图宾根AI模型分布论
3 节点1 篇3 来源
德国图宾根大学与ELLIS研究所的研究者Jakob Macke、Daniel Gedon和Stefan Wahl提出，AI辅助科学建模的核心价值不在于找到拟合数据的单一模型，而在于提供一组受数据支持的候选模型分布。他们以Hodgkin-Huxley神经细胞模型为例指出，仅复现观测数据不足以构成“理解”，因为许多不同的参数组合或方程结构都能产生相同的输出。真正的洞察来自于识别哪些模型特征被数据严格约束，哪些解释站得住脚。为此，团队开发了ModelSMC算法，利用大语言模型生成并筛选候选模拟器代码，通过序贯蒙特卡洛采样构建模型的后验分布。该方法已在合成流行病学、肾脏调节模拟及神经科学任务中验证，旨在让AI像人类科学家一样，通过保留失败候选和不确定性来深化对真实系统的认知。
事情怎么走到这一步
Hodgkin和Huxley建立描述鱿鱼神经细胞动作电位的方程，并通过手工计算验证了四次方项的必要性，为后续离子通道结构发现奠定基础。
anthropic.com ↗Wahl等人提交arXiv论文《A Probabilistic Framework for LLM-Based Model Discovery》，正式提出将模型发现重构为概率推断问题。
arxiv.org ↗Anthropic发布由Macke、Gedon和Wahl撰写的客座文章，阐述AI应返回加权模型分布而非单一最佳拟合模型的观点。
anthropic.com ↗
还没定论的部分
- ModelSMC等基于LLM的模型发现方法在解决无已知答案的前沿科学问题时，其有效性是否仍受限于API调用成本和计算资源？
- 当多个拟合良好的模型在机制上存在根本冲突时，如何量化这种分歧以指导具体的下一步实验设计？