“正因为对 AI 乐观，所以才对科研悲观。”在接受 DeepTech 采访时，麻省理工学院（MIT）博士梁琪瑶用这句看似矛盾的话，概括了她对人工智能与学术研究未来的复杂判断。
梁琪瑶的研究背景横跨量子计算与生成模型。2022年底 ChatGPT 的爆发，促使她将研究重心转向 AI。不同于应用 AI 解决特定学科问题，她主张将 AI 视为一个待解的复杂系统，运用物理学方法探究其智能产生的底层机制。然而，随着 AI 能力的指数级跃升，人类科学家在科研价值链中的角色正面临前所未有的挑战。
从量子计算到“AI 的物理学”
梁琪瑶本科攻读物理与数学，早期从事量子计算理论研究。博士入学 MIT 后，ChatGPT 的出现让她意识到，理解智能和意识的产生是一个更具迫切性的科学命题。她将研究 AI 比作“有截止日期的哲学”，强调理论必须能够描述现实并具备普适性与简洁性。
尽管研究领域从量子计算转向 AI，但其核心科研方法论并未改变：面对黑盒系统，通过观察输入输出建立模型，提出假设并通过实验验证。这种源自物理学训练的思维方式，成为她解读 AI 复杂系统的基石。
拒绝“炼金术”：用玩具模型拆解黑盒
目前的大模型训练常被诟病带有“炼金术”色彩——研究人员知道何种方法有效，却往往不知其所以然。梁琪瑶致力于推动“AI 的物理学”（Physics of AI）或更广义的“AI 科学”发展，旨在从经验试错走向可解释、可预测的科学体系。
构建简化系统，寻找普遍规律
梁琪瑶的核心研究手段是构建“玩具模型”（Toy Model）。通过简化数据或模型结构，控制变量以隔离关键因素，从而捕捉复杂现象背后的最小机制。这种方法类似于盲人摸象，通过局部特征的拼接，逐步形成对大模型整体运作逻辑的理解。
例如，在研究扩散模型的组合泛化能力时，她通过构建简化的坐标生成任务，尝试解析 U-Net 架构瓶颈层的表征机制；在研究大语言模型后训练时，她利用玩具模型复现了进化策略下的非单调训练动力学，进而推断预训练可能已将高维优化问题降维至低维空间。
从微观实验到宏观外推
小模型得出的规律能否适用于大规模模型？梁琪瑶指出，这需要借助缩放规律（Scaling Law）进行验证。如果在不同规模的模型中观察到一致的趋势变化，则小模型发现的机制具有基础性和普适性。尽管经验规律存在适用边界，但这种从局部到整体的推演，仍是当前理解超大参数模型的有效路径。
双向赋能：AI 科学与神经科学的交融
梁琪瑶认为，AI 研究与神经科学之间存在双向借鉴的可能。一方面，计算神经科学的降维方法和神经元调谐曲线可用于分析模型内部激活；另一方面，AI 或许能反过来帮助人类理解大脑的记忆转化机制及空间导航原理。
她提出，“AI for science”是利用 AI 加速科研，而“Science for AI”则是用科学方法解构 AI 本身。尽管目前对于如何让 AI 解释自身理论尚无定论，但她相信作为人造系统，AI 必然遵循某些物理规律，其智能化过程应当且可以被形式化解释。
技术奇点临近：人类科研者的角色重塑
随着 AI 从研究对象转变为科研工具，甚至展现出递归自我改进的潜力，梁琪瑶对人类传统科研模式的价值产生了深刻怀疑。
科研范式的颠覆与迷茫
如果 AGI 能够实现自我迭代，传统基于人力投入的“古法科研”是否还有意义？梁琪瑶坦言，若超级智能成为全知全能的“神谕”，人类不再需要亲自搭建模型或进行繁琐实验，科研的本质将被重新定义。这种不确定性引发了她对个人职业路径及同行评审体系未来的迷茫。
安全风险与伦理反思
梁琪瑶认为，AI 发展的列车已高速行进，难以人为减速。相比停滞发展，更务实的做法是加大 AI 安全研究的资源投入。她担忧的是，当创造出远超人类智力的系统时，人类是否仍具备控制能力？这种风险并非源于恶意，而是源于系统能力失控可能带来的大规模破坏。
在变革中寻找新价值
尽管对传统科研前景持悲观态度，梁琪瑶也看到了当下的机遇。AI 极大地降低了实验门槛，使得个人能够独立完成过去需团队协作的项目。对于一个充满好奇心的人而言，这是一个探索可能性空前丰富的时代。
她建议，当工作产出不再能完全定义个人价值时，社会需要共同思考新的存在意义。面对不确定的未来，保持开放心态，主动想象并引导社会向良性方向变革，或许是比具体技术细节更值得投入的课题。
注：封面/首图由 AI 辅助生成