这样的这么一个设想但是另一角度来讲的话就是所谓一个新的代开启然后Google可能是转向了或怎么样的或者是这个我认为这个言过其实因为Google它拥有所有能够把这个两只猫做好的是这个要素不是说不可能因为一两个人哪怕是这些leadership它的变动就公司做不下去了 对不对是可能这些大的科技公司里面拥有所有做好AI的要素的一个全占要素的资美公司从底层的芯片到infrastructure数据中心到工具链然后到模型层人才数据再到上面的产品的分发到整个产品上覆盖所有非常广泛消费者产品的分发渠道全都有完全不依赖于外部生态系统所以不是说Google做得好 而是说在优先级上面以及资源的投入上面需要做一些调整但我相信Google依然以后会把这个能力送上去我觉得还是很好奇因为你刚才说了Google内部也有对AI科学研究的队伍这个方向也是之前DeepMind的前CEO现在已经不是CEO了Demmage Husbands非常看重的方向甚至他们也是独立主导了Isomorphic Labs这家公司为什么Google留不住包括你还有Jeff这群科学家去做AI for Science的这件事情呢首先我想说的是在湾区在硅谷这地方人员之间就是现在目前这几个科技前的这个公司里面人员流动其实非常频繁的不光是Google但对我个人来说的话我之所以就是说能够想出来做这样的一个事情是因为我们之前是在做前面买然后我们也是一直在做模型迭代然后做post training这些东西但是我觉得我一直在去想一些关于更深层次的一些智能怎么能够把这模型做更智能对不对就如果你说这个如果你要是想实现这个AGM目标的话如果目前现在这个模型的确是可以做好这个数学和写代码这样的一些工作但是很明显有些能力还是缺失的比如说如果你真的想让他做好科学问题想让他去解决科学问题的话他的创新能力他能够提出新假设然后验证新假设然后不断自我更新这些能力还是永远没有到达就是能够帮助人们指数性增长这个科学知识的这么水平所以在这个方面为什么会有这个缺失对不对然后怎么样能够进一步改进这个模型使得他能够帮人类做出更好的一些事情我决定就是可以出来试一下对吧这是我当时想出来的这么一个动机之一对啊那杰弗丁为什么要带人离开呢那我们猜测一下我觉得杰弗丁在Google是一个传奇式人物 不光是Google 整个业界都是传奇式人物它最早期的Google一直到现在 整个Google可以说是大部分这个英特尔网级别的这么一个基础设施都是从它的一些工作开始从最早的MapReduce到Spanner到Bigtable之后创立Bring TeamTensorFlow最早的这个深度学习框架之一到Google TPU再到最后的新门来所以的确是非常传奇的一个人物然后跟他出去的这其他几个同事Aureo和Quark都是早期Google Brain的成员他们已经有共识了很长时间了那么桑杰是国家的元老师跟杰弗丁几乎基本上是在一个时间进来的然后也是跟杰弗丁就是合作很长时间的合作伙伴所以他们都是相互之间非常了解我原来在办公室上可以看到就是在杰夫丁和Sanji他们经常peer coding就是两个人在一起一起携带嘛他们也就是有一天是必须就Jeff Dean是非常hands on的hands on对两个都在携带嘛所以我现在就很非常自然就说如果他们想自己处理做一些自己的事情的话这个是很顺理身上的一个组合对吧他们非常了解而且都有非常强的具备背景就目前其实不仅是Jeff Dean离开了我们在早之前的时候看见John Jumper也就是AlphaFold的联合的发起人为此获得了诺贝尔奖的这名科学家也是加入Aphorobic为什么谷歌留不住这品科学家因为我之前以为谷歌是最重视FLS的这条道路的人之前Demis Hasbeth他其实是主导这条路线嘛所以就是最近接二连三的这个而且是核心人物的离开让我还挺惊讶的国务现在内部DMine肯定是最高的优先级是要把Gemini要做好做到所有的 [10:00] 做到跟Anthrobic跟Oponite起屏的位置起屏或者是更好所以很多的工作重心短期内的优先级必须往那个方向去转包括John Jumper 包括原来做Fsense的一些人他们的工作转型也会有变动所以在这么大一个team然后有这么大优先级的项目情况下你不可能让每一个人的都非常满意因为每个人在国际有这么多人才每个人都想做自己事情都有自己的一些想法所以能够让有这么多人才怎么能够让每个人的能力和他们的诉求得到最大的一个体现最好的安排是非常挑战的事情我认为Google其实已经在这方面做了很多优化和做了很多调整能够让他们每个人能够发挥自己的最大的潜力所以肯定在这个过程当中管理团队和科学家和工程师都在思考和不断的更新迭代这个过程在这个过程上有很多挑战但是我相信这个状况还是在变好你觉得在变好我觉得在变好怎么去评判它在变好呢我觉得就是你不能再按照原来像现在做大模型做这样东西它是非常需要快速迭代然后需要持续更新这么一个过程咕咕要做的是要隔自己的命,然后能够把这个JMiteam做的像一个setup一样然后尽快的把这个能源补上去这就是要求管理团队需要做很多的一些调整对于在人员排上在美根的这个他们所能做的这个包括整个项目的怎么安排这个是一定要有些自我革新的一些勇气我相信孤独于在意识到这一点而且会做这个事情是不是接下来有可能有一些新的新鲜的血液进来可能也会带来一些新的变化比如说我们看一下Meta对吧就是他有了Alex1进来之后现在已经是有一些改善的迹象了就是最近的Muse Park然后包括他们最新出的那些coding的模型而且反馈还挺不错的肯定会有变化实在 当然就是说 作为一个模型有几个因素 对吧 有几个要素 你人力 人才 然后数据 算力 以及我觉得大家很忽略一点就是这个项目管理 对吧 整个这个软的设置每一个项其实都会有些不同的都会有需要一些改进这是一个持续迭代更新的一个过程那么对于Meta来说MSI可能将近一年能够做到这个水平其实已经是挺不容易的但是接下去怎么能够从这个水平做到SOTA越往后做肯定是越难你越往上去挑战越难你从连分做到80分相当于说可能你是可以在一定时间赶上来的但是如果你要从80分做到100分甚至超过100分这个是有更大挑战的我觉得谷谷之前其实已经做到在这个层面上对吧 就是怎么能够在进一步往上能够做到最好的位置这是需要花很多功夫而且要卸掉很多资源然后需要有大家非常能够有效的去安排各项工作需要很快迭代才能做到这样的事情那你觉得AI for DiscoveryAI for Science还依然是谷歌会非常主重去压轴的方向吗还是会是对你看就去昨天那个前两天Sanda他发的就是这个邮件里面对吧那么Demis虽然说从CEO这个位置Demand CEO位置但是他还是主管一个AGI和这个Science的部门那Google是在所有的科技公司里面AI科技公司可以说是在Science里面是最早布局的然后布局的最广最深这个生态体系可以说最好的公司科学和技术怎么用AI自动去推动这是太重要的topic不仅是对一个组织对一个公司对一个社会甚至对一个国家人力社会发展最终是用科学和技术来推动的那现在有这么一个工具这么个聪明的一个AI的一个模型你必须要把这东西能力推上去在这个层面上是不可能说完全放手的只是短期内可能会有些priority一个优先级的调整而且我相信DEMOS虽然说它现在转转为做share但是它一定会在这上面还继续做我们的努力可不可以说DEMOS现在是退后一步是因为他不太想管商业化的事情跟产品的事情但是他还是会非常的专注在AI for Science的这一块上面我认为是就是进入一个原因之一我相信就是Demus他一直是一个比较看重长远的发展特别是在这个技术方面长远发展而且他个人的这个气质更像一个科学家不是说像一个CEO这样的主管产品或商业这些东西而且这个demand跟Brington当时合并那是因为的就是因为要尽快的能够把钱来做上去能够能够赶超GBT这样的一个努力但是在此之前你可以看之前整个Demand在伦敦当时从大概15年之前 收购到和平之前所有的都是Alpha系列都是以科学研究维除然后之后的很多效应包括很多层面上落地那都是因为有这些现区的这些科学研究的成果包括现在AFO你可说我爱上这 比如说是阿富贵风能带动很多算法的更新能够似统的算法更新然后像AlphaFold更不要说了已经难得诺贵讲了那就商业化成这个Isomorphic Labs所以我觉得Google有能力也有这个责任去进一步推动一些长远的一些科技和研究上的发展 [15:00] Denis挺是非常适合这个角色的同时我们看到其他的AI前沿的公司包括OpenAI还有Enterobic其实也是把AI for Discovery还有RSI这部分放成了他们的重点的布局方向但是在我们来聊这家三家公司之前我们要不要给大家把几个概念给数理清楚因为最近大家肯定会听到非常多的关键词是AI for ScienceAI for AI还有RSI Recursive Self-Improvement我们能不能把这三个概念给大家解释一下小小小或者是AI都是把AI这个模型当作一个研究员本身去研究科学问题或者研究AI本身自己的问题大家想想如果是像AFOAI的话对吧我这个模型就很聪明了然后我怎么能够发挥这个模型的聪明才智来改善这个模型自己本身的一些能力比如说如果你给他一个要求 你给他一个任务说 你能不能用最少的资源 最少的GPU在一定限定的预算情况下能够把这个模型训练最好 对不对当然人可以去做 但是如果能够让AI自己去做的话他可能在尝试很多新的想法 新的一些实验方面比人做的快得多他可以比如说 他看一下你目前这个模型的codebase然后他发现这个参数可以调的高一点那他会生成一个proposal生成一个建议说你先试下这个参数调高点AI因为现在它这个能力现在作为agent能力已经很强了它可以去写段代码把这个提议去实现然后自动去写代码把它放到一个沙盒里面去跑这个实验去训这个模型然后观测这个模型生成最后的这个结果他的训练结果 拿到这个结果之后作为一个反馈然后再提出下一步我发现你把这参数稍微调高一点之后摩根效果变好了那我是不是应该往这方面继续再推进下去根据这样的反馈建议部生成下一个部的建议那么一轮轮结代之后你可以看到它模型的性能在不断的一步步在提高这就是一个自我不断回归的一个过程所以就是像AFOAI这么一个比较简单的应用当然现在有人去用AFOAI有些startup在探索能不能找出跟transform不一样的一些架构因为这可能需要很多搜索很多一些新的一些想法放进来也有人在探索说AFOAI能不能找到一个不需要back propagation就是这个梯度传递的这么一个新的优化算法所以如果用AI去做这些研究问题它可以更高效的去搜索很多不同的方法是有很多方法而且整个loop都自我完成同样的就是对CF3只是换个问题就是你用AI去做些科学上的问题 整个方法差不多RSI就是RSI不是一个task,它是一个方法,就像前面说的,我能够不断自我迭代recursive self-improvement,不断用自我迭代方法去更新这个任务或者更新这个proposal以至于他能够不断自误自己的把这个任务就做得好所以这是这些干的一些差别其实AI for Science跟AI for AI都是类似的只是他们的目标不一样然后呢RSI它是一种方法它可以用在AI for AI也可以用在AI for Science上面好 