从好奇出发：AI时代的科学、学术与人生

王赫

2026/11/7 16:00 | 桃李大讲堂 | @内蒙古大学

从认识世界，到参与研究，再到选择自己的路

hewang@ucas.ac.cn

国际理论物理中心（亚太地区）

中国科学院大学

从一个关于宇宙的问题开始

我们为什么想知道？又凭什么相信自己知道？

宇宙里发生过什么，我们凭什么知道？

我们到不了那里，也不能把黑洞搬进实验室。那我们凭什么说，它们曾经发生过一次碰撞？

双黑洞并合模拟示意

这是一段信号，还是一阵噪声？

只凭这张图，你愿意下结论吗？如果不愿意，你希望再看到哪一项检查？

第一例双黑洞并合 GW150914 引力波信号

为什么我们愿意相信那次“听见”？

我们依靠一组互相支持的检查。两台探测器都出现变化，也还需要统计分析和仪器排查，才能判断解释有多可信。

第一例双黑洞并合 GW150914 引力波信号

让一个解释接受证据的检查

重要的变化，是从‘我觉得应该如此’，走到‘如果如此，我们应该观察到什么；如果观察不同，该修改哪里’。

科学研究把疑问转为有证据约束、可以公开讨论和修正的解释。

观点

我的观点....

理由

因为...的理由

证据

在...证据的基础上

承认和回应

我承认这些质疑、反对和不同的想法，并用这些论据提出回应

论据

让我的理由和观点连接的原理是....

From: 《研究是一门艺术》

一个理论，怎样获得信任？

“科学理论”是核心特征？

  • Consistency（一致性：“逻辑一致”）

    • 一个科学理论应该逻辑内部一致，并与已有的科学知识相协调，不能自相矛盾，也不应与已被广泛验证的理论冲突。一致性也是科学理论“质量好坏”的基本评判指标之一。

  • Falsifiability（可证伪性：“可检验”）
    • 卡尔·波普尔提出：科学理论必须可被实验证伪——即存在可观测的结果可能使它被证明为假。
      一个不能被实验证伪的理论从逻辑上讲不能算作科学理论。
  • Predictive Power（预测性：“解释、预测与边界”）
    • 强有力的科学理论应该能够预测尚未观察到的现象或事件，并且这些预测能够被实验或观察验证。

常见的误解：

科学理论是初步的想法，当积累到足够的数据和证据时，它最终将转变为科学定律。

（理论并不会因为积累了更新或更好的证据而转变为科学定律。）

某实验或观测证明了某科学理论。

（理论只能被证伪，无法被证明，顶多只能说该证据支持了某理论。）

  • Wikipedia contributors. (2025). Scientific theory. In Wikipedia.  
  • ScienceTimes. (2025). From hypothesis to breakthrough: What makes a theory scientific.  
  • Edg.it (2025). What is a good scientific theory?  
  • Wikipedia contributors. (2025). Falsifiability. In Wikipedia.  

“盲人摸象”

  • 主流 collective picture
    • ​不可知论
  • 虽然科研允许有洞，但要：
    • 知道洞在哪里
    • 知道为什么现在不补

From: Astro小花裙（冷笑话）.cn

认识可以不完整，边界需要说清楚

不同观测、模型与方法互相检查，逐步修正共同图景。我们需要知道已经解释了什么、哪里仍然未知，以及接下来怎样补上缺口。

对世界的好奇，怎样变成自己的选择？

  • 理论家在自然的试卷上挥毫，实验家捕捉宇宙的笔触，而我们是那群在噪声中寻找真相的阅卷人。

科学关心一个解释是否可靠。

一个人为什么愿意为一个问题投入时间？

什么样的动力，能够支持长期投入？

我们为什么要做科研？

什么样的动力，能够支持长期投入？

想成为研究生的常见动机：

过年回家，你是否享受着亲朋好友簇拥下的某种光环？

  • 为了提升文凭和学历

  • 为了提升找工作的机会

  • 为了提升薪酬水平

  • 为了面子

  • 为了父母

  • 为了逃避

  • ...

什么样的动力，能够支持长期投入？

想成为研究生的常见动机：

  • 为了提升文凭和学历

  • 为了提升找工作的机会

  • 为了提升薪酬水平

  • 为了面子

  • 为了父母

  • 为了逃避

  • ...

