搜索
这篇文章，我们和谷歌DeepMind前资深研究科学家曹原，一起聊聊AI for Science。 我们从AI科学自进化的方法论，聊到AI数学和AI物理的应用，最后甚至还聊到了一些哲学问题和人类的意义。以下，就是我们和曹原的对话。
科研的链条很长。文献读不完，方向想不清，实验一轮接一轮，论文改到深夜。过去两年，大模型已经能读论文、写代码、改文章，但它们大多以问答工具的形态散落在各个环节，替研究者节省的只是零碎时间。
大模型机制可解释性研究中，一直存在一个颇具反差的现实： 为了理解一个已经训练好的模型，研究者往往需要先训练一套新的稀疏表示。
不是吧，AI竟然比人还擅长做杀猪盘，甚至还更容易被信任……
端到端策略模型在物理世界频频失灵，研究者转向 “大模型智能体 + 工具调用” 自救，试图在动态物理世界中持续学习。然而，这条在线学习路径在物理世界仍未真正走通。
给AI一道数学猜想，它先琢磨的居然是：怎么把它推翻找反例！！
AI的“情绪”也会影响工作状态？
最新访谈中，奥特曼给出了一个罕见的评价：「他可能是AI历史上最重要、却不太为人所知的研究者。」这个人就是Alec Radford，真·GPT之父。你可能没听过他，但你大概率用过他发明的东西。
近日，清华大学智能产业研究院（AIR）与加州大学伯克利分校（BAIR）团队合作提出了一种全新的预测范式 ODEWorld，其建立在连续的“物理时间流”（Physical-Time Flow, PT-Flow）之上。与传统方法直接预测下一帧是什么不同，ODEWorld 试图学习的是：世界究竟怎样从当前状态连续地变化到未来状态。
OpenAI研究员roon说得更绝：「我不写代码了，100%都是GPT完成的」。如今，另一位大佬在深度体验Claude Code和Codex之后，直呼「5年后，人类不再写代码了」！