[AI小新闻快讯] AI会阻碍科学的进步？过度专注于「预测」的风险与解决方案

📰 新闻概述

• AI的「实物地图」化: 现代AI（如LLM和AlphaFold）能够从海量数据中进行精确预测，但这造成了类似博尔赫斯所描绘的「实物地图」（过于详细以至于没用）的情况。
• 缺乏范式转变: 目前的AI在现有框架下的预测能力很强，但却没有像麦克斯韦方程预言收音机那样，推导出颠覆现有概念的新科学框架（范式）。
• 对超常科学的警告: 预测精度的提升可能会导致「超常科学」的状态，即只关注预测而失去提出新类别问题的能力。

💡 重要要点

• 预测与理解的区别: 在某些情况下，简化的伦敦地铁路线图比地理上准确的地图更具「理解性」和「实用性」。科学不仅需要数据的积累，还需要对简单原理的提炼。
• 前瞻性机器的必要性: 需要构建一种「前瞻性AI」，能够创造新的概念性词汇，而不仅仅是基于现有模型进行推理的「预测机器」。

🦈 鲨鱼的视角（策展人的观点）

现在的AI像AlphaFold一样推出「正确答案」确实很酷，但这仍然只是「现有规则的延续」。这篇文章的尖锐之处在于，随着信息密度的增加，「新问题」可能会变得不那么明显。就像麦克斯韦将四个不同的定律归纳成一个方程时看到了「收音机」，AI也需要通过「减法美学」来重塑范式！目前的AI仍然只是擅长在规则中游泳的优秀学生而已！

🚀 接下来会发生什么？

研究的重点将从简单的「更大模型」或「更多数据」的开发竞争，转向质疑现有科学框架，构建新的理论的「推理与发想型AI」。

💬 鲨鱼的一个观点

数据多并不一定是好事！有时候，我们也需要抛开地图，凭直觉去感受海流的变化！🦈🔥

📚 术语解释

• 超常科学: 在现有理论框架内，预测精度被极限提高，而新的发现或理论飞跃停滞的状态。

• 范式转变: 科学框架或价值观在一个时代被认为是理所当然的情况下发生剧烈变化。

• AlphaFold: 由Google DeepMind开发的AI，能够从氨基酸序列信息高精度预测蛋白质的三维结构。

• 信息来源: AI Risks “Hypernormal” Science