当下，AI for Science正经历从“工具辅助”到“范式重构”的认知升级。一方面，DeepMind、微软、中科院等机构相继推出面向材料、生物、物理领域的科学大模型，试图用通用架构覆盖跨学科的科学推理任务；另一方面，越来越多的研究者意识到，将通用大模型直接应用于科学发现，正遭遇日益明显的边际效益递减。一个日益强烈的共识正在形成：AI for Science的真正瓶颈，不在模型大小，而在数据本身——更确切地说，是高质量、可闭环的真实实验数据的系统性稀缺。

围绕这一共识，当前学术与产业界形成了若干方向的分歧。在数据层面，“合成数据能否替代真实实验”成为争论焦点；在基座选择层面，“通用大模型微调”与“原生科学专用基座”两派各执一词；在科研范式层面，“AI辅助人类”与“AI自主发现”的边界正在模糊——当一个系统既能预测也能设计实验并执行验证时，它是否已经改变了科学发现本身的定义？这一追问直指AI4S的终极命题：AI究竟是科学家的工具，还是科学发现的主体？

在本次会上，王轩泽给出了他的系统判断。

第一，归纳与外推的本质冲突。 统计学习假设训练集与测试集同分布，模型本质是在高维空间平滑插值，而科学发现要求推断分布之外的新知识。第二，因果结构的学习需要主动干预。 观测数据只能揭示相关性，无法区分因果方向，智能体必须设计实验、施加干预，这种“做中学”的能力是当前被动吸收文本的模型所不具备的。第三，负向信息的系统缺失。 科学论文仅记录成功实验，超过90%的失败案例、边界失效被排除在外，模型从未“见过”物理世界的极限状态，无法建立对约束的认知。真正的科学发现需要从“归纳”跨越到“演绎”——从观测抽象定律，再依定律推导新现象并实验检验，这一循环中的“演绎”和“实验检验”环节，正是当前AI完全缺失的。

合成数据的信息闭合与真实实验的不可替代性

王轩泽对当前业界热衷的合成数据路线提出学术质疑。合成数据本质是已有理论框架的“自我复制”，构成信息闭合——任何生成数据的信息量不可能超过训练数据蕴含的总量，这是信息论的基本约束。合成数据面临双重困境：一是理论近似偏差随迭代指数级放大；二是完全依赖人类既有假设，无法产生框架之外的新知识，反而可能强化偏见、锁定认知“舒适区”。王轩泽强调，真实世界的数据获取是主动探索未知空间的信息获取过程——要求智能体设计实验、施加干预、观测结果并更新信念，这正是科学方法的精髓，也是当前大模型范式所缺失的核心环节。

系统化路径：搭建高通量实验室补齐高质量数据

正是基于对合成数据局限的深刻认识，王轩泽明确提出：行业必须系统性地搭建高通量自动化实验平台，以补齐AI for Science所急需的高质量真实实验数据。他指出，当前科学数据的稀缺并非简单的“数据不够”，而是数据生产的范式出了问题——传统人工实验成本高、周期长、通量低，且结果记录不统一，难以形成可供AI训练的标准化数据集。高通量自主实验室的核心价值在于：以低成本、高效率、标准化的方式持续产生具有完整记录（包括失败案例和边界条件）的真实物理数据，为模型训练提供信息论意义上“增量”的信息来源。这是打破合成数据“信息闭合”的唯一可行路径。

让AI成为能够自主进化的"科学家”

AI 是工具还是科学发现主体？

对于“AI是工具还是科学发现主体”这一问题，王轩泽的思考指向了一个更深层的判断：当前业界关于AI4S的讨论，大多仍停留在“AI能帮科学家做什么”的框架内，这本身就已经预设了人类的中心地位。然而，科学史反复告诉我们，每一次真正的范式革命，都不是在旧框架内提升效率，而是重新定义“谁在从事科学”以及“什么算作科学发现”。

从这个视角看，AI4S的终极命题不是“AI能否辅助科学”，而是“科学发现是否必须由人类完成”。王轩泽指出，科学方法的核心——提出可证伪假设、设计控制实验、根据结果修正理论——本质上是一套可形式化的认知程序，并非人类的特权。当前AI缺失的并非“科学直觉”这类神秘主义概念，而是三个可以明确定义的工程能力：一是将物理约束编码为可微分的归纳偏置，而非依赖数据隐式学习；二是建立从实验结果到理论修正的闭环反馈通道，而非单向的预测输出；三是具备自主设计实验方案并评估其信息增益的决策能力。这三个能力一旦在工程上实现，科学发现的主体就不再是人类的独有属性，而是人机协同的分布式认知过程。

他认为，完整的科学发现遵循“提出假设→设计实验→执行测量→分析结果→修正理论”的闭环，这一闭环中的“实验检验”和“理论修正”环节，正是当前AI完全缺失的。真正的范式变革发生在AI能够自主设计实验、执行测量、解释结果并据此修正自身理论框架的那一刻——这要求的不只是更大的模型或更多的数据，而是一种全新的认知架构，能够将“干预”和“反馈”内化为推理过程的一部分。

AI for Science的终极价值，正在于它可能成为探索AGI本质的“试验场”——科学发现所需的假设生成、实验干预、结果验证和理论修正，恰恰构成了一幅智能体与环境交互、获取反馈、迭代认知的完整图景。这条从真实世界获取数据、建立因果理解、实现自主发现的漫漫长路，或许才是通往AGI最真实、也最艰难的道路。