数据中心里的爱因斯坦军团，真能改变世界吗？

Thomas Wolf是Hugging Face 的联合创始人兼首席科学官 (CSO)，下面这篇文章来自他的博客https://thomwolf.io/，其中的思考值得分享。如果你觉得有启发，也请转发给你的朋友。

前几天我在一个活动上扔了个争议性观点，现在想展开说说：我担心AI不会给我们带来所谓的"压缩版21世纪"。

这个说法来自Dario Amodei的《慈爱机器》（他是人工智能公司Anthropic的首席执行官，没看过的建议补课，确实是篇硬核论文）。简单来说，文章预言未来一两年内会出现"数据中心里的爱因斯坦军团"，让本该用100年完成的21世纪科学突破，在5-10年里打包完成。

第一次读的时候我鸡皮疙瘩都起来了——AI五年颠覆科学界！太燃了！但隔了几天重读，越看越觉得像是科技圈的"美好愿望"。

按现在这个发展节奏，咱们最后搞出来的估计是"服务器上的点头机器"。别急，听我用亲身经历解释为啥这么说。

我从小就是别人家的孩子。小镇做题家出身，考上法国顶级工程学院，又申到MIT读博。上学对我来说就跟玩儿似的，总能预判教授出题思路，考试押题一押一个准。

但等我真开始搞科研（准确说是读博那会儿），直接被现实暴击，发现自己就是个平平无奇的科研狗。看着周围同学各种奇思妙想，我自己却总在撞南墙。书本里没写的东西死活想不出来，好不容易憋出个点子，也就是已知理论的低配版。最要命的是，我发现自己很难跳出既有的知识框架——可能正因为我太会考试，才成不了爱因斯坦。

翻翻科学史，天才们上学时大多混得不咋地：爱迪生被老师骂"糊涂虫"，芭芭拉·麦克林托克因为"奇葩思路"被diss，结果拿了诺奖，爱因斯坦考苏黎世理工还落榜过...这样的例子数不过来。

大家总有个误区，觉得牛顿、爱因斯坦就是超级学霸pro max版，好像把学霸属性拉满就能量产天才。这种想法完全没get到科研的真本事——提出关键问题并质疑现有认知的勇气。真正的科学突破，就像哥白尼顶着整个时代的认知（用AI术语就是"对抗训练数据"），硬说地球绕着太阳转。

想在数据中心造出爱因斯坦，光会答题可不够，得能问出所有人都没想到的问题。当教科书、专家和常识都说"是是是"的时候，敢来句"万一全错了呢？"

想想狭义相对论多疯批——敢把"光速不变"当基本设定，放现在看都反常识。还有CRISPR的故事，这玩意被发现25年来都被当成细菌免疫系统，直到杜德纳和沙尔庞捷突然开窍："拿来搞基因编辑不香吗？"直接喜提诺奖。这种"大家都知道XX能YY，但万一它能ZZ呢？"的脑洞，才是推动科学进步的核动力。

这种级别的突破一年也就一两次，等大家反应过来基本都该发诺奖了。虽然稀有，但我和Dario都认同，这些突破才是推动科学发展的主引擎，其他都是修修补补。

再看看现在测AI智商的考题，什么"人类终极考试""高数地狱"，其实都是博士们出的高难度闭卷考。这完全就是我学生时代最擅长的套路——在已知问题里找标准答案。

但真正的科学革命从来不是解出难题，而是问出没人想过的问题。就像《银河系漫游指南》里的梗：答案是42，但问题是啥？搞科研本质上就是在找那个正确的问题。

这就是为什么现在的大语言模型，虽然把人类知识库全装进内存了，还是整不出真正的新发现。它们现在干的就是"知识填缝"的活，在人类已知的信息网上查漏补缺。我们正在培养的是听话的学霸，不是掀桌子的革命者。当个超级助手确实够用，但要让AI敢质疑训练数据、提出反常识的脑洞，还得再进化几轮。

真想搞大新闻，咱们得重新设计AI的考核标准。新指标应该重点考察：

1. 敢不敢质疑学过的知识

2. 能不能玩转反事实推理

3. 能不能从蛛丝马迹推出神结论

4. 会不会问出开启新赛道的问题

我们不需要门门满分的做题家，而是要那种能发现集体盲点的"B等生"。

第四季课程紧跟AI前沿应用与实践，将带你从0到1掌握AI技能，现在加入还能享受399元限时早鸟价！