2008年中科院晨兴数学中心的结业课程上

(From 马寅哲: “一位远去的师者”)

过年回家，你是否享受着亲朋好友簇拥下的某种光环？

 我们做科研的动机“该”是什么？

Individualism
Collectivism

能有我自己名字命名的某理论/定理/效应

什么样的动力，能够支持长期投入？

 我们做科研的动机“该”是什么？

Individualism
Collectivism

能有我自己名字命名的某理论/定理/效应

为了造福人民

有使命感

什么样的动力，能够支持长期投入？

 我们做科研的动机“该”是什么？

Individualism
Collectivism

能有我自己名字命名的某理论/定理/效应

实现个人价值

让别人看得起

为了造福人民

为了取悦自己

有使命感

什么样的动力，能够支持长期投入？

 我们做科研的动机“该”是什么？

Individualism
Collectivism

能有我自己名字命名的某理论/定理/效应

实现个人价值

让别人看得起

为了造福人民

为了取悦自己

科学职业道路

《中国科学报》

为了寻找观点

为了自我挑战

有使命感

什么样的动力，能够支持长期投入？

 我们做科研的动机“该”是什么？

Individualism
Collectivism

好的科研动机，应该能让你持续产出，在长期坐冷板凳时不至于自我怀疑，
也能在同行的审视与质疑中站得住脚。

能有我自己名字命名的某理论/定理/效应

实现个人价值

让别人看得起

为了造福人民

为了取悦自己

科学职业道路

《中国科学报》

为了寻找观点

为了自我挑战

有使命感

什么样的动力，能够支持长期投入？

 我们做科研的动机“该”是什么？

现实需要、成就感与好奇心可以并存

科研训练，究竟训练什么？

你准备好毕业了么？

从想象中的科研，走向真实的日常

一个残酷的事实：

  • 多数人读硕士，是在放弃幻想，而不是实现幻想

VS

https://x.com/Dr_Sri_Ram/status/1324790120508129280?s=20​

以为的研究生生活

现实的研究生生活

科研训练，究竟训练什么？

又一个残酷的事实：

  • 如果你在硕士阶段没有完成“去魅”，博士阶段会帮你完成。


你准备好毕业了吗？

  • 不是论文数量

  • 是：

    • 能否独立推进一个问题

    • 能否被“下一个系统”接受

    • 能与他人合作，也能承担独立判断

逐渐能够界定问题、判断证据，并独立推进下一步

研究中的进展，为什么并不平滑？

科研，到底是一件什么活动？

研究中的进展，为什么并不平滑？

The aim, as far as I can see, is the same in all sciences. Put simply and curiously, the aim is to make known something previously unknown to human beings. It is to advance human knowledge, to make it more certain or better fitting. The aim is ... discovery. (Elias 1986)

研究进程的非线性本质：

理想线：是对“解决问题”的线性想象。

现实线：是遭遇“研究难题”的真实写照——大量时间耗费在界定真问题、寻找方法、试错与论证上。

平台期不是停滞，而是思维在黑暗中为突破蓄力。每一次“心跳复苏”，都对应着一个核心“研究难题”的攻克。

研究中的进展，为什么并不平滑？

研究中的进展，为什么并不平滑？

面对挫折，先检查问题出在哪里

Q：您在研究中是如何保持好奇心和热情的？对我来说，
如果我发现实验中出现了错误，我必须重新进行所有实验，那真的很崩溃。

---------------------------------------------------------------------------

何恺明：我认为研究本就充满了挫折、失败和沮丧。实际上，它包含了你能想到的所有负面词汇，这就是事实。如果你没有经历过这些，那意味着你并没有进行最好的研究。
我的生活就是这样，我有大约95%的时间都很失望，然后我会花5%的时间完成那篇论文，接着进入下一个循环，不断经历沮丧、挫败和焦虑，直到下一项工作完成。享受那5%的时光，如此反复。

From: 何恺明做科研也emo！坦言：科研中95%的时间是令人沮丧的...