这个非常的清楚了那下一个问题就是说为什么在这个时间点特别是在现在是2026年的8月份为什么在这个时间点AI for Science爆发了那我们理解呢它可能也不是一夜之间就爆发的而是之前有一个缓慢的进展的过程Fold Rosetta Fold等等一系列模型的进展那么在此时此刻哪些技术你觉得是成熟了然后让AI for Science可以在这个时间点爆发了呢前两年AI的发展最没有体现这个推定能力和智能的就是这个代码和数学这两个问题你这两个问题到位之后如果他自己AI能够很可靠的写代码之后同时你这个AI这个Agent整个Agent的所谓Harness就是他外面的这个怎么能够帮AI完成一步步完成这个工作流这么一个设置这个体系成熟之后你就可以让AI去做更复杂的一些科学问题就比如说如果你要去做跑一个生物实验你需要这个模型第一个要提出你一个假设下一个实验该跑什么实验这是模型需要它一个推理能力根据目前的时间的观测推导下一个这是第一步第二个呢如果它模型这个实验跑出结果之后你把数据收到了那我要自己要写一些代码对不对要分析这个数据是不是跟我预期的吻合就是第二步那就需要这个模型要有这个很强代码能力然后第三个就是你形成完代码之后你怎么样去自己去更新如果分析出来这个数据不管是可能数据有些异常那他需要去分析一部分去分析这个数据为什么会是异常我是不是前面这个这个提议里面有些问题不断去自我迭代这么一个过程所以这都需要你这个模型本身它的推理能力数据分析能力然后数学起来码能力以及整个agent loop就整个循环这个能力包括怎么样去manage这个记忆对吧就是你们一门 [20:00] 一次跑完之后他会有记忆因为你必须把之前的观测放到一个记忆的管理容器里面那么这些能力到位之后你才可以更好地去做上次问题因为Science面太广而且问题太复杂要比这个可能比Coding和Math更挑战一点所以现在就是一个天时地利人和该到了我们去用AI for Science的时候了那我们看到AI for Science当中有很多不同的细枝我现在看到大家讨论最多最聚焦的也还是在材料生物制药还有可能AI for Semiconductor也就是AI设计芯片这几类上面 为什么呢?哪个Science Topic它有最大的信力?是有几个因素决定对吧?就是市场的潜力、市场的规模,然后是不是适用于AI去做?它对AI去做Science研发能力的迫切在什么地方?以及它能够做得好对吧?传统上来讲Biology, Biotech,或者是Life ScienceHotoshutra Good Truck Discovery有很大市场就跟AI识别关系一直都是这样的就是哪怕在这个本来市场就是大本市场最有潜力的这是第一点然后第二点说在生物啊然后制药这方面它的相对来说整个流程比较标准化,已经比较结果化,而且数据很丰富,整个流程相对来说比较容易让AI去处理这样的流程,这是第二点。第三个就是这些比如说制药厂,特别是做一些新药的开发,周期非常长,它的成本非常高,比如说你开发新药它需要测试很多很多种HIT可能的一些新的政治结构带著我们挑出一些力的 最有可能的一些 这是第一部分之后有些比较可靠的一些一些分子结果之后你还得去进行临床实验对不对就OK了那整个而且很多监管的一些过程整个东西可能要花费好几亿美金,然后整个等到他能够最后被批准,可能这几年就过去了怎么能够用AI在这个过程当中自动化或者是能够减少这个成本这对于这些法美之这些药物厂商来说是非常有信力的一个topic所以中才说肯定是生物和药物开发是伤痛上是比较大的而且比较诱人用AI去做的做的这么一个有信仰的这么一个科学话题但是对材料来说 它也有很大的市场 材料在生活方面都会碰到但是跟药物相比的话 材料它它的市场就非常细就是你很难说不知道这个价值在什么地方就有这个你可以有金属材料有这个皮革材料有生物材料然后或者是这个用在半个制造上面一些或者稀土材料等等等等它的这个划分会非常细整个开发流程也是根据应用的不同也不太一样所以这导致就是说虽然它很大市场但是因为它的市场戏分太碎所以你可能说有一个比较标准的相对比较标准的一个方法去处理这样的问题而且即使你发明新材料你说你发现新的一个材料的结构然后一个新的一个材料分子这是第一步 你之后怎么样 比如说把这个在下游的这些生产器的环节对吧你给你用到什么地方你给材料发明出来的你用在什么地方然后给谁去制造这个材料然后最后怎么样去包装等等等等它的价值点会比较碎你很难说一下子就是用AI补出道这所谓的价值所以这就导致你说材料也是很大个市场但是它可能跟药物开发和生物相比会相当小一点那其他一些领域不管是像这个线变设计也好包括像用AI做电视设计或者是像量子计算这些东西这都是一些新兴的就是在探索阶段很多程度上在探索阶段的一些努力至于它能不能AI在多少成长帮助这东西做好我觉得现在很多公司探索不同的方向我有一个问题AI for Science它本质上解决的是什么问题呢是对现有科学的研究进行一个加速还是说去发现新的问题就是说他是提笑还是去发现?这取决于AFOsense模型他的角色这里面有几个角色第一个是Coscientist我就是帮助科学家去加速科学家的发现但我自己不一定提出新的一些方法就比如说CloudSign这个平台它其实就是workbench就是一个像编程的这么一个IDE这么一个基金环境一样的它上面有很多工具你可以去做分析然后你可以跟这个进行对话然后去给出你一些建议或怎么样的去跑去实验做一些模拟但是他整个过程中他必定这个AI模型自己去提出一些新的知识但他会加速科学家对于这个实验的一些一些涉及一些数据分析总之就是能够让你这个科学的流程整个研发流程变得更容易点 这是第一种第二种就是的确是AI可以提出一些自己的这些新的发现就比如说是像这个DMN之前的一些Alpha EvolvedAI自己发现新的算法更不要说像α4的这种能够帮助产生新的一些蛋白质的结构能够AI自助产生这个知识的这是第二类这取决于是在用在什么场合然后用在什么领域以及你这个模型它是用在某个锤里的还是说作为一个一般性的模型放在一个aging loop里面它所办的角色是不一样的那接下来我们把A4Size [25:00] 一些具体的步骤给大家拆分开来然后我们看看AI具体在里面有什么样的应用跟研究好不好包括其实如果你们要作为一个科学家你们要做research要做研究的话其实有比如说问题的定义有表证有建立预测然后还有验证做实验等等对吧然后那比如说我们从最开始开始就是问题定义这个上面来看的话你觉得AI在中间扮演的一个角色是什么样子我觉得问题定义必须是人来定义的我认为是AI目前他还说不到自己有这个品位去找出合适的问题然后定一个合适的问题自己去做研发这个我觉得目前是比较难的问题的定制所以为什么人类科学家还是要在这个它是不可取代的它必须能够给出一个问题对吧然后你告诉你要解决什么问题,然后哪些问题是重要的,这个是需要人来给定的。但是可能AI可以通过你给他一个初始的问题,一些初始的提示,他可能可以通过搜索一些文档。帮你做些分析帮你改善这个问题的怎么样去结构化这个问题这个是AI可以做的但是它主要是一个辅助性的作用在这个地方但现在什么样的问题适合去让AI来研究的这个问题是人现在需要去挑选的对吧就比如说什么样的问题适合AI去研究呢就是任何可以计算的一些问题很容易是被验证和计算的问题这个是最适合AI去完成的说法例是您多大程度上能够很干净的去建模这个过程比如说像AlphaFold这个问题定义非常明确给定一个氨基酸序列然后给出一个三级结构这种问题它是非常结构化的非常相当说是AI可以通过计算式解决的而且另外就是说电池上面比较容易的一些问题因为在整个F3里面可能最难力还的就是怎么样去做验证因为你不像说AFOCoding或者是For Math因为AFOCoding和Math你一旦这个数学你给出证明对吧你AI给出证明那马上可以就是说判断它是不是对这是非常快的一个或者你写一个代码他对不对马上可以知道但是在对于很多客户问题你说你申请个新的这个药物你可能不到最后上市之后你真的不知道它效果会怎么样对吧 虽然是有很多模拟所以终极问题不一定是马上能够用这个A4Science这个东西很快解决但是它当中一些步骤如果说你可以通过一些模拟一些Simulation Tools 计算出它这个药物的一些特性然后它是不是稳定啊 它会不会是有些副作用的这个是比较适合用AI去做的所以就是AI能够产生的东西能够多快的去验证取决于这个AI for Science能够多快迭代对吧所以这个可验证性是非常重要的一个指标你们可不可以举些例子现在不合适或者说还没有办法用AI来解决的科学问题这个我觉得太多了 就是我觉得可能反过来讲就是哪些问题适合用就像前面说的吧对对对对适合但是比如说像那个OVNI之前用GPT5跟那个Ginco BioworksGinco Bioworks美国的是建桥的一家用基层座做实验这么一个实验室那么他们把GPT5跟这个实验室结合在一起能够完全完成一个完全自动化的这么一个做实验然后给出反馈给出这个验证这么一个过程这个过程是完全适合使用AI去做的他可以就说比如说他们当时是拿这个GP5提出一些配方就是怎么样去生成蛋白质的一些配方性蛋白质的配方因为当然很多很多解禁种配方GPT需要提出下一个配方它最可能一些配方会是应该什么样子的 能够尽量降低成本 这种问题是适合这个AISO能够大部分可能和学问的目前还不能用AI因为AI for Science跟AI for Coding和Mass就像前面说的它是很多东西你需要物理验证的但是如果你这个除了像材料啊生物啊相对来说还是有些机制可以讲去验证这个情况之外大部分很多的科学问题可能还不快得到验证的话你是没法用这个AI来解决的没有办法验证是因为人还是受制于人的一个时间对不光是人而且它的复杂度它的成本都是很大问题你说AI生成一个新的核聚变的一个装置或怎么样的你要做实验其实它的成本和代理非常高的你能够做的问题主要能够是通过数字化模拟的In-Silical就是在数字环境里面模拟的这些可以做但是你最终还是要走向物理世界要去最终要验证这东西我不说不能做而是说它的成本和收益目前很不明朗的情况下可能就是大家没有特别的东西去做但是最终的话我觉得就是这一步是逃不掉的就是你毕竟要走到Science必须突破这个信息极限走到这个物理世界因为整个宇宙最基本的几个要素就是信息物质和能量AFO Math和Coding都是在信息层面然后AFO Science它可以提出一些新的proposal一些新的一些包括模拟都只是在信息层面但是你要想做Science你必须走到这个物质层面然后你必须要做一些实验就是到试试验的环境对 实验环境所以这些就是需要很大投入而且我觉得这也是很多人在探索一些事情但是现在试试验还没有办法被赋能或者被啼效现在最啼效的还是说在前面的simulation这是目前叠在最快的一个环节但是有很多工作在能够 [30:00] 事实现其效果 一个就是说就像跟Connect Bioworks讲就是能够让机器人自动的去所谓AutoLab或者是ColorLab能够让他自动的去完成这个实验你只要这个GPT给他一个指令他可以自己去机器人做实验这是第一个机器人做实验是什么意思就是一个机器人他像一个研究员一样拿着管子对是地势管对是地势管类似这样的一些对吧就是每个操作他如果一个操作是高准的话他可以用机器人去完成这个指令对对所以有些是云端实验室云端机器人操作是API它就可以做这个实验它就是远程的一个它完全自动化完成的这个实用然后我还看到就是说如果要让AI来解决科学问题其实表征这个事情非常的重要因为有一些问题是适合把科学对象转化为合适的表征的就比如说AlphaFold里面蛋白质它常见的一个表征就是氨基酸序列还有三维结构还有图结构所以就是回到这个AlphaFold的案例上面来说这就让蛋白质结构变成了能够被机器理解的这样的一个议题有没有什么问题是很难或者是无法被表征的我觉得首先是要分清两个概念就是目前用AI做Science有两种主要来说有两种模型对吧一个是通用的模型就像那个GPT