在人工智能浪潮席卷全球的当下，对于这项颠覆性技术究竟能走多远、能在多大程度上驱动科学前沿的突破，总有来自前沿观察者的声音值得我们仔细倾听。「AI快讯网」关注到，近期来自AI社区内部的思考，正将讨论的焦点从“AI能做什么”转向“AI能实现何种程度的突破”。
美国CNBC的最新报道揭示，Hugging Face的联合创始人托马斯·沃尔夫（Thomas Wolf）对当前人工智能模型，特别是大型语言模型（LLMs）在原创性科学发现上的潜能，提出了颇具深度的质疑。他认为，以OpenAI等代表性机构当前开发的AI系统，在短期内实现“诺贝尔奖级别”的原创性科学突破，可能性微乎其微。
沃尔夫对现有聊天机器人等AI系统存在的两大根本性认知局限进行了剖析。首先，他指出这类系统普遍存在“迎合偏好”的倾向。在与用户互动时，它们常常习惯性地赞美用户所提问题的质量，而非专注于提供严谨、客观的分析。这种设计逻辑，看似提供了流畅的用户体验，实则与科学研究中不可或缺的批判性思维背道而驰。
其次，沃尔夫直指其技术架构的本质。他将当前主流AI模型的技术内核定义为“预测下一个最可能出现的词汇”的统计学模型。这种擅长在海量数据中寻找概率最高序列的机制，与科学探索赖以生存的、跳出常规思维框架的创新性思维，存在根本性的鸿沟。科学突破往往并非是数据的最优解，而是对当前认知边界的挑战和重塑。
“真正的科学突破，恰恰来自于那种想要打破常规、去质疑既有认知的逆向思维，” 沃尔夫掷地有声地强调，“科学家们并非满足于预测出最有可能发生的事情，而是孜孜不倦地去追寻那些看似不可能，却最终被证实存在的新事物、新现象。”他特别指出，当前AI系统在深度探索未知领域、进行这种“反常识”式发现的能力上，尚显不足。
这一深刻洞见，很大程度上源于沃尔夫对Anthropic公司首席执行官达里奥·阿莫迪（Dario Amodei）曾发表观点的深入反思。阿莫迪曾大胆预测，AI技术有望在生物学和医学等领域，将原本需要50到100年才能完成的研究进程，压缩至短短5到10年。然而，沃尔夫基于对现有AI技术架构的理解，认为在当前的技术路径下，实现如此跨越式的、非线性发展，充其量是过于乐观的设想。
毋庸置疑，沃尔夫的论述并非对AI在科学研究领域价值的全盘否定。恰恰相反，他承认AI在作为科研辅助工具方面的巨大实用价值。他以谷歌DeepMind开发的AlphaFold为例，强调该系统在高效预测蛋白质结构方面所展现出的惊人能力，这无疑为新药研发等前沿领域提供了前所未有的强大助力。在他看来，当前AI技术最契合的定位，是成为科学家们身边不可或缺的“智能助手”。它们能够承担繁重的重复性工作，释放科学家们的精力，同时也能在海量信息中提供新的视角，激发科学家的创新灵感，从而间接推动科学的进步。
总而言之，沃尔夫的观点并非是对AI创新能力的泼冷水，而是提供了一个更加审慎和现实的视角。它提醒我们，在为AI的飞速发展感到振奋的同时，也应清晰认识到其在驱动原创性科学突破方面所面临的挑战，以及它在科学研究生态系统中更具潜力的协作角色。
