Anthropic客座论文呼吁AI返回科学模型的多个可能范围

Anthropic于2026年11月6日发表了一篇客座研究论文。在文中，获得 AI for Science 项目资助的研究人员 Jakob Macke、Daniel Gedon 和 Stefan Wahl 主张，大语言模型智能体应返回多个合理科学模型的加权分布，而不是只给出一个拟合度最高的模型。作者是 ELLIS Institute Tübingen 和 University of Tübingen 的研究人员。

他们的核心区分在于：重现观测结果，并不等于理解一个系统。许多不同的参数设置都能产生相同的输出，而不同的方程结构也可能解释同一组测量结果。因此，智能体若只返回一个可行答案，就会掩盖其他可能性，而这些替代方案或许对应着不同的作用机制或预测。

模型的构建、约束与解读

论文将科学建模划分为三个反复进行的步骤：构建模型的组成部分和方程；利用测量结果约束可调参数；解读结果揭示了真实系统的哪些特征。论文以霍奇金和赫胥黎的神经细胞模型为历史案例。两人选择了四次方项，因为较简单的版本对数据的拟合效果较差；而在剑桥大学的计算机于1951年停摆后，赫胥黎用手摇计算器求解方程，耗时三个多星期。

关键就在于这段淘汰其他方案的历程。四次方项支持了一项关于膜门中多个活动部件的假设；如果不知道较低次幂的模型都未能奏效，那么单凭数值拟合就不足以支撑这一解释。作者以此为例，提出了AI应遵循的标准：保留建模过程所揭示的信息，包括未能成立的候选方案和仍然存在的不确定性。

从参数分布到模型分布

贝叶斯推断通过将合理的参数设置表示为概率分布，结合数据拟合结果和先验知识，来处理参数层面的问题。对于机理模拟器而言，常规的似然计算往往难以实现：一篇2020年发表在《美国国家科学院院刊》（PNAS）上的综述解释说，似然计算实际上需要对模拟器所有可能的执行路径进行积分。

基于模拟的推断则采取另一种方式：对参数进行抽样、运行模拟器，并利用生成的合成输出训练神经估计器。SNPE方法需要一个可运行的模型、参数的先验约束，以及观测数据或汇总特征；它不需要计算似然，也不需要可微的模型代码。在模拟的霍奇金-赫胥黎实验中，一轮运行使用了100,000次模拟，根据七项电压特征估计八个生物物理参数。增加特征后，后验分布收窄，也显示出观测结果对哪些参数的约束较强、对哪些参数的约束较弱。在前期完成模拟和训练后，训练得到的替代模型便能高效评估新数据。

论文将这一思路从参数扩展到了模型结构。大语言模型智能体可以编写候选模拟器代码、运行代码、约束参数、将输出与观测结果进行比较，再据此修订方程。不同的运行可能产生不同但同样可行的结构，因此论文提出以加权模型集合的形式输出结果：候选模型根据数据支持程度获得权重，过度灵活的拟合得到较低权重，而表现更好的候选模型则用于生成更多变体。幸存模型共有的特征表明证据支持什么；模型之间的分歧则指出证据薄弱之处，并提示可能开展的下一步实验。

ModelSMC在可执行模型中进行搜索

在2026年早些时候发表的一篇ModelSMC论文中，Wahl及其同事（包括Macke和Gedon）将这一方法形式化为针对可执行模拟器程序的概率推断。每个候选模型都是一个粒子，由大语言模型根据祖先实现、评估反馈和任务背景提出或改进。基于似然的权重和重采样会使粒子群集中到有希望的结构上；在发现结构的过程中，参数会被边缘化，而不是针对每种结构分别优化并压缩为单一估计值。论文说明，API额度由Anthropic的AI for Science计划提供。该计划于2025年5月5日启动，面向经遴选、隶属相关机构的研究人员，尤其关注生物学和生命科学领域。

实验涵盖合成流行病学动态、肾脏醛固酮调节模拟器，以及一项使用10段真实电压记录的霍奇金-赫胥黎结构发现任务。作者报告称，高权重的神经科学模型反复加入了M型慢钾电流，有时还会同时加入另一种通道；这一模型家族在10次运行中有9次排名第一。总体而言，在预算相近的情况下，其定量表现与FunSearch+和单粒子变体相当；论文所称的优势在于能够对模型家族进行后验分析，而非在所有情况下都具有性能优势。

解读与验证

ModelSMC记录在案的成本和依赖条件，与其实验结果同样重要。反复进行模拟和似然估计的计算开销很大；模型设定错误时，替代似然可能引入偏差；而发现过程也取决于大语言模型能否提出有用的结构。客座论文还提出了更广泛的限定：这些系统大多只在重新发现已知模型的任务中接受过测试，而关于它们能否解决尚无已知答案的科学问题，现有证据仍然有限。

作者认为，解读是最难委托给他人的环节，因为数据拟合可以衡量，而理解是否加深却没有同样明确的评判标准。系统受到扰动后，如果多个拟合模型得出一致结论，预测的可信度就会提高；如果结论不一致，则说明仍有尚未解决的作用机制，也能为下一项实验提供方向。如果人工智能减轻了过去对紧凑、易于人类理解的模型的要求，这一要求就会变得更加重要，因为模型越大，就越需要明确说明不确定性，并提供简短的机制摘要。

因此，作者设定的标准不止于模型拟合良好：人工智能系统还应记录支撑其答案的证据，包括能够确定各组成部分的测量结果、未能成立的候选方案、尚未消除的不确定性，以及搜索过程中提出的问题。鉴于验证基础仍然有限，关键问题在于：保留模型分布以及被否决方案的历史，能否帮助人们理解真正尚无定论的科学问题。