Codex这样的就是GPT上这个模型然后它去驱动整个AFSense这个推理过程然后自动自规的分析术语等等就需要很强大的一个通用模型去做第二个是锤类本身的模型就像这个AlphaFold的或者是像Genome做材料的或者是Metagen这种或者说天气气的这种这只是做某一个领域的一个模型它是做只是这个领域的专家但它其他什么都做不了你不能把这个模型放到一个通用的这么一个像这个所谓archistrator像一个实验室主管这么一个角色去驱动整个科研的这个流程那么不同的模型它对于表征的要求是不一样的你说人家通用模型的话它什么都可以表征的就像GPT或者什么呢你给它一个语言的描述它作为一个输入或者你给它一段代码或者你给它这些像JSON一个实验室数据一个格式法输入这模型它通过Pretraining和Postraining它对这些任何格式的一些多摩擦的表征它都可以去内化都可以去列这样一些表达的方式但是如果你说像AlphaFold这样的它只能它就是只能给某一个领域 所以他只能几乎接受这个氨基酸序列加上一些DNA或者加上一些附加的一些metadata生物上所以它就没法去做一些更超越这个领域之外的推理的一些能力就的确就是说这个是区分就是你这个模型能表现什么样东西能够接触什么样的一些数据那只就是你这个模型它所使的位置在整个平台上作取的位置那些GPT上可以作为一个大的宣誓主管我来告诉你该做什么然后像某个领域专门的这些模型AlphaFold也好Genome也好它就是作为一个专家你可以用这工具但是至于说哪些问题没法表征的我觉得这可能是相当于跟大家的话题这个是跟AI本身自己能力哪些问题是AI自己是没法表征的非常抽象的事情哪些东西是没法通过一个向量或者是通过一个逻辑来刻画的但凡你有办法把一个数据转换成一个字幅串某种模态的一个表示或者是一些embedding那些向量也好你只要能够把这个数据数学化或者是格式化变成一个就结构的一个输入的话这样的问题都是可以表征的但是如果你说你如果有些东西是没法测量的大脑的状态或怎么样的这个东西如果你没法测量就没法标准这我觉得是AI本身的问题并不是特别只是对于AI Sense的问题比如说我们到了表证之后就是这个机器它其实是OK我知道我要去研究这个问题了对吧那它接下来会建立一系列的预测模型还有比如说逆向设计这样的一个环节那这个环节是怎么运作的比如说就是给定一个疾病的把点然后让AI去生成可能可以结合的分子这样的一个案例这个例子是专门的一个就是某个领域成立的比如说是像这个专门做Avacava这个模型这个是你给定把点它肯定生成一个输出但是对于一些一般性的模型对吧来协调宣视主管这样的一个GPT这样的一个模型的话它就是一个通用了预测模型 你给定它任何的之前的实验记录然后一些分析的数据 已经你一个人各种要求它作为一个agent的输入作为一个生成模型它可以生成下一个实验的设置下一个proposal这样的那到了这个来讲讲实验的部分啊那AI它自己会挑选什么样的实验来做吗这是一个搜索过程就是整个A-I模型A-I模型它会提出不同的就可以说每一步采用出不同的一些方案对吧那你要有个机制来决定就是哪个方案是下一步它需要挑选的然后去做实验的那一般来说比如说这是一个搜索过程的话就是你可以把它想象这个搜索过程当做一个数根据之前数上的每一个节点都是之前或者说目前已经探索过的一个方案然后你就决定就是哪个方案是最有信任的 [35:00] 然后从这个方案再往下去去做时间往下推那这样的话就是你需要对每一个数据节点去给个分数如果说一个节点是配方1,然后另外一个节点是配方2然后这个模型发现配方1之前的根据这些实验好像是还不错这个分数可能在这方面会比较高一点但是他也不能完全说只考虑配方一因为目前时间只做到一半不能说因为根据一部分的观察就把这条线推倒挺这个方向推倒挺它需要有些Explore the question.比如说也分配给这个配方二一些概率它可以想到配方二所以每个接点它的分数它有多重要 决定下一步该做什么 都是有他这个节点当前的这个价值以及他有多大的概率还没有被探索过的就是这几个不同的分数组合起来的 所以根据最后综合的分数他可以决定去说哪个是最值得去下一步去开发的一个方案那这个定义是什么呢就是怎么让它去平衡多种的因素呢因为其实你刚才讲的我知道业界其实有两种概念一个叫exploitation也就是说选择当前看起来最好的一个后选然后还有一个叫exploration就是选择不确定但是可能会带来新发现的一个后选那我觉得人去选的话都已经挺难的了那机器怎么选呢你给他带来一个评价的体系是什么样子的人在选的时候会有知觉你会觉得是哪个方案更可能可行把这个直觉翻译成算法的话就是所谓的一个Value Function就是根据当前的状态它有多大潜力去或者是它最终会大概按照期望来说会有多大的回报这个其实跟Post Train里面是ReinforceLink的算法都是一致的总是要平衡exploitation和exploitation的两者关系我不能既不能说一直找一个目前最好的一个方法往它一直往上推对不对它可能是局部左右的但我也不能把它忽略到因为它可能的确是很好所以每一个节点它的这个价值取决于它知觉给它多少分数就它未来的这个价值可能有多少这是给它很重要的分数但是同时在搜的时候你要考虑到你目前能看到这价值外它之前那些搜过那些路径是不是已经被用了很多次了如果之前那些路径已经没有很多次的话那你就应该考虑试一下其他的采用一些其他不同路径对不对不然的话你总是往这些路径上搜所以它最后一个分数永远是一个直觉分就是相当于是一个solidized function加上有多大的就是你之前的这个路径有多大多少次已经被残过了综合一下给出一个比较靠谱的分数就是你刚才讲到那个实验嘛其实AI for Science能够压住下一阶段非常重要的一个标准就是它能不能达到一个模型到实验的闭环也就是我们说的这个loop对吧那你想想就是刚才你也讲到说如果我把机器人能够引入来做实验它整个过程就不需要人了那相当于是机器人自己提出假设然后我去做实验验证这个假设然后再从我的实验结果里面提取下一轮时间接下来要做什么更好的实验然后再继续的提出假设然后再做实验这样的话这个过程就成为了一个recursive然后不需要一个人的自我进化了这样的一个过程那这个可能是真正能够加速科学去更快的发展的这样的一个方式那么在这个过程当中你觉得怎么去建立这样的一个闭环闭环很重要对吧 这样前面说的说实话就是之所以像Coding Agent 它是所以能够可以说是目前最成功的一个商业闭环的模式就是能够产生指数性增长的在应用里面就是这个iCoding就是因为它这个因为有这个闭环就是你程序员写一个程序它马上可以验证完验证完就是告诉你这个对不对然后这个你完全不需要就是说等待或者是接触外界的一些干涉你就可以自己决定那这样的话就可以就作为一个用户你可以对这个整个Coding Agent有一种信任你可以把整个任务都交给他而且你是完全可以去验证的这么一个工程这个闭环所以是很重要的但是AI for Science里面闭环很难 因为它是适合物理世界 它需要做实验 然后你这个东西不像是说你写coding这么容易去验证 对不对总体来说在这个闭环这个环节就是说法来怎么样能够获得更快获得实验数据获得实验的验证如果理想上能够一分钟获得一次实验证的话那这个问题就解决了我可以生成无数的数据然后我就直接去训就行了我这个问题就解决了但是在大部分的物理实验环中是不太可行的所以要么就是把它这个如果在这个我觉得现在很多这个发展的就是方向就是能够把它自动的这个自动实验室如果这个实验室操作流程是比较标准的话你可以把它完全用机型来替代这个是很多美国这边的公司都在做的事情如果不是一个标准流程需要流程经常被配方或者整个操作要改变的话你就需要一个聚成智能就是需要比较通用的一个机器人帮你去做这样的事情这可能是比较久远的事情了但不管怎么自动化的实验室肯定是一个相对于说比较能看到的一个方案这是第一点那是地炎 [40:00] 他就是怎么样能够尽量减少物理实验对不对就是如果你闭环瓶颈在于物理实验的话你很难做或者是做成本高的你必须要让他实验做的越少越好而且每次做一次实验都保证它希望结果好而且这个实验的设置要对这就是在AI本身智能上面需要提高的东西如果现在AI要为了产生一个新的组合要求的一个蛋白结构我要跑十次实验我才能达到这个结构那你必须要为了先降低成本形成闭环的话你要把这个智能提高让它只跑两次实验就可以做到一次对不对所以这对于这个数据分析能力对于这个实验的历史的管理怎么样去从过去历史当中的这个失败的经验去做分析这对智能本身的要求是比较更高的所以我一直觉得说For Science它不是说把Science当作一个应用而是AI and Science就是你为了能够让AI更好解决Science问题你AI本身能力跟Science结合的能力都是要同时加强你如果AI推理能力还不够特别好然后你如果每次做的假设还是有很大的输入的话你就不可能就是说真正形成这么一个相对说比较避环的这么一个工作环境你刚才说的第一点就是AI自动实验室那个还挺有意思的因为我看到Google DeepMind它之前跟伯克利还有劳伦斯伯克利国家实验室它有个叫A-Love的合作你知道那个案例吗这可能是比较早的一个案例对在LAP他们是挺早的一个而且当时应该是用的比较早的一个模型还不是前面的但的确实就是说自动实验室这个概念也是很早去并不是说就是最近的大模型才有的 我之前看他们说那个在7天内执行了353次实验 然后获得了57个目标中的36个 这个实验室它现在还在继续的在用啊? 