AI模型趋向统一理解：揭示科学真理的新路径

智能模型的科学之旅：从分歧到趋同的奥秘！MIT最新研究揭示，模型越强大，对物质的理解就越趋向一致。算力竞赛或可转向更务实的路径。

当前AI for Science的现状，犹如一场「跨界对话」，各模型以不同语言描述同一科学现象。

有的依赖SMILES字符串，有的则关注原子的3D坐标，它们在各自的赛道上比拼预测精度。

但核心疑问浮现：这些AI是在「找规律」，还是真的理解了背后的物理法则？

论文链接：https://arxiv.org/abs/2512.03750

结果令人惊讶：尽管模型的数据解读方式千差万别，但当它们变得足够强大时，对物质的理解却变得惊人地相似。

更引人注目的是，一个处理文字的代码模型，与一个计算受力的物理模型，在「认知」层面竟高度一致。

它们沿着不同的路径，登上了同一座知识的高峰，共同绘制着物理与现实的「终极地图」。

真理的汇聚：顶尖模型为何越来越相似？

为了验证这些模型是否真在逼近真理，研究者引入了一个关键指标：表征对齐度。

简而言之，就是观察两个模型在处理同一分子时，它们的思维逻辑有多相似。

研究发现，性能越强的模型，其思维方式就越接近。

性能与认知的同步：随着能量预测准确度的提升，这些模型在表达空间上会自发靠拢。每个点代表一个模型，点大小对应模型规模。

尽管这些AI的架构各异，但在处理同一批分子数据时，其特征空间的复杂度却惊人地压缩到一个很窄的范围。

无论模型外壳多么复杂，它们最终捕捉的都是最核心、最精炼的物理信息。

超越架构：AI的共通智慧

在跨架构的表征对齐研究中，发现高性能模型如Orb V3与严谨物理模型（如MACE、EqV2）之间存在强烈共鸣。

通过更灵活的训练，这些模型能更精准地对齐物理规律。

这表明，当AI获得足够多的数据和恰当的训练方式时，它甚至能超越现有公式，自行探索物质运行的本质规律。

跨界共鸣：从分子到「猫」的共通理解

你以为这种「共识」只限于科学AI？其实并非如此！

研究发现，纯文本的语言模型（如GPT系列）和纯图像的视觉模型（如CLIP或DALL·E背后的模型），对「猫」的理解也越来越相似。

在语言模型中，「猫」的向量表示会靠近「毛茸茸」「喵喵叫」「宠物」「抓老鼠」等词汇。

而在视觉模型中，「猫」的向量则靠近其视觉特征如胡须、圆眼睛、软毛、优雅的尾巴等。

尽管这两个模型一个看文字、一个看图片，看似无交集。

但随着模型规模扩大、性能增强，这两个不同模态的「猫」表示在空间中越来越近，仿佛在共享同一个「猫的本质」！

警惕迷路的AI：高分非真理

高性能模型在山顶汇合，那表现不佳的模型呢？

研究发现，性能不佳的模型有两种「死法」：一种是各想各的，越走越远；另一种则是集体变笨，虽然想法一致但遗漏关键信息。

图中白色点代表模型从未见过的分子结构。可见，这些模型在处理这些结构时误差激增，且表征完全偏离正常物理分布。

真理唯一：算力自由的曙光

既然实验证明不同AI都在向同一物理理解靠拢，我们还有必要堆昂贵的显卡从头训练大模型吗？

答案显然是没有。而且AI已为我们找到捷径——「模型蒸馏」。

图中圆点大小代表模型参数量。可见，即使较小的模型，只要其表征能与最佳性能模型对齐，同样能在分子能量预测任务中表现惊人。