Anthropic 資助學者談科學建模：讓 AI 找規律洞察，而非光擬合數據

1951 年，劍橋大學的電腦壞了整整半年。生理學家安德魯·赫胥黎沒轍，只能拿一臺手搖式機械計算器連軸轉搖了三個多星期，才解完了他和阿蘭·霍奇金用來描述烏賊神經元放電的方程。

為了讓算出來的曲線貼合實測資料，他們憑直覺把一個變數乘以了自身三次，也就是設為四次方。當時誰也不知道為什麼，直到幾十年後其他科學家解析出鉀離子通道的結構，才驚訝地發現，那扇分子大門周圍真真切切就長著四個一模一樣的活動部件。

放到今天，AI 或許花一個下午就能擬合出甚至更精準的方程。但在 11 月 6 日，獲得 Anthropic「AI for Science」專案資助的圖賓根學者 Jakob Macke、Daniel Gedon 和 Stefan Wahl 撰文提醒：光會擬合曲線的 AI，並不懂真正的科學。

聚餐買單與「模擬推斷」

傳統的科學建模通常拆成三步：設計模型、調參約束、解釋現實機理。過去幾十年裡，霍奇金-赫胥黎模型成了神經科學的黃金標杆，但怎麼約束引數一直讓人頭疼。

研究團隊舉了個非常接地氣的例子：假設一桌人聚餐一共花了 120 美元，但你手上只有總賬單，根本不知道每個人點了什麼。大家可能都點了平價漢堡，也可能一個人吃了龍蝦牛排而其他人全在喝湯。神經元模型也是這樣，截然不同的引數組合完全可以跑出一模一樣的放電波形。

如果 AI 只吐給你一組擬合得最好的引數，其實是把其他同樣合理的解釋全給藏起來了。更要命的是，複雜的真實生物系統根本寫不出工整的機率公式，傳統的貝葉斯統計很難算得動。

圖賓根團隊採用的解法叫「基於模擬的推斷」（SBI）。做法說白了就是用算力硬砸：讓模擬器隨機跑上十萬甚至數百萬次，記錄下所有輸入輸出，再用神經網路訓練一個反向對映。網路一旦練好，幾秒鐘內就能給出所有可能引數的機率分佈曲線，不僅能告訴你哪個引數最靠譜，還能指明現有資料無法區分哪些可能性、科學家接下來最該去補做什麼實驗。這項技術不僅被用來跑神經元模型，在雙中子星合併的天文觀測和地球物理研究裡也派上了用場。

從調參到讓 AI 自己寫方程

比調參更難的是建模的第一步：一開始那套方程到底該怎麼寫。

過去兩年來，已經有系統開始讓基於大語言模型的智慧體接管這項工作。研究人員給 AI 一段自然語言描述和實驗資料，智慧體就會自己寫程式碼構建候選模型、執行測試、調整方程形式，直到跑出的結果吻合現實。但問題又回來了：兩遍同樣的提示詞，AI 完全可能給出兩套大相逕庭卻同樣擬合的模型。

學者們指出，解決辦法依然是尋找「模型的分佈」。不要讓 AI 挑出唯一一個最優解，而是讓它生成一大群候選模型，根據資料支援度和簡潔度去打分淘汰，最後看活下來的那一批模型共同保留了什麼特徵。如果所有表現優異的方程裡都有那個「四次方」，那這個特徵大機率就指向了物理世界的本質機理。

為什麼重要

對從事科研的開發者和科學家來說，這篇探討點出了 AI 輔助科研下一階段的關鍵轉變。現在的痛點從來不是算力不夠或模型無法擬合數據，而是黑盒模型常常給出「正確但無法解釋」的結果。引入基於模擬的推斷和模型分佈評估，能幫科研人員把 AI 從一個高階擬合工具，變成幫人類排查機理假設的探路助手。

對行業而言，AI for Science 正從單純刷榜分子結構預測，逐步深入到動力學機制和可解釋科學建模的腹地。Anthropic 資助這一方向，看起來也是想跳出單純堆引數的死衚衕，讓大模型在科學探索中扮演更嚴密的符號推演角色。

我們認為圖賓根學者指出的方向非常清醒：科學的目的是洞察，而不是一堆冰冷的數字。用 AI 找出一萬種擬合數據的黑盒很容易，但只有當 AI 能告訴我們「為什麼只有這種機制才成立」時，它才算真正接過了科學家的衣缽。不過，這種反覆模擬與多智慧體推斷需要消耗極其可觀的算力，如何把高昂的模擬成本降到普通實驗室用得起的水平，依然是個待解的現實難題。