肯定在啊 对啊 对啊 对啊 你觉得他们现在就是它的它的壁垒它的难点在哪里啊 是不是还是物理的机器人那一块 如果说从物理就是自动实验室这块那的确是一个就是机器人的操作流程和机器人这个本身发展的一个这是另外一个主题,才能够让这些人特别是在某个领域专业的机器人更快的操作一些完成实验然后降低成本所以为什么的确是就整个AI for Science它设计很多体系不光是一个模型而且你为了加快实验你要让机器本身的聚生智能对吧它的精确度它的速度都要提高所以如果是为了你可以想未来真的行政必还了那如果很快能得到结果的话 那你这个计程本身就很强大所以这一系列都是一个体系里面的对那目前看起来就是非物理的那块它的进展是要快于物理的那一块可以这么说吧就是非伟这块就是Incidical这些就是Simulation什么的它的确仍然比较好你可以衡量它的进步而且的确是因为它好衡量它的确可能发展起来更快点但是也有很多新的一些就是AutoLab自己就是吸尘的被定是通过基层就是专门某个环节做吸尘的这个其实也是有很多发展特别是在美国很多有些新的startup都在做这件事情对啊尤其是在这个医药领域你觉得用AI去发泄因果这件事情能做到吗肯定可以做到就是in causality这个causal modeling其实是意识很悠久的一个topic就是在很早的时候像Joliet Perge他们这些已经有很多就是这个因果模型啊把精凿的事情了但是我觉得可能现在的这个effer science这个语境下面叫发现英国机器就是说法是子门的能源工Lanx Model让这个model能够分清这个correlation和colation之间的差别这个的确是可以说是目前的确是Lengst Model一个弱点之一我不能说我个人感觉是现在Language Model它在这方面还不是说做的特别好 因为有很多这个research和分析 你如果是给一个Language Model它一个推理的问题 你把这个前提这么说 它推理出来结果是对的 但是如果把前提稍微改一下 或者是稍微就是把这个措辞或者前后这个语句顺序倒一下的话 但是整个意思不变Language Model生成的结果是错的 因为Language Model在这个训练数据功能他一般只看到过某一种形式的训练样本就是说法来就是大分训练数据这个样本可能只是告诉你正确的描述该怎么样描述或者最常见的描述怎么样描述他从来没有见过说换转方式他们要是怎么样的所以这个时候如果人为了把它换一个说法他Langged Model很不习惯的一个说法他就会出错因为他没有在这种国里面这种事情很多的所以为什么就是说对的确是英国机制他Langged Model本身是要提高的这也是为什么像Yuan Cohen他们是强调要做世界模型就你不能说这个Lenguage Model它只是顺在表面的dext的文本上面因为文本上面永远是就是说人把这个最常见的一些说法或者是只给你看到正面的例子它反面的例子反过来说的法它不会在这个文本里面出现对吧但是如果您学到一个世界模型学到整个物理的内部的一些规律的话那它是独立于你怎么样表生的对吧你怎么样去绕这个事情的如果世界模型能做到这一点的话那它对于英国关系的这个掌控可能远好于目前的这个Lenglish Model本身基于文字上的模式这样一个英国关系的推理那么所以最近最近有些这个新的Stata是在做就是能探索一些新的是能够训练Lenglish Model更好地去捕捉因果关系的一些努力所以就说的确是一个很重要的 [45:00] 我个人感觉是目前我们已经戳了大部分情况下按照正常的描述方法他可以理解这个因果关系但是如果是一些反常的或者说你需要一些介入的就是比如说万一我把这个病人动一下会怎么样就是有些所谓这个do calculus如果我万一把这个某个值调高一点它会成什么结果或者是如果我把某个条件去掉它会成什么结果有这样的一些干涉的话他还是做不到很多情况还是做不到因为他没有这个真的是没有一个特别完善的一个物理的理解过程就是预测相关性其实这是大约模型现在可以做到的事情就比如说X跟Y相关高度相关但是如果科学它需要一个非常确定的精密的certain的一个呈现跟statement比如说x是通过机制m导致y的那现在如果光靠语言去表证的话他其实很难去把这个逻辑关系因果关系给非常确定的建立起来可以这样理解吗我觉得就是不可靠他不是说不能就是很多情况下他也是可以做因果关系不然的话他有很多退离公司是没法完成的但问题是可靠性他可不可完全取决你怎么样去表示这个问题或者是表示这个结论这个前提如果你的表示方法跟他训练数据里面的表双不太一致或者是一些新的没见过的一些现象那这个model就蒙了他不一定就是能够把这个英国关系地区出来所以为什么就是的确是需要一些更底层的不要你model他对英国关系的判断不应该基于你人的表述而是应该去你整个物理的对物理线磨的一个掌控刚才我们提到了就是整个的AI for Science Loop当中会涉及到的一些具体的细分的环节你觉得这个环节当中有没有那点我们漏掉的还想补充呢可能一个我觉得可以提一下是整个loop它怎么样自我改进就是像recurse of self-improvement你怎么样能够让这个loop自我改进或者说你这个loop怎么样建立对吧前面我们大概就是讲的是一个相对比较简单的你给个问题给个proposal然后跑实验拿到数据做分析这个loop这非常简单的loop但是你比如说如果你要去在做FAI或者是你要去训一个新模型你可能这个root本身也是有改型 就是有个meta recursive的过程 除了在改进模型本身或者是在改进这个他做选择这个流程之外怎么样安排他工作流或者怎么样去在什么时候让他自己去更新自己的这个站这些Meta Recursive或者是Meta Agent也是目前很多在探索的一些问题,就是你不能说一直只依赖一种所谓agent的harness,就是man-run,这个trench workflow,你随着这个,你不断的观测不断的去叠代你要把自己的整个工作流程也要改进这是个meta-accursive process所以我觉得这方面是非常重要的一个问题你觉得中间有哪步是最难的技术上所以肯定是对于EF3肯定是verification在物理世界上这么说verification肯定是最重要的一步但是如果你verification做到位了哪怕你用最简单这个AFSense的方式它可以完成很多问题因为就像前面提到如果你一分钟就可以拿到一次数据作物理学人拿到数据对吧这立场情况下那你可以生成无数的数据然后你马上就可以训一个重新post training model然后就像训代码或者是数学一样这就问题就解决了至少就是你verification是可能是很重要的一环啊它是一个瓶颈它一旦这个瓶颈被打破了你就可以很快的迭代但是这不代表这问题解决了最难的一部分可能是你AI本身能不能提出新的一些建议就是你这个模型再怎么提出新的方案我再怎么去推理如果它永远只是局限于目前我爱自己能够知道一些知识它没法提出一些新的一些设想或者是新的一些更有节约性的这么一些想法的话那那它大部分情况下它这个loop只是在不断调切参数或者是不断是实施一些配方或者是排的索色这样的话它能够达到的这个能力极限肯定是有限的是比较低的所以就怎么样能够让AI产生更有创意的 但同时又是合理的这个想法这其实是我觉得目前还很不够的一个地方就比如说前段时间诺贝尔得主Geneffe Donner就是那个做基因编辑的这个 对进入采访时人家就问他 你们用AI帮你们做实验然后做一些这个科研他就说这个我们也用 但是我们从AI给我们的proposal里面没有一个它的proposal是我们之前不知道的它身上很多proposal没有一个是我们不知道的可能有些地方是平时我们忽略的这些基本上都是现有知识都有的现在论文里面或什么样的我们都可以知道所以说能不能提出一些具有创新性但同时又是可行的一些方案这个其实就是我觉得是很快的一个问题这不光是就是在智能本上需要建模一个经济挑战对所以要让AI真正的可以 [50:00] 怎么说下一步能够突破有这个突破性的科学上的帮助就是要解决去discover发现而且Discover是很挑战一个流程就目前的AI4Science它可能就是说可以在它的表征空间里面已有的概念里面进行排列搜索排列组合然后去搜索然后给你一些就是设计一些新的实验方案或怎么样的它的确可以通过排列组合已有的概念的确可以给你解决一些可以说很大的问题对吧这效率远远比人家高了但是如果你要真的是做让AI说以后能够自动生成一个像诺贝尔强级别的这么一个科学过程一个科学结果的话这个整个Discover过程我觉得是目前也远做不到的就人类是怎么发现知识的怎么样去把科技提出出来就是你先要收入接收perception的感官的一些输入你观察人做实验管官数据这只是第一步就是经验的输入但是输入完之后你必须要能够行刑概念就怎么样你比如说你看到一个人你推这个车推一个车这个车就往前走了对吧这是你关注到一个表面现象然后你要提出一个概念之后是力的力量就是它一推它就往前走而且你要把它肯定去说比如说符号化成一个F对吧这么一个然后第三个就是如果你为了得到一个科学的一个敌顿的话 你把它凝结成一个 抽象成一个公式 就像牛顿第二电力F等于MA这个力量等于就是质量乘以A就是等于说你必须要把这个最原始的观测抽象成概念然后最后再形式化成这么一个理论体系整个discovery这个过程我认为是AI是非常困难的一件目前来说对我们还是非常困难的一件所以我觉得AI for Science目前只是在某种限度之内在已有的保证空间里面它可以去进行一些不同的探索但并不是说真正能够产生新的一些理论或者是知识AlphaGo它的第37步就是神之一手的第37步它那个算发现吗它也是发现它肯定是发现它是个新的发现但它这个发现的模式是把现有的内在表生比如说是重新的去排列一下或者是组合一下就原来可能在它不是不一定是在最大或者是比较大的概率路径上面它突然有一部采用到之前不常见的一个路径它是个发现肯定是新的但不代表它创造出这个新的概念我看你自己的公司Reasonable Labs你们提出来一种解决方案是代言模型加符号主义你觉得符号主义能够解决这件事情吗?我不能说是解决问题,但是我们想做的是,至少可以让解决目前的一些弊端。我们的出发点就是,Nex model还不足以产生更多的一些新的想法能够更好推动一些科学发生因为LangroModel它整个宇宙就是由这个训练数据决定的训练数据里面如果展现出来这个思维模式是NegasModel可以吸收进去的然后各种数据或者怎么样的各种推理过程它只能去到这一步了但是如果你要做真的是做科学发现的话按照定义来讲的话如果你要做科学发现你要发现东西肯定不是在现有的知识里面的对不对你怎么能够让这个Lengst Model从一个固定的而且是可能是过去的这些数据里边发现新的东西能够产生未知这些东西呢这可能是非常能做到的不是说一定不可以 只是概率可能非常低因为新的知识肯定没有在现有的训练数据里面以高频率出现过那么所以我们就希望就在外面一套基尺能够帮助它产生一些新的不一样的想法那么这要即使它起作用它肯定就不能是另外一个Language Model就不能用又是搞个数据讯个模型不然的话就跟这个Language Model一样了那么所以我们想做的是说用所谓符号主义对吧大概讲一下符号主义是非常宽泛的概念对对跟我们的不太熟悉这个概念的观众可以解释一下对 复活主义是人工时代很早就开始的一个就是可能早期人工时代就开始用引用的一个概念当然这是非常宽泛的概念但假如言之的话就是写规则如果有些知识对吧有些东西有些现象你是可以很明确的写出来的然后是先验的不需要就是说通过数据来描述的后来来学习的话那这就是你就把写成符号就写成公式或者是一个规则比如说if then这样的一个逻辑规则就是你不用数据你都可以知道的这是你现在可以去规定的如果你你知道A大于B,B大于C那么A大于C你这种东西完全可以说时间就可以写出来的你必须要学的所以就是不管是符号主义还是连接主义连接主义就是说说外来就是神经网络理解主义就是你需要学习 因为它这个表征是用一个向量 对吧 去分散式表征就是不像符号主义说 我就手写出来这笔用符号把它支持表达出来 但是联织主义是你要用这个相量去自己学这个每个元素它的意义是根据你这个观察收到数据自己学帅的 [55:00] 那这两个就是符号主义跟联系主义它的区别傅尔徐豪就是说你可以先验的去写一个东西而且它很精确像数学和干嘛系都是符号包括像可能目前的Agent