关于 AI 能不能做科学，硅谷的讨论大多停在概念上。但真正把模型接进科研流程的人，给出的答案往往没那么痛快。
近日，在 Latent Space 播客的 AI for Science 栏目中，联合主持人 Brandon Anderson 与 RJ Honicky 对话 Google Fellow John Platt。他在 Google Research 领导应用科学部门，读博时由 John Hopfield 联合指导，也是 SMO 算法和 Platt scaling 的作者。
读博时他跟着 Shoemaker 夫妇的行星科学课，去帕洛玛天文台拍胶片、回来用立体镜比对，一个人发现了两颗小行星；而 1986 年实习时写的布料仿真器，二十年后把他送上了奥斯卡技术成就奖的领奖台。
眼下他在做 Google 的 ERA 系统，让代码自己去找最优解。他的判断很清楚：它给出的是预测模型，不是科学真正想要的描述模型。
01
一个人怎么发现两颗小行星？
RJ Honicky 一开口就是这个好奇：“我特别想知道，一个人怎么才能有机会给一颗小行星命名？”
John Platt 的回答很朴素：Caltech 的 Shoemaker 夫妇开了门行星科学课，带学生走了一遍发现小行星的流程。那是八十年代，什么都还没自动化：去帕洛玛天文台拍同一片天区，拿回来放进立体镜，“看有没有什么东西浮出来，因为它会移动一点点”。他自己发现的那颗用了父亲的名字。他还跟 Carolyn 抱怨过“可我也想命名一颗”，Carolyn 就把自己的一颗让给了他；后来他们又用他母亲的名字命名了一颗——用他母亲命名的那颗，旁边有一颗卫星。
那现在的年轻人还需要撞墙吗？Brandon 抛出真正的分歧：这些当年靠死磕的问题，如今大模型一秒就能解决，可正是死磕教会了人解决更难问题的本事。Platt 承认很难逆着潮流给建议：“我希望大家在职业生涯里能这样，但这很难，因为整个世界好像都想把一切都优化掉。”他讲了自己：“Boosting 我写过，大概重写了四遍，四种不同的语言。所以到现在我是真懂 boosting。”结论是别什么都挑最省事的路走，“你也得把肌肉练出来”。
他也说自己到现在都在“特别、特别努力地保护”Google 的 20% 时间——你想学什么都“都不用告诉我。其实最好别告诉我”。因为超级优化会丢掉东西，“你会过拟合”。
02
ERA 是什么：让代码去拿高分
它把科学问题重述成打分任务。Platt 说，很多科学问题一旦映射进这个框架就能大进展：你有一个数据集，希望模型和数据拟合得越来越好。而内循环之所以聪明，是因为它本身是个 AI：“正因为这个内循环是一个有海量先验知识的 AI，你就能解决很多有意思的问题。这就是诀窍。”
外层是蒙特卡洛树搜索。系统同时维护几百上千个候选 notebook，挑一个让 Gemini 生成新版本，测完放回候选池；挑选用强化学习的上置信界（UCB），“它估的是当前表现再加上两倍标准差”，所以有时挑中的不是最好的那个，而是第五好的。并行条数也有取舍：“你要是一次跑一千个，那就是烧掉巨大的算力，却没什么交叉学习。”
最难的一步还是人。Brandon 认为搞清楚到底要优化哪个分数，恰恰是问题里最难的地方；Platt 同意，并补上残酷的一面：迭代过程总会找到作弊的空子，“所以你得反复调、反复试”。
战绩是卡了两年的凝结尾迹。凝结尾迹造成大约 1% 的人为全球变暖，要判断该让哪架飞机绕飞，就得知道每条尾迹到底造成了多少增温——这是反事实问题。他们卡了整整两年：“我们自己的尝试连自己设的测试都过不了，而 ERA 做出来的过了，把这个问题解开了。”
03
AI 至今没能改写气候建模
牛顿与苹果。Platt 反复强调一条边界：ERA 给出的是预测模型，不是科学真正想要的描述模型。描述模型得能外推，因为它里面装着物理。他打了那个比方：牛顿从苹果想到引力，可引力跟苹果没什么关系；换成一台 17 世纪的机器学习模型，它只会说苹果会往下掉，行星呢，“我手里没有行星的数据”。
他把这叫做“锯齿状前沿”：指向已有论文，它极擅长迁移方法，甚至能复现论文里的代码；但“只要你不告诉它，它不会从零发现全新的物理”。创造力、哲学思考、一丝不苟的严谨，“这些完全得靠人”。
十亿支飞镖：找到的是规律还是巧合？Platt 提醒，工具越强越危险：“因为它是强力工具，它可能把你的手指切掉。”你必须保留真正隐藏、自己从不查看的留出集。Brandon 接住这个判断：这也许是新世界里最重要的技能之一，也许是品味的一个变种。
实验室才是瓶颈。气候是个非平稳的开放问题，底层物理本身在变，一个地点运气好也就 50 个数据点。RJ Honicky 在这里插了一句自己的困惑：“那我们就到这一步了吗？我们现在就都成中层管理者了？我不知道。”Platt 的回应是不能当个空架子，因为“它们犯的错跟人犯的错不是一回事”，并用费曼的话把标准指向自己：“你绝对不能欺骗自己，而你自己恰恰是最容易被骗的那个人。”
04
真值还在实验台上
说到干预，他最兴奋的是聚变，但那更像能源来源。再往前走，还是得回到实验台。所以他抛出那个“魔法愿望”：“如果我有一个魔法愿望，我会说，求谁造一个万能实验室出来，我把一段 JSON 数据扔过去，什么实验它都能做。”他紧接着补上条件——那得先解决“AI 完备的机器人学问题”，因为目前这些工具全在计算层面，数据仍需人去采集。
他对更远的将来仍然抱希望：气候建模“非常棘手，不是已经解决的问题”，但也许有一天，工具能把人们仔细评估过的所有知识整合起来——它能读的论文比我们多得多。
最后他把话说回人身上：“我真的对 AI 用于科学的潜力兴奋得不得了。”“科学家不会被取代。其实我希望他们把时间全都花在创造性的部分、严谨的部分、还有哲学的部分上。”
原节目：Latent Space（The AI Engineer Podcast）——《🔬 An Oscar, Two Asteroids, and the Algorithm in Your sklearn: John Platt on AI for Science》《🔬 An Oscar, Two Asteroids, and the Algorithm in Your sklearn: John Platt on AI for Science》