DeepMind最新研究揭秘：大模型无法实现“认知跳跃”，科研创新仍存天花板

核心摘要

DeepMind的研究人员近期发布论文指出，当前大语言模型（LLM）在生成全新的解释性假设方面存在根本性缺陷，即模型无法实现从已知数据到未知逻辑的“跨越式”推理，这直接挑战了AI在科学发现领域的“全能”叙事。

• ▶ 概率拟合的局限性： LLM本质上是高维空间的插值器，擅长在现有知识图谱内填补空白，但在面对需要打破常规、提出原创性解释的任务时表现乏力。
• ▶ “新瓶装旧酒”的幻象： 模型生成的所谓“创新”往往只是训练数据中已有模式的随机重组，而非基于因果逻辑的范式突破。

八卦洞察

这项研究给狂热的“Scaling Law”信徒泼了一盆冷水。它揭示了一个残酷的现实：即便模型参数达到万亿级别，它们依然被困在训练数据的“统计围城”中。在硅谷，我们常说“Garbage in, Garbage out”，但DeepMind指出的是更深层的问题——“Known in, Known out”。LLM在科学研究中更像是一个高效的图书馆管理员，而不是爱因斯坦。它能帮你总结所有已知的物理定律，但它无法在没有任何先例的情况下“跳”出相对论。这种“认知跳跃”能力的缺失，意味着当前的Transformer架构可能在通往AGI（通用人工智能）的道路上存在天然的演化瓶颈。

行动建议

对于企业和研究机构而言，不应过度依赖LLM进行“从0到1”的原始创新。建议将LLM的应用重点放在知识合成、实验方案优化以及大规模文献筛选上，即利用其强大的插值能力来加速验证，而非指望其产出颠覆性的科学假设。同时，关注“神经符号AI”或集成“世界模型”的新型架构，这可能是突破“认知跳跃”限制的下一个技术风口。