Harness他整个工作流程都是你先指定的就是你第一不干啥这不干啥然后万一出现什么情况你要什么时候调用memory这个都是你现在规定的这可能都是属于一个Flosery但是你现在的话你可以去设计出这个东西但是他的问题就是说它作为一个知识表征的方法它很脆弱就比如说如果你要表成一个概念说什么是猫你怎么表到猫这概念对不对你给个图像我怎么知道是不是猫如果你要用这个符号去表计或者是这个规则去表输的话你可以说如果一个动物它有两个尖尖的耳朵然后长了胡子然后这个猫有这么一套规则对吧但这只猫但是问题是它这样的表征是非常脆弱的对你没有办法用纯语言去形容一只猫对去规定很多东西没法用非常刚性的逻辑去刻画整个宇宙因为很多我们人员工作当中很多现象都是非常模糊的它是你猫这个照片你换一下你如果猫正好在低头或者是猫正好在它这个跟你的逻辑上的规定就不一样所以它就非常脆弱就是福老斯为什么没有必用没有变成主流对啊当时就没有变成主流然后就是那怎么办呢就是让模型自己去训就像这个理解主义对吧像这个神经网络自己去训去学习这个猫的特征对不对然后就学成这么一个向让这样的话你来一个新的猫的照片它主要跟这个向让对比它如果相似的话那我认为这就是个猫所以就是符号主义跟这个Linear主义它各有特点各有长处但是的确是在像Deep learning就是一个领解主义特别是设计语言 自然语言这种方法这个层面的话和包括图案识别有很多很多模糊或者是有奇异的一些东西你必须要让模型正确出来你们的这个路线是LLM结合符号主义的一个混合解决方案它是怎么去运作的你觉得所以我们就是说像前面说的如果NielsenLM外面加一层东西能够帮助它产生新的想法的话我们就是想把这些不同的比如说所谓的这些人类知识把它用一些规则对吧 能够把它给串起来而且能够提出一些新的这样的话你就是有些比如说有些概念是在这个paper里面提出来的然后它跟另外一个paper是有什么关系对不对它可能会你可以把它给连接起来这个是你可以就是用这些符号逻辑可以去表达出来的等于说你可以把不同领域的知识通过这么一个表达式对吧可以把它给串起来那这些东西是你很难从训练数据里面去发现的 因为有这么多知识这么多这个可能关系这个概念然后它之间的关系这个是不太可能从数据里面提到的而且每天有新的可能都有新的这个pick出来然后你不可能说每天去新一个新的Lanch Model所以就是它可以帮助我们能够更好的提取出智识之间的一些诅价他们之间推理关系以及他们跟怎么联系的就这些东西可以作为一个model它的一个新的直觉然后给他一些生成一些在它概率范围之外的一些东西就是说小概率的事情但是现在文理解说还是在比较早的一个研发阶段是吗主要的瓶颈是什么我觉得是平衡创新性就是Novity就是它的深知性的idea的创新性和可信性之间对吧说实话就是你要让一个模型创新的话是很容易的你只要随便哪怕就随便采样你或者是给他任何任一个单词他都可能生成一个不一样的想法但问题是你这个创新的想法你必须要可行,而且是必须要合理对不对你不能说随便瞎说一些东西怎么能平衡创新性和合理性这个是比较挑战的事情就说白了就是你提出新打电你要证明他这个东西的确是跟你这个问题比较吻合的而且是可行的而不是说是随便就为了创新要创新你觉得符号主义有可能会重新复兴吗我不能说父亲,因为的确是我们看到世界很多东西非常我不认为这个Fordery一定是不太可能说是替代这个Linage V因为是你网络毕竟它非常强大大家看到Lunch Model都是按照这个方式讯息的但是有一些东西是可能用符号来加速的或者说来加强的可能就是比如说最后这个可能有98%的这个是连接主义但2%的是浮沃主义其实现在这个MASAFOCoding它就是一个Neurosymbolic符号跟联系主义拼在一起的结构比如说做球铁科学数学问题你原模型他先生成一个数学选民甚至没有说证明这是可能是New Network这是连续主义的一部分但是你这个证明对不对我就要用这个形式化证明的工具像这些林智兰桂去验证 [60:00] 对不对那这套东西完全是符号的跟神经网络是没有任何的关系的所以这已经是一个神经网络跟符号相联系的一个例子这两部分都很重要不管是符号还好还是连接也好他们的本质是说这个符号是一个先言的就是你不用数据 你可以指定东西而连接处于神经网络是你必须通过大量经验去学到东西这个就是说我觉得跟很多历史上的一些学会上讨论都是相关的这都是关于人怎么样去认识这个世界的一些讨论就比如说在历史上的古典学学里面大陆的维里派和英国的经验派比如说像弗兰斯培根像他们的那个John Locker这些他们认为这个人的认知是完全来自经验的就是我这个大脑就是空白然后你给我看到什么样的输入我大脑就是映射这个输入我的世界完全是由外界的感官输入经验材料来决定的那么对你到今天的这个人工失能语境就是大模型我一开始初始的时候它就是一个随机的一个模型什么都没有但是我经过万一个这么多token的这么一个训练它完全是有这些感官输入这个经验输入然后来决定这个模型的势能这完全就是一个这个经验派在当机与金下的一个映射但是另一方面微理论就觉得人怎样实现这个世界的完全石油大脑现代的这个结构决定就是我怎么样 你像那个所谓像迪卡尔说我私固我在我现在有个结构 然后我再去列这个世界就是完全是不依靠经验不依靠感官输入来决定不怎么去解决世界的那么政长派对吧这是一个是先验的一个是后眼的但是他们一直到发展到像德国古典知识家康德他觉得就是说两个对不对我要把他们同意起来对不对所以就是康德就提出这个经验是提供材料的但是就你看到这些东西感官材料感官收入都是材料你怎么样能够产生意义对你产生意义那是你需要有个先天的结构你就是人脑里面总是有些先天的结构使这些感官输入有意义那不然的话你不管是看到的是一个是一个圆球还是一个轮胎对你来说只是一个随机的输入但你感受不到它是一个圆的这么一个概念所以康德就觉得就是人有先天的大概他觉得有个12个范畴这样的先天这么判断有这么先天的结构来比如说是对时间空间物体然后经过关系等等等等来阐释这个世界 来阐释这个感官这部分完全是先验的是纯粹是理性的他觉得这两个东西必须结合在一起才能够产生人的智能才会真正知识这是到了康德然后再到后来这是黑格尔他觉得你康德说的也不对你不能说把理性和感情和经验对立起来对不对不是说是两分的应该是辩证统一的就是说你要不断的持续的更新你不能说概念一旦处理起来了像先天处理起来就一直就是恳定不变的对不对那所以要不断的就是说进行自我否定然后再要辨证这是不断要持续更新那硬实到今天这个语境到人工生人才语境那就是持续学习Continue Learning对吧就是说你这个模型续完之后你这种A价肯定不是说就是这么一个文件然后就是这么一个固定死的这么一个checkpoint然后所有的这个参数都刻在里面了他可能是这样子他一定要不断的跟用户互动的或者是他执行任务的过程当中要不断认识到自己的错误然后去持续的去更新自己能够让自己变得更加的从真正开始我的意思就是不管是符号主义还是理念主义这个东西其实这是在人工智能理性下讨论这个概念但是其实他们的这些讨论话题对吧跟这个古典哲学啊其实都是一脉相成的只是说不同的实习不同的人他考虑的问题的事找不一样但是他们都考虑都是同一个问题的就是人怎么认识这个世界这是怎么产生的只是说在古代科学家他们用的不是计算语言但是我认为这些东西探讨都是一致的真的挺好的但我们拉回来一点点就是到我们现在的资本市场上面来我们看到现在三大AI巨头我们刚才讲了Google然后还有OpenAI and Dropik他们也都是最近在狂招科学家加入他们然后做AI for Science这件事情这三个公司他们各自选择的方向有什么样的不一样他们各自压住的或者他们切入的那个点有什么样的不一样那么给我们来展开的分析一下我觉得很明显就是在这三个公司里面Google肯定是布局最早,然后A4Sense最早,然后最广,然后最可以说是研究的路径最多的一个公司,这个毫无疑问的在所有的阿法系 包括最新的一些Cosenters的然后German for Science的这些努力所以像Anthropic和Hopen Eye,他们当然意识到这个Effersense的重要性,所以他们也在花很多投资在这里面比如说 OpenAI他们知识 [65:00] 是很早就开始像GPT5发布的时候他们就拿GPT5去已经有个white paper就是拿GPT5这个模型去解决各种问题数学啊 集团科学啊然后生物等等等等然后说这个已经解决很多科学问题了然后他们也有一些非常可以说是非常激进的一些计划比如说要公开的announce宣布的说在2027年好像之前要有一个自动的 AIF scientist他们有这样一个目标对吧然后他们也会像前面说的这个OpenAI GPT和Ginco WorkLabBiWorks Autolab进行闭环这么一个实验这可能是一个目前为止最使人幸福的而且是效果最好的这么一个闭环实验这是个Battom做的然后他们也就是在GPT这个模型上面去专门为了生物化学好像材料也有就是专门去把GPT模型适配到这个新的领域里面去生成了一个新的可以进行生物和化学等等这些话题的这个推理这么一个模型叫GPT-Rosaline还有就是最近他们刚刚发布这个新的Astral模型他们可以说是个前面数学问题他们在数学上的很成功虽然我看到有些科学家有点对有些争议对没错就是一个就是怎么样能够让数学更更靠的一个问题但是没事AF Math我们待会来讲对我们先说OpenID所以就是这么一个他们其实非常的我认为是非常的激进的这么一个像引头感上的问题但是我觉得他们也有个可能也有个问题在AFO3是布置上的一个问题就是说他们的priority他们的这个优先级我觉得还是可能有有些混乱就是因为他们之前负责A4Science的这个负责人Kevin Weil他原来是做A4Science leader然后也招了很多就是物理学家什么做这些事情但是Kevin Weil4月份的时候还有5月份的时候立职了所以就说他们目前那一直之后就把之前的一些A4Science的一些effort全都被弄到这个codex里面去等于说是希望用这个一般性的这个GPT模型和Agent来解决各种科学问题就是他们的一些堵住的方向又是能够让GPT变得足够强大就是它能够解决更多的科学问题而不是说专门区但是他之所以就说有这么一个举动是因为他们也要想一头赶上这个Codex这个Coding的能力要赶上这个Anthorpec他们要把这个资源整合要把这个优先级要颁证然后当时OpenAI他自己已经有很多产品线能他们可能扩张会议也是可能比较快的比如说不光是GPT还是有还有还想做S还想做这个硬件然后也想跟企业做这个企业的这些版本所以一旦你这个产品的战线拉长之后你怎么样能更好的去做AFOscience的这些投资然后前沿的投资我觉得这可能是在优先机上面或者在管理上面一些建立上面是需要讨论一些方向对于Anthorpics来说我觉得他们可能相对来说是比较后来居上这么一种感觉他们最近发布的Cloud Science这个平台就是不到一个月但这个平台本身其实也是那一般的Cloud模型驱动的它只是一个见面或者说他把不同领域的特别是生物和化学领域等等的数据库接上去然后一些工具接上去然后把这个介面专门针对这个科学家的这个工作流程定制化一下但它本身并不是像我们之前讨论的并不是说能够帮它更快地产生一些自己产生新知识活塞它是一个产品一个平台但是的确是Cloud在这个research上面也做了一些很多的统力比如说他们之前看到就有极具形就拿Cloud做vip physics用Cloud去帮助物理学家去推导数学新的物理结论,一些数学的模型等等等等。也包括他们自己发布了一些Benchmark,像什么BioMess Benchmark,类似这样的一些在生物方的一些Benchmark。