深度AI资讯：斯坦福吴英成谈下一代AI如何“蒸馏地球”

type

status

date

slug

summary

从“蒸馏互联网”到“蒸馏地球”：大模型的数据破局

过去几年，openai等顶尖机构通过海量互联网数据训练出了令人惊叹的语言模型。可以说，这一代AI的本质是“蒸馏互联网”——它们学习并压缩了人类已经记录下来的知识、经验和思考方式。然而，互联网本质上是一个“存量”世界，它的边界受限于人类的记录能力。

吴英成指出，自然规律并没有被完整地写在互联网上。疾病的发生机制、细胞对特定药物的扰动响应、新型材料在极端条件下的物理性质，这些复杂的科学答案无法仅凭提示词（Prompt）从现有的文本库中生成。因此，下一代AI必须寻找新的数据源头，即“蒸馏地球”。

“蒸馏地球”意味着让AI离开纯粹的数字环境，进入真实的物理世界（如生命科学实验室），通过与环境的真实交互产生增量数据。这不再是简单地爬取网页，而是直接向自然界发起提问，并获取只有真实实验才能给出的回答。获取更多大模型前沿AI资讯，欢迎持续关注我们的AI日报。

AI for Science：打破物理世界的通量瓶颈

今天的AI已经能够极快地阅读海量文献、分析复杂数据并生成科学假说。但科学发现的流程在这里遭遇了严重的“木桶效应”：AI生成假说的速度，已经远远超过了传统湿实验（Wet Lab）能够承接和验证的速度。

当ChatGPT等模型在几秒钟内给出数十个潜在的分子结构或实验方案时，人类科学家却需要在实验室里耗费数月时间进行移液、细胞培养、观察和记录。限制科学进步的瓶颈，已经从“智力”（提出假说）转移到了“物理世界的通量”（验证假说）。

吴英成团队正致力于构建面向前沿模型的AI4S（AI for Science）数据基础设施。他们希望打造的“具身AI科学家”，并非仅仅是给实验室安装几台机械臂来替代重复劳动，而是要让AI形成“提出假说-执行实验-获取数据-修正模型”的完整闭环。从细胞培养这一标准化程度高的场景切入，逐步实现长程任务的自动化，最终让实验室成为一个能够持续产生高质量、可验证科学经验的“数据飞轮”。

失败数据的隐秘价值与AI数据基础设施

在探讨AI如何从物理世界学习时，吴英成特别强调了一个常被忽视的维度：失败数据。在传统的科学出版体系中，论文和数据库几乎只记录成功的实验结果，那些走不通的方向、导致失败的条件往往被遗忘在实验室的角落。

然而，对于机器学习，尤其是强化学习和模型后训练而言，失败的轨迹（负数据）具有不可估量的价值。它们能够为模型提供关键的负反馈，帮助AI认识到物理世界的边界。如果AI只学习被人类筛选过的“成功历史”，它将永远无法真正理解实验条件微小偏差所带来的连锁反应。

因此，建立一套能够完整记录假设、行动、环境变化、结果及归因的AI数据基础设施至关重要。这不仅是AI变现在科研领域的全新商业模式，更是让模型从“读懂科学”跨越到“真正做出发现”的核心壁垒。

跨越聊天框：AGI的终极形态与未来图景

“我会比较粗略地把未来分成 AGI 之前和 AGI 之后。”吴英成对AGI的信仰，驱使他放弃了相对清晰的临床医学道路，投身于充满未知的前沿探索。

如果AI始终停留在屏幕背后的聊天框里，它对世界的理解将永远是二手的、不完整的。一个真正意义上的AGI，必须具备在物理世界中行动、发现和自我改进的能力。它不仅要能回答人类提出的问题，更要能提出人类尚未想到的问题，并亲手通过实验找到答案。

当自动化和具身智能大规模进入科研与生产，我们将迎来科学发现周期的指数级缩短和物质财富的极大丰富。从药物研发到新材料探索，AI与物理世界的深度融合将彻底重塑我们的生产力版图。

在这个激动人心的变革前夜，保持对前沿技术的敏锐嗅觉至关重要。无论您是科研工作者、开发者，还是寻找AI变现机会的创业者，了解这些底层逻辑都将为您带来巨大的竞争优势。欢迎访问 AIGC.BAR 获取最新、最全的AI门户资讯，与我们一起见证下一代AI如何“蒸馏地球”，迈向真正的通用人工智能。