欧易数字货币交易所 更快、更好、更强

生成式AI的热潮似乎让每个人都想象自己可以拥有一个24小时不休息的科研助手，但Richard Sutton提醒我们，这只是表象。作为强化学习领域的开创者，他在最新演讲《AI Creativity and Discovery》中直言：目前的生成式AI仍是“模仿式AI”，在科学和数学领域无法实现真正的创造。

他指出，科学发现本质上是一个不断试错的过程：需要变异、评估和选择性保留。AI生成模型虽然能输出新组合，但缺少独立评估机制——也就是说，它可以生成有趣的公式或论文段落，却无法判断哪些结果值得保留。这也是为什么现阶段生成式AI在科研应用中往往停留在辅助整理文献或生成初步草稿，而非自主提出创新假设。

Sutton进一步提出，如果目标是培养全自动的“AI科学家”，人类必须明确将科学探索的衡量标准转化为可被算法量化的目标函数。换句话说，AI必须知道什么是“值得探索”的路径，才能超越简单的模式组合，进入真正意义上的发现和创造。这也间接解释了为什么目前许多AI在科学实验中出现的“新发现”，往往依赖人类专家来评估和筛选。

在行业观察层面，这意味着生成式AI即便在药物设计、材料科学等领域大显身手，其底层逻辑仍是模仿已有知识，而非独立创新。过去几年AI在蛋白质折叠预测的突破，如AlphaFold，也离不开强大数据和明确目标函数的指导——它的创新不是凭空而来，而是在严格评价机制下优化的结果。

Sutton的提醒在创业和学术界都有现实意义：追求“完全自主AI”需要的不只是算力和数据，还需要对“创新标准”的形式化、可量化理解。这或许会成为未来AI科研产品设计的新分水岭：谁能让AI在创造与评估之间形成闭环，谁就可能真正跨越模仿的天花板。

简单地说，AI能帮我们写诗、生成分子结构，但若想让它像科学家一样独立发现新定律，还差一个关键环节——自我评估和目标感知。