但是我觉得他们,包括他们最近把Google的John Trump挖过去了,很明显就是他们也希望能够在生物和医疗领域会有更大的一些压制物。因为这的确是市场带了一个方向所以我觉得他们是在应头感上但是我觉得他们也在探索的阶段对 这样Jumper过去之后你觉得他的负责的指纹是什么因为我看到他的指纹现在好像还没有公开出来对 我觉得比较顺其自然的这么一个安排肯定是要把anthropic里面其实科学方向往这个能够在生物和这个医药方面医药方面去加强像OpenA他已经发布了这个GPT Rustling他等于是往生物和化学方面定制了这么一个GPT模型能够做很多这方面推理anthropic可能是目前在OBNI Google和Enthorpeak可能是目前唯一一个没有说特定领域里面的这么一个模型的这么一个公司他们急需可能需要专门给生物和医药做这么一个垂直的小模型对 长长模型的人是特别适合做这样的事情我觉得可能是这方面会有些先安排但那个可能也不是他们的重点目前台卡肯定我相信就是他们目前肯定是要上市啊 [70:00] 一些商务上的是Coding是最重要的Coding最重要而且随着中国开源的这个模型突然猛进对吧肯定对他们造成很大威胁在这种情况下他们怎么样去平衡这个优先级这依然是一个战略和观点上的对还挺有意思的因为我们刚才说到这三大AI公司现在虽然他们都在布局AI for Science但是AI for Science不是他们现在的最优先级别他们现在最优先级别还是Coding还是商业化还是把模型做大那这样来说的话是不是New Lab或者是创业公司反而有一些先手的机会呢对啊就是大公司总是有它盲点而且大公司总是有这个创业的窘境对吧就是Innovative Dilemma黑蛋挖出一条这个商业化的明确路径他肯定不愿意马上放到或者说把取消息换到下方上去可能要等这个路径稳定之后再去投资这些其他东西所以我觉得这是很可以理解的对吧这是一个Sense和AI Recursive Improvement一定是一个长远来说战略上必须投资的一个方向没人敢去落后的但是短期内肯定还是商业优先必须要保证上市的一些工作能够到期所以但我相信他们这个方向是不会放掉的其实我们刚才举的很多案例还是生物资料啊材料这个方面的案例那我们再来聊聊AI for Math还有AI for Physics物理跟数学方面的一些AI的发展因为这两个最近我看大家讨论的也挺多特别是在数学上面那除了邓玉跟王宏获得了负尔兹奖之外呢就是AI for Math的领域其实也有很多的进展数学是AI相对容易攻破的领域吗我不认为很容易你什么样的数学数学有很多概念很宽泛对吧可能目前有两家比较突出的数学就是AFO专门做Math的startup一个是XM AI另外一个是Harmonic AI当然他们的方法可能差不多也有这样的一些比较前沿的一些探索在怎么能够让AI能够好地做Math以及能够怎么样能够让Math能够去市场化比如说做一些可验证的一些领域做EDAI或者做软件设计或者怎么样的但是他们的方法可能都会相对比较相似点我就说AI for math 它能解决什么样的问题取决于数学库就是这个Ling这个language它数学库因为可能现在大概讲就是对吧就是比较特别是做比较复杂的Math它这个过程是你得让language model先去提出一些这个比如说证明的数学证明的一些方案对吧然后但是language model它自己不知道这个数学证明过程是不是对的那你怎么办呢你必须把这个这个证明先自动的去形式化成一个叫link language,link的这个语言,然后这个你link如果一旦这个语言编辑通过了,那这个数据的这个结果一定是对的那就证明这个Lange Model它提出的东西是对的但这样的话这里面有好几个环节是个平行第一个就是说你量直播的本身要足够强大它能够提出这么一些可能的一些证明方式或者是一些新的一些数据上的一些结果这是第一个第二个 自动化这个新式化过程怎么样把这个用自然语言描述这个数学结果或者是用数学方法描述数学结果转换成LIN这样的一个language这转换过程 翻译的过程不是特别容易的这也是像XMAI和Harmonic AI他们画很多功夫在做的事情然后第三个就是说你如果为了解决更多更难的数学问题你需要这个Ling它这个语言本身它的数学库MathLib能够包容很多很多就是相关的已有的数学知识这些材料必须都已经在那里不然的话它没法拼起来了那这个过程还要花很多功夫就是怎么能够把人类的这个已有的数学知识更多的放到这个加到这个MathLib里面去所以这几个要素决定就是说你能够这个AF of Math能够走多远因为我看到OpenNine它其实在国际数学奥林匹科里面它其实就强调说它们的模型直接可以输出自然语言证明而不需要领了对 领不是必要的但是,你要做一本证情认真做数学或者做数学家级别的数学你是选令的 对于像奥林匹克竞赛这种他奥林匹克竞赛他可能运用到数学你比如说高中生参加数学竞赛他可能运用到数学知识不一定会特别多不一定会特别深他考察的是你这个参赛者他的比如说创新的这个创能力能不能找到一个就是非常复杂的一个构造一个过程的这么一个能力但可能涉及到数学知识包括整个证明过程本身不一定会特别复杂他可能几页一两页时程都可以写出来的所以在这种情况下,两只Model它自己就生成这个模型讯号,讯号到位,它用自然源生成这个结果可能是可以可信的而且MO毕竟只是一个考试你很快就提交这个结果你就可以验证这个对不对?这是做一个考试的设置这个没什么太大问题但你可以想如果是你今天让AiH做王宏这样的级别一个证明100多页你怎么如果Language Model [75:00] 分成100多月的出油申明全是3元他没有办法保证这个东西是正确的所以如果为了让AI做职业的数学家做的事情然后做非常复杂的证明的话你为了保证这个结果是绝对正确你必须还是要把它转换成这个领域的语言所以这也是可能是当代最伟大的数学家之一叫Peter Schotter这么伟大的数学家是非常神童的数学家解决很大的问题之前他自己都对自己的证明他自己都很怀疑就是这个你对到对不对他跟很多也跟他的合作者讨论很多次没有人说很确定说这个结果他这证明过程对不对那怎么办呢连这么伟大数学家这么充足数学家好像18年就拿过菲尔斯奖了他都没法说确定他这个自己正证明结果对不对那最后怎么他就找他的朋友和他的合作者就只能把他的之前那个这些所有相关的一些数学的这个定理啊或者是定义啊一些英里啊等等等等人工的转换成这个形式化学生这个语言突然有一天等到他们拳完拳完之后一下子这个病通过了就证明这个东西是对的因为一旦是这个东西它一定是对的对吧现实化证明当时Peter Schultz非常的非常兴奋说明这个结果是对的所以就是即使是最顶级的QC他就是处理非常复杂的数学问题之后依然是很难确定这个东西到底对不对你就非常严格的把它你只能上一个逻辑和计算机你算是说明是对的它一定是对的这样的例子不止一个还有一些其他例子就是你必须用这个为了证明这个东西对不对你必须把它翻译成一个逻辑上的一些可以推导的可以保证正确的一个方式但是把它转换成形式化的link的话它需要花很长的时间对人工要转换需要很长时间是的可能当时我记得他们只要花了一两年吗好像因为好像是去年我记得谷歌他在参加国际要赛的时候他好像是说给选手的时间结果他们把它转换成LIN的语言的时候就花了三天时间就已经超过了可以允许他们花的时间了为什么要花那么长时间因为结构化语言这个LIN它它是你要把你数学当中所有的相关的概念和所有用到一些定义然后之前一些定理所有的都需要非常严格的按照它type language类型化语言选择过去这是一个非常深入过程就是你如果之前你在这么一个定理工程当中如果你用到有些数学的概念或者有些数学的证明步骤是不在它这个library里面的你就得去定义就是你必须把这整个推导过程上的所有碰到的这些数据相关的一些东西全都形式化随之会化的时间那现在是不是现在有两种并行的发展路线第一呢就是是不是模型越来越强大之后就是越来越复杂的问题会不太需要形式化或者不需要令的这种方式还有一种方式就是说能不能把人转令或者是令转自然语言的这个过程把它更加的快一些或者更加的efficient给加速化我觉得如果真的是让AI做很严肃的专业的数据问题要用零 毫无疑问的 但是这最正面的评价就是你怎么能够让翻译的过程更高效 更快速这就是你要使用Language Model能够让它自动的就像机器翻译一样的 对吧你要把英语翻译成法文 你要翻得很准确 而且绝对不能出错 对吧那就是要把你这个数学的表达 表达翻译成零 这个是毕竟一个路径如果你要是为了做专业数学的话但如果说只是一般的做相对来说就像考试或者是比较小的一些这个设置情况下你自然与人生成结证明你人自己可以验证的那你也不一定一定要用力但真的好你就是要把这个language model在这个数学上面train得非常好所以还是得要模型跟强大才可以我看到现在数学界有教授把现在的数学问题分成了几个等级第一类的问题呢就是博士生花几个月就能够解决的练手问题然后第二类呢就是在高一级别普通期刊级别的问题直接数学家呢花一两年就能攻破的问题那第三类呢是数学的四大顶堪级别的问题第四类呢就是菲尔兹级别的问题比如说汪红他解决的这个挂虎猜想那第五类呢是最高级别的就是这种所谓的超菲尔兹级别的问题就是说你不用完全解决但是你的研究把它往前推了一大步你有一个重大的推进就能拿菲尔兹奖那现在一个问题就是说AI到了第几个level了你觉得我觉得按这个level定义我觉得很难去界定可能这个不是一个很好去衡量AI把数学能解决到什么问题的一个尺度吧我觉得可能更合适的一个尺度是说不管你有多难的数学问题如果它这个数学问题本身不需要产生一些新的数学对象或者产生一些新的数学定义特别是你这个数学问题的结论是可以通过已有的这些数学的定义和已知的一些数学的证明引语等等可以推倒出来的就是说白了就是你这个表情空间输定的话这个是我相信可能就是 [80:00] 不管你这个多难AI总是如果模型足够强的话它是有可能把一个证明或者一个节给搜索出来的主要他搜索的这个强度足够大有可能是可以把这个解析了出来的因为你不需要通知现在的概念所以它还是搜索的问题对 你还propose一个数据证明它就是生成的过程 对不对就是你生成一系列数据公式那也就是一个在推理的时候生成不断去搜索的这么一个过程哪个证明它可能这概率更好 更高 或者它的所谓的reward可能更大永远是一个搜索过程所以觉得数学它是一个证明的不光是证明 我觉得其实相反就证明肯定是很重要的一部分它不是需要发明的科学 它是 其实数学是更重要的事我觉得可能是更要发明过程 因为没有概念没有数学对数学定义的这个过程就是数学对象发明数学对象以及对数学案定义的过程是不可能有数学的就你最简单从最早这个数的这个概念本身对吧 你先要定义数然后你才能定义这个加减法然后你才能定义然后如果任何的数学的这些定义里面用到都是数学概念微积分啊对吧这个积分啊微分啊什么意思对不对然后或者是这个现代数里面这个特征值什么意思或者是这个微分极客里面离满度量什么意思这些都是概念所以好数学家更重要的事情是他能够找出或者是定出非常优雅的一个数据的概念一个对象抽象出一个数学的一个本质上的定义这可能你如果有个很优雅的很优美一个数学定义可能远远比这个你推导出的过程更重要没有一个合适的一个数学对象你是没法推导这个数学的一个过程的如果你去学现代数你光看到一堆这个矩阵但是如果你没法从这当中抽象出这么一个概念叫特征值那你是没法去说精确的捕捉到这个这个这个拒证他内在的一些结构所以这个过程怎么能够在这些数学对象里面出现出什么一些定义出什么一个新的一个对象一个数学的定义这个才是我觉得对数学来说他们更可能是最优美的一部分或者是最需要洞见力的一部分这个部分AI可以做到吗?