教导 AI 构建科学模型

科学建模的演变

科学建模历来依赖于一个三步流程：基于理论假设构建模型，通过实验数据进行约束，以及解释结果以获得洞察。虽然像 Hodgkin 和 Huxley 这样的科学家过去是手动执行这些步骤的——通常需要数周的计算——但如今 AI 系统已越来越有能力自动化这些任务。主要的挑战仍然在于，仅仅复制数据的模型是不够的；真正的科学进步需要理解模型为何有效，以及哪些特征是本质的，哪些是偶然的。

利用基于模拟的推理来约束模型

约束模型（即调整参数以匹配实验测量值的过程）是 AI 取得最显著进展的领域。传统方法在处理复杂系统时往往会遇到困难，因为多种参数组合可能产生相同的结果，从而掩盖了潜在的不确定性。

基于模拟的推理 (SBI) 通过利用神经网络将模型输出映射回可能产生这些输出的参数范围来解决这一问题。通过运行数百万次模拟器，研究人员可以训练模型在几秒钟内执行推理。这种方法特别强大，因为它提供的是合理参数的概率分布，而不是单一的“最佳拟合”，从而使科学家能够识别出数据在哪些地方受到良好约束，以及在哪些地方需要进一步的实验。

自动化模型构建

除了参数调整之外，AI 智能体现在正被用于设计模型本身的结构。通过利用大语言模型 (LLMs)，这些智能体可以根据自然语言描述和实验数据提出候选方程，并进行迭代优化，直到它们准确地复制观测结果。

然而，这种能力引入了一个新的风险：只返回一个成功模型的智能体可能会掩盖其他同样有效的替代方案。为了保持科学严谨性，研究人员主张将模型构建视为模型约束——生成一系列合理的模型，并根据它们与数据的自然拟合程度进行加权。这使科学家能够看到所有成功模型中共享的特征，从而为发现提供更坚实的基础。

解释的挑战

解释仍然是自动化过程中最困难的一步，因为它需要从数值准确性转向概念理解。如果一个模型允许研究人员在不运行模拟的情况下推导出结论，那么它就被认为是“可理解的”。虽然 AI 可以通过生成揭示潜在设计原则的代码来提供帮助，但最终目标是为人类科学家提供一份说明，阐述模型的哪些部分是由数据确定的，以及在过程中排除了哪些替代方案。

扩展科学发现

随着 AI 工具降低了构建和测试复杂模型的门槛，科学探究的规模正在扩大。研究人员现在正将这些方法应用于以前被认为过于复杂而无法进行手动建模的系统，例如整个大脑的神经架构。在这些高维空间中，目标从寻找单一的“正确”模型转变为识别所有与数据兼容的模型所共有的属性。科学 AI 的未来在于那些不仅能提供答案，还能传达发现过程的系统，从而确保所获得的洞察力对人类研究人员来说仍然是可理解的。