这篇文章以什么问题为例?
Anthropic的研究文章以霍奇金-赫胥黎模型为例,说明科学模型有时会采用某种形式,是因为它契合观测结果,而不是因为研究人员一开始就知道背后的原因。文章称,在该模型较简单的版本与实测数据拟合不佳之后,霍奇金和赫胥黎采用了一个四次方项。Unite.AI的报道重述了这一点,并补充说,赫胥黎用手摇计算器花了三个多星期求解这些方程。这里得到支持的观点范围很窄:四次方项被呈现为一种经验建模选择,用来改善与观测数据的拟合,而不是声称研究人员在选择它时已经掌握了完整的机制性解释。
基于模拟的推断在其中起什么作用?
文章把基于模拟的推断描述为一种计算方法,用来处理科学建模中的逆向工程问题。按照这一说法,研究人员会对参数进行采样,运行模型或模拟器,记录输出,多次重复这一过程,并用合成结果训练神经网络。文章给出了大致规模:像霍奇金-赫胥黎这样的模型或许需要运行10万次,而更大、更复杂的模型可能需要运行数百万次。Unite.AI也将同一机制描述为对参数采样、运行模拟器,并基于输出训练神经估计器。这是一套围绕重复模拟建立的参数搜索和推断工作流,并不是在声称模拟器的方程会自行写出或证明自己。
分析:文章为LLM智能体提出了什么角色?
一个有用的区分是:拟合模型参数,与提出或修订模型形式本身并不是一回事。Anthropic的文章称,基于LLM的智能体在获得数据和自然语言的系统描述后,可以编写候选模型代码、运行模型、约束其参数、将输出与现实世界数据进行比较,并修订方程。Unite.AI也描述了同样的拟议工作流。结合霍奇金-赫胥黎模型的例子和基于模拟的推断说明,可以作出的有限推论是,这篇文章把LLM智能体放在模拟工作流的上游,并让其与模拟工作流并行发挥作用:它们可以生成候选方程或模拟器代码,随后再对这些内容施加约束,并与观测结果进行比较。现有说法并不能证明这类智能体能够可靠地发现正确的科学定律,也不能证明已有任何部署可用。
官方公告发布时间:2026年11月06日00:00 UTC。