我不认为它可以做到永远都不行?甚至我个人是觉得它我觉得是这部分甚至都不是一个就是怎么样能够抽象主义概念过程是一个可计算过程可能有些证据但是让AI自己去推导数学性的概念或者是抽象数学性的概念是非常困难一个问题且不要说在数学领域就是让这么复杂的一些关系之间让它能够提出数学性的概念哪怕就是最基本的一些数的概念如果你可以想象一个一个语言模型 如果他从来没有在数学上面殉果 它不稍微没有这个数的概念 就像原始人一样的 原始人如果看到三只鸽 四只鸟 五颗树 那这个原始人已经开始看了数了 对吧 可以有这个数的概念了 它可以定义出这个阿拉伯数字 可以有这么一个冲样数字的数字概念 这个数字概念可以用任何物体不一定是这个脑子什么物体都可以用这个式的概念但是如果你说你给AI只是看这几个物体30秒40秒40秒等等等等它是不可能提出数的这个概念我是很大想象有一个程序说你给他这么一些感官输入它那个体制就像这样概念的对吧所以这个概念抽象过程我认为是可能是AGI的最后的 last mile 最后的一步这个Mile可能是永远无法预约的,这个过程我认为甚至都不一定是在图灵可计算这个意义下,都不一定是一个图灵可计算的过程,这也是为什么我觉得人脑在对地层并不一定是一个,土林姬不是跟土龄基等加的这么一个过程你觉得数学是人类表达逻辑的一个精准的语言还是宇宙客观规律的一个结构本身这是很大的问题,而且我觉得这个问题不管是回答什么问题,这是没法验证的没法就是证伪的,因为你不可能让上帝告诉你,我这个宇宙是用数学造的但是这个问题确是一个多数十几前数学家讨论数学本质的问题,他到底是发明还是发现的?是整个宇宙本来就是有这个数的概念还是人们只是认为发明数的概念而且当时有这么几个看法一个是对吧叫所谓直接主义然后形式主义螺旗主义对吧就是数学到底什么它到底是只是一个形式系统还是一个逻辑系统还是一个人类就是创造出来一个直觉就是直觉系统这个东西没有定论到今天肯定是永远可能永远都没法定论你就像我前面说它不太肯定是这么一点但是如果非要我去选一个边的话我觉得可能人这个数学是人创造出来的而不是说宇宙本身是个数就像你刚才说的人看到了两只鸭三只鹅四只鸡然后把它的概念抽象出来然后用数学工是变成了一种语言表达对这是一部分但是另外一部分就是说因为数学作为一个逻辑体系它永远不是自洽的上世纪非常有名的一个定理可能是数学史上最重要的一个定理之一就叫这个Gerder对吧这个Kurt Gerdder它这名的定理叫不完备定理对吧就是你任何一个足够强大的这个新手续系统总有一些事实是对的但是你是没法去证明的去验证的验证的对吧 [85:00] 那如果这个宇宙 我不相信这个宇宙本身它有不自洽的地方存在如果这个宇宙跟这个数学是完全一对应的话人类创造的数学是这个形式极致一对应的话有些地方是不自洽的 我认为这个是很难去理解的因为宇宙它就是一个自载之物 它就是一个存在之物他不需要去描述他一定就是说自己该什么样是什么样的数学自为一套逻辑它之所以有这么一些矛盾永远没法不可能调破的矛盾那是因为它是人造的一套发明的自为一套逻辑体系一旦是人造的东西它就麻烦因为它不是本体本身它不是物资体本身它是一套逻辑十套符号和人为定的规则所以它会有些逻辑上的矛盾所以就只是说我个人那些这个东西没法言证我看主攻AI for math的数学家陶志轩最近也出来做了很多的演讲他其中的有一个观点是数学从一个证明稀缺的时代然后已经进入到了一个证明过剩的时代其中一个例子就是说现在很多的网站它其实会收录很多之前人类解不出来的数学难题然后现在很多网站的这些题下面已经堆满了几十份AI生成的解答但是没有任何的人类专家愿意去接盘验证这个事情就是说有可能我们很多的难题已经AI找到了答案但是人类没有时间没有bandwidth没有精力或者没有能力去验证这个东西就觉得还挺讽刺的所以就是不是结果正确就一定正确你就算它自动验证出来是对的作为人来说你需要去理解然后去评判人有价值判断这个东西到底是这个验证证门过程是不是有它的价值有个洞察力我觉得可能打一个不是特别恰当的地方就比如说如果你要去听乐会对吧如果你想听一个钢琴演奏如果我告诉你这钢琴是个机器人演奏的我保证这个机身它这个案件的这个这个力度啊它的强度啊都是完美的就是按照预测局下规定来谈我又不想去听对你可能就不想去听即使这个音色确实是绝对完美的对不对但是如果你知道它是机身就不想去听但是同样的如果是一个钢家去谈的是一个人谈的你就愿意去听因为你想听的不只是一个说一个结果说是只是这个音色本身而是这个刚才本身自发的这么一个情感的状态这是能够让你产生共鸣的然后能产生一些打动你的一些东西它不是说只是一个结果不是说整个因果本身你知道是人他自发的产生这些东西这个我觉得是对于科学来说就是我刚刚看到这个证明的结果对不对对吧这个当然很重要但是如果你去检查这个结果认证过程它里面只是没有一些特别有意思的或者说没法特别容易阐释的一些发现的话那即使结果在队伍我可能说一代觉得这个就像机前弹钢琴啊它没有让一些能够打动数学家的冻陷那这样的话对于数学的贡献来说并不一定是特别大的所以我觉得人的判断永远是价值判断运势很重要的一部分人类不能理解的发现是没有意义的吗它只能有部分意义就是作为一个工具型如果这个发现它作为工具就是我这个接触结果是对的工具性上面是有益的 比如说1970年代就已经有四色问题证明了 地图对吧 它最多你只要用四个颜色 无论如何就可以把地图都给标出来 最多只要四个颜色 对吧这个是1970年就可以用机械化的资料机来证明的 结果肯定是对的 但是这个证明过程是很乏味的 它基本上就是一个列举的过程从工具导度来讲这个结论它是可以用来就是画底图对吧你可以拿这个结论去去肯定是对的是不是有用的完全是你怎么样去评判从哪个角度去评判这个是从工具角度去评判还是从这个价值角度去评判对因为我看到有一些反对用AI去做数学的人说就知道答案不是最重要的而是中间的思考跟推导这个是最重要的但是现在AI因为直接给答案很容易反而中间的推导思考跟过程还有细节是更难的那我们现在的大模型它就是一个黑核模型我们其实不知道它是怎么去运作的也没有办法被直接的观察到的虽然现在白河模型的发展也在推进但是还是很缓慢那么如果这个AI我们承认并且接受它是一个黑河并且心安理得的去接受它产生的结果的话这对我们的人类社会或者是我们人类会带来什么样的改变吗我觉得这会不早上很多困难如果这个结果不是完全可解释的话自动驾驶就是啊但最后它只是单独的一个Task单独一个那个那如果你从这样子如果只是单独一个Task的这个任务来说的话那哪怕最早的最早的计算器对吧它已经可以就是你也不知道它的计算器 [90:00] 就给你一个标准数字对不对这个都已经可以这个是完全可以信赖的一个东西对不对但是如果在一些可能就像你前面说的如果借过正确像哪怕就现在今天这个写代码这个任务你现在的确是还可以写很多代码而且写出代码都正确但是,维护代码的成本和时间反而更高了因为他写出很多代码连工程师自己都看不懂他结果应该是对的但是我卧下特别困难因为我得先理解你AI写的代码然后什么样出bug我都不知道我得先看你没法去debug你根本看不到那只能让AI自己去debug对 但是这一轮解答又又把代码搞乱对不对AI毕竟是一个基于目前的NModel它毕竟是个随机机器哪怕你同样一个写代码任务你第二次跑它它可能生成代码就已经不一样因为它是随机采样的所以这种不确定性造成很大这种trust就是你没法很相应它所以如果他的过程是没法可以跟他互动的或者说是人类介入自媒过程的话你把所有事情都交给他你是很难去对他产生信任的而且你之后去维护他工作的努力和成本会很高因为你去你没法理解的话你怎么去维护对不对所以我觉得人的介入在目前这个阶段肯定还是必要的嗯 对但是人又太有限了不管是脑力还是体力就太有限了就像我们刚才说的这么多份的数学的答案已经挂在网上了但是科学家没有时间去验证所以这是为什么有人说这个AI没法取代人类对不对所以反而让工作的岗位增加了因为肯定是需要更多人去维护或者是更多人去看数学这样所以会有更多去验证AI答案的工作岗位会出来如果它在可靠性上面或者是可解释性上面很差的话它一定会让整个经济运行成本会更高因为你如果哪天AI真的能够替代80%经济的有价值的活动的话你如果每个活动都需要人类去介入去验证的话那还不如不让AI去做这事情对吧所以为什么可信来信和可解释信可以基于人类介入神之外我们再说一下这个物理就是AI for physics它跟数学问题是类似的吗还是不一样的数学肯定是物理的部分很多物理上的一些定律或者是新的结论推导对吧是不一样的但是物理跟数学最大不一样的地方是数学只是在逻辑空间它只要生活在逻辑世界就可以了完全就是人类定义出来就在逻辑空间里面是理想世界你物理你必须要走出这个逻辑世界走向这个物质世界你必须要去验证对不对你必须要去跑实验所以AI for physics它可能现在可以帮比如说一些物理问题求解一些偏微分方程啊去推导一些新的像那个anthropic他们那些之前推导一些新的一些结论等等等等但是从数学角度去从这个形式逻辑角度去推出一些结论但是如果你说你要让AI去发展一些新的物理的理论的话好多的而且就是说当然这个AFO物理它的概念很广就是你物理可以说是球解这个方程但是也有说像一个startup叫FITXX他们是专门做这个物理世界模型的也是世界模型去把那个不同比如说油体力学空气力学这些专门这些现象做成一个实验模型这样的话它可以预测说白句在这个领域对吧在这个TAS上面是怎样去这样的工作可能还是去有用的但是目前两千万个功能还能比较少我发现就是发现这个词非常的有意思或者发现了人类的历史上的很多故事非常的有意思因为它们都存在着一定的随机性比如说就流传的一个很广的故事就是牛顿他被苹果砸了头然后他研究出了万有引力但是这个故事他其实是我觉得大家有点夸张了他其实没有被砸到头但是确实可能看到了苹果凋落到地上给他一些灵感但是他在看到苹果之前可能已经是有非常非常久的一个研究了一个案例呢就是我最近在看一本书叫十一每月分子它当中就聊到一个案例呢就是说比如说我们这个人类做手术它用的一些抗免疫手段的这个叫环保素它最初呢就是从挪威的土壤里面非常的随机发现了当中的一种真菌所以呢我们可以看到人们的这个发明啊或者发现很多都是大自然的巧合或者是突然大自然这样的一些灵感在里面然后有了很随机的一些发明跟发现但是感觉AI它的整个的discover的过程是完全不一样的它没有任何的随机感在里面随机是不随机是一个事情的发生但是一旦随机事情发生之后你要能够发现这个信息背后的规律这里面需要有一个所谓abductive reasoning就是输因推理 规因推理就你一个信息发生在你身上就比如说一个苹果在我头上了这是一个随机事件但是你要能人类可以就说像牛顿他可以 [95:00] 从这个时间当中来想象什么原因导致随机事件发生拿这个作为出发它可能会发展出一套物理体系但是目前AI可以做得最好的就是人类整个推理的模式一个是研译推理归纳推理然后像归因推理就是把现象能够推出它这个可能原因AI能做得好的目前可能最多就是研译推理就给你这个前提像数学这样的我定理和定义都给你然后你能不能推倒一个新的结论这是逻辑上非常但是像这种苏音推理给你一个现象你能不能想象一个合理的解释以至于他能够把这个解释能够淡化到其他现象里面去的这个还是像前面一个问题一样这个抽象能力想象能力而且是这个世界模型对吧这都是目前AI做不到的而且我觉得是甚至未来的很长时间做不到这些事情这个的确就是像在任何抽象层面上的这些治理活动在我看都是AGI的最后一个last mile之前很多人说数学是无用之美就是人类研究数学这件事情是属于人类的是美好的中间的推断过程大家非常的享受这样的一个推荐过程那些公式那些问题他可能研究出来也对人类的科技进展或者商业化活动没有太大的帮助但是这是属于人类的东西那你觉得之后这个会变化吗不管是数学也好 还是像美学艺术哲学这些东西你要从向往的角度来讲,它都是无用之物。你说你画一个,你家里面挂个画有什么用?一点都没有。但是没有这些无用的功夫所谓无用之大用对吧就是你如果没有这些思维思想过程你如果没有美学上的一些概念或者是商术学你前选是作为一个好奇作为一个存在经济上的一些乐趣而退导出来的话那你是没有办法去退导物理的过程其实可能最美好的东西都是从无用的东西开始都是从人类的好奇心和心智的好奇心和对美的追求来开始的不管是艺术也好还是文学或者什么一开始都是没什么用的 遮学也好无用不代表它不会对未来省现影响你在整个思考的过程当中它会对你的大脑状态的改变以及对你世界认知都会改变但只是说它其实也是有用只是说这个有用你是不是马上能感知到的所以我觉得一般人说来任何的理论科学或者是不管数学也好特别是纯数学还是像人文领域的艺术 哲学 对吧这都是属于这样的一个所谓无用事大用那如果从那个实用主义的角度来看你觉得现在AI for math或者AI for physics能够在什么样的程度上去帮助人类的技术加速呢FMAS在很多应用场合其实都可以不管是像前面说的球检一些科技领域的一些方程还是像XMI或者是Harmonyk这些数学的startup他们用比如说拿数学去论证过程去做芯片的验证做程序验证的话任何验证领域对吧在这个层路上面都已经可以有些应用和产品化的一些前景在任何就是可以就是可计算的一些领域就是包括像这个你要是推导一个新的物理的一个一些规律或怎么样的对吧一些一些方程你让AI推导肯定一定范围之内肯定可以比人类做得更快做得更高效在这些就是可控的一些环境里面我说AI for math对于整个科学化肯定是有帮助的因为毕竟很多这个科学是需要数学化的那你只要给他足够的一些前提和条件然后给他一些这个合适语境他是可以解释出很多知性的数学的一些观点包括哪怕是最近那个可能可以说当代理论物理最伟大的一个这个这个物理学家叫Edward Whitten他就提出一个先理论的他最近好像前不久就发在archive上还写了一个paper然后他在paper里面写了一个好像是footnote说我这个paper这一段是cloud的帮我想出来的哪怕是在最艰深的Edward Witton在这个层面这些新的研究成果都已经有AI在帮助他加速这样的一个过程所以你可以想以后只会说这样的现会越来越来越多那你觉得我们现在离AI创造出新的概念那个moment那个时刻还有多远这取决于怎么样定义概念就概念是非常宽泛的有很具体的概念就像我们前面可能提到的就是具体的一些事情对吧你就是通过区类就可以解决的就是如果一个表证可以映射到或者说所谓grounding就是能够接地到这个世界的观测上面的那我叫区类你看了五把椅子你可以可能区类这个再来第六把椅子因为它整个特征都差不多这已经是概念任何一个区类或者说一个概率的流行对吧这个流行它就是一个概念这种事可以早就可以做了但是难是难在就是说像前面创造数学里面你抽上那些概念然后一个概念可以用在无穷场合但这无穷场合它每个场合都是拥有稳定的一个相似性的 对吧这种中央概念是我觉得是很难甚至可能永远没法用计算程序来做到的所以我就看有很多层次对吧就是从具体的到抽象的 在某一层次上 [100:00] 很难去做到聊得特别好我觉得今天我们的好多的问题聊到聊到就开始聊哲学问题了就是很多的人工智能专家就是很多物理学家他们后来研究研究着科学然后就开始研究哲学问题了对啊往下想肯定是越想越不明白越想越不明白你觉得现在研究AI的人大家应该去多看看哲学的数吗现在AI的发生在很多历史的哲学的发展过程当中都是都能找到它的缩影因为哲学探讨问题就是这个认知论对吧就是探讨人类怎么样认知世界的从最早的柏拉图所谓这个理念世界对吧就是你你肯定从来没有说一辈子看到一个完美的圆或者是不管是轮胎也好还是这个盘子也好它都不完美但是你从这些不完美的观察当中你可以看到一个体育局理念世界就是一个完美的一个概念对吧从很早的时候就有这么一个这样的讨论它其实就是关于人怎么样去产生知识然后怎么样去抽象这些概念所以你可以看整个哲学发展这根线跟AI的发展线包括跟认知科学发展线它很多讨论的这个问题其实是对象是一样的从不同的角度去探讨这个问题但是整个对象都是一样的只是不同的镜子去照同一个事物你觉得AI从业者应该多想想大问题吗就比较top down的就是刚才你说的从上往下思考的对 我觉得的确是因为AI的确实是目前非常热的科技最热的一个topic对吧然后谁都想在这上面做然后做AI相关的话题然后做很多工程上改进然后想怎么样去做startup然后怎么样去应用怎么样去把这个技术给落地对吧这当然是很重要的一个步骤把这个技术给铺开来但是大部分目前的这些应用或者是所谓的研究都是自下网上的一个视角就是别人告诉我Transformer有用然后Skin Law还没失效然后Harness你得好好搞然后Infra要把它 这些东西都是别人告诉我的就是你把这张功能做好 往上推进 我就可以把这产品浪去对吧但是这对于短期内商业化和AROD量当然很重但是我觉得在这些快速变动的研究之外 对吧你还是要有些利益更高的一些研究从上往下思考从第一性原理智能是什么然后人类怎么样是世界的对吧因为反过来想然后到底有哪些特性是目前AI做不到的等等对吧你这么一倒过来想的话你就会发现很多事情都很多事情AI都做不到而且还需要很多的一些研究而且不光是在AI领域AI是基传机它就是个基传情绪对吧你就是说是AI就是一个计算最重要目的就是自动化一些事情对吧AI是自动化人的思考过程 人的智能但是计算能够做到的东西不只是智能对吧它可以自动物理过程对吧 进行建模进行自动过程等等等等所以你要从这个角度 从更一般的角度来讲就是说白了就是这个计算角度来讲的话它能够最终做到什么事情在AI之外如果就算有招致AI能接近人类水平了然后在这个计算还能做什么事情对吧所以总之我觉得的确是在AI目前狂热的这个功能下面有很多有意思的或者是很重要的一些落地但是也不可避免的会产生很多浮躁和一些比较肤浅的见解所以还是需要一些从上至下的一些思考你觉得在现在AI这么狂热的这个情况下AI for Science的这条路我想象中它肯定会更慢一点是吗就是它的商业化它的研发过程因为感觉它是一个非常长期主义的事情它解决的问题其实我们刚才聊到很多问题其实是更难或者更有挑战性的它可能的商业化没有办法像比如说AI for coding啊或者是比如说data行业啊其他行业那么落地那么快AR每年都能翻好几番啊那在这个行业里面资本现在是一个什么样的心态不管是大公司也好还是new lab创业公司也好接下来的一个发展的速度可是什么样子啊Airfsense已经可以是有落地的空间对吧已经有很多落地的应用了比如说是药物开发哪怕你最后不是说已经可以卖最终AI生成药但是当中是各种环节各种什么把点然后那些分子结构已经可以拿出去双样化当中一些中间的产物所以我觉得Airfsense不能一概而论Airfsense肯定有很多层面对吧有些层面是马上已经可以市场化的但是如果我们的目标是说达到诺贝尔级别的科学成果的话那肯定还是很常用手的在这个层面上它就不是说AI for science它不是说是把sign作为一个应用假设是AI已经足够强把sign作为应用而是AI and science就是你不仅要做science但你在做这么难 [105:00] 你得把AI自己的能力提高 对吧 像你AI就是要有更强的收效能力 对不对 有更强的推理能力 有更强的做实验的解答马云等等 对吧 你如果这点做不到的话 你更上层的Science是做不到的 那这个层面上的确是会是一个比较长期的主义 它不只是科学文 它是一个AI本身基础原理的问题 而且我也觉得就是Science不只是应该是一个AI人用 而是它应该能够促使AI本身发展更好的一个刺激或者一个催化剂一个模型如果它在很难的三四问题上做好的话它在其他的问题上面也应该可以做好而且可以比较像模型做得好不管是鞋带法层面上还是说推进层面上因为你能把这么难解决的话这个模型本身就很强了所以它不只是一个应用而是作为一个驱动力能够发展是更好的意爱所以商业化路径所以它不是一刀切什么一个判断而是分层的对吧有些层面是商业化各种这么多LALA这些公司都已经可以商业化但是你要想拿诺盘讲的话这个就是要很长时间了很长时间是多久这就很难说20年20年AlphaFord已经拿了但这个不是AZ的发现对吧但是我觉得你要在这个层面上拿到诺费奖的话我觉得至少得二三十年因为说白了你要能够在目前的AI范式上还要加强它一些目前没有的能力且不要说能够它能够凭空创造出一些新的一些概念或者是一些抽象的东西你能把目前已有的这些实验的结果然后能够进行正反推理就是这些因果推理像前面说的对吧这目前是没有的怎么样能够处理长期记忆我做过无数实验我怎么能够把这么多实验相关的一些记忆给提论出来然后怎么能够不断的去继续学习这些能够把目前前面的这些topic可能解决可能究竟无论能过去然后再去做些科学实验的话这个肯定会比现在更强但这至少得我觉得还得要花很多时间对 比如说二三十年之后他能够得诺贝尔奖了对于我们的产业来说对人类社会来说意味着什么AI是一个meta technology它是一个原技术或者是general purpose technology对吧因为AI本身它是个大脑它可以AI加任何东西所以不光是AI+science或者technology你也可以说AI+bitness对吧?如果你真的有这么智能一个东西他肯定不会说只解决科学问题他可以帮你做个像代理CEO这样的这么一个角色在任何人类社会经济社会的各个角度他都可以做比例先做更好 就像这个OpenAI或者是微软他们所谓的这些这个AGI的这些定义对吧 他能够以百分之多少的准确率达到做完百分之多少的这个人类经济上有价值的工作如果AI for Science做到这个程度 说明这个模型在这么难的问题上已经做了这么好的话 他一定可以在其他不同领域也会做得更好所以我一直觉得说AFS Science作为一个非常难的这么一个挑战性的话题它是作为一个AI本身发展的一个驱动力而且模型变得这么强之后一定可以让其他所谓的相关的经济活动也会变得更高效好的好的那还有什么问题你想补充吗没有了好那谢谢草原谢谢那以上就是我与草原对AI for Science这个话题的对话了这个话题其实拆分开来里面有很多值得深聊的此话题和垂类我们也会持续的关注但其实呢这次对话给我印象最深的还是几个对人类价值和事物本质的探讨在不久的未来啊AI一定会在各个科学的领域上去帮助人类帮助我们将前沿科学再往前推进一步而一旦理想中的AI进行自信化完成模型到实验的loop闭环将带领人类去到我们从未达到的高度而那个时候我们必须要更清楚人类的价值在哪里是定义 是验证 是应用还是拥有最终的审判权那有一点是确定的那个时候的世界和我们现在的世界会很不一样全部内容了你们的点赞留言还有转发是支持我们硅谷101做好深度科技和商业内容的最佳动力我是陈倩那我们就下期视频再见了bye