From: https://ecomunsing.com/surviving-your-phd

试错和排除解释可以增加认识；长期停滞也可能提示缩小问题、调整方法或寻求合作

在不确定性中，把一件事推进下去

科研工作者 vs 创业者  (1/2)

日常状态：在不确定性的海洋中航行

  1. 与高度的不确定性共舞
  2. 资源永远稀缺，需要极致“拼装”
  3. 漫长的反馈循环与孤独的坚持
  4. 既是统帅，也是工兵

From: Science and Entrepreneurship: Parallels and Intersection

核心能力： 高度重叠的技能树

  1. 讲故事与募资能力
  2. 抗挫折与“快速失败”能力
  3. 项目管理与团队协作
  4. 持续学习与跨界整合

在不确定性中推进，让投入保持可持续

一线科研工作者 vs 前线士兵  (2/2)

兴趣与专注，怎样支撑长期投入？

From: 《心灵奇旅》

心流

在不确定性中推进，让投入保持可持续

一线科研工作者 vs 前线士兵  (2/2)

身体健康是革命的本钱

From: Nature：超1/3博士生焦虑抑郁

让长期投入保持可持续

把一个兴趣，变成一个值得研究的问题

在技术上，科研有套路可循么？

把一个兴趣，变成一个值得研究的问题

1. 题目：我正在研究_______。

     2. 问题：因为我想要找出什么（what）/为什么（why）/如何（how）_______。

          3. 重要意义(理由)：为了帮助读者了解_______。

不够痛的“优化型”问题

Eg:

1. 我正在研究冷却系统修复的诊断过程。

     2. 因为我要尝试找出修复专家是如何诊断故障原因的。

          3. 为了帮助读者了解如何设计一个可以自动诊断及预防故障的电脑系统。

从一个仅仅有趣的问题到这个问题更广泛的意义：

1. 我正在研究基于AI的引力波信号探测和识别方法。

     2. 因为我要尝试找出深度学习模型如何在强噪声背景下有效地区分真实引力波信号与噪声瞬变。

          3. 为了帮助读者了解如何构建一个能够在真实探测环境中实现快速、稳健、低误报的引力波自动探测系统。

意义可以来自解释异常、澄清概念、补知识缺口
或改善方法，

真正更有意义的问题，源于并回应真实的痛点。

From: 《研究是一门艺术》

真正痛的“生存型”问题

我研究什么；想弄清什么；为什么值得弄清。

提出观点，也要说明它凭什么成立

一般你要为读者回答以下五种问题：

  1. 什么是你的观点（claim）？
  2. 什么理由（reasons）能支持你的观点？
  3. 什么证据（evidence）能支持你的理由？
  4. 你承认（acknowledge）这些不同的替代方案/复杂的情形/或反驳吗？你如何做出回应（respond）呢？
  5. 什么原理/论据（principle/warrant）能证明你的理由和观点之间的关联呢？

观点

我的观点....

理由

因为...的理由

证据

在...证据的基础上

承认和回应

我承认这些质疑、反对和不同的想法，并用这些论据提出回应

论据

让我的理由和观点连接的原理是....

From: 《研究是一门艺术》

论证的核心架构：

  • 支持观点的理由建立于证据的基础之上

From: 《研究是一门艺术》

主张：我认为怎样；理由：为什么；证据：哪些观察或推导支持；替代解释：还有什么可能；回应：哪些检查能够区分。

以引力波为例，搭建一条论证链

Eg:

  • 观点：引力波的成功探测开启了探测宇宙的新窗口。
  • 理由（主观）：
    1. ​​引力波提供了传统电磁波无法携带的宇宙信息。
    2. 引力波能够穿透电磁波无法穿透的宇宙环境。
  • 证据（客观）：
    1. ​LIGO于2015年9月14日记录到编号为GW150914的特定时空扰动信号。
    2. 该信号波形与广义相对论预言的双黑洞并合过程产生的引力波波形高度匹配。
  • 论据（普遍原理）：
    • ​一种探测技术若能提供全新类型的信息，它就开启了一个新的观测窗口。
    • 一种探测技术若能探测到以往技术无法触及的区域或对象，它就开启了一个新的观测窗口。

  • 承认：我们承认在GW150914之前，已有对脉冲双星PSR B1913+16的观测，其轨道衰减间接证据支持了引力波的存在。这似乎意味着“窗口”早已打开。

  • 回应：然而，间接验证不同于直接探测。....

观点

我的观点....

理由

因为...的理由

证据

在...证据的基础上

承认和回应

我承认这些质疑、反对和不同的想法，并用这些论据提出回应

论据

让我的理由和观点连接的原理是....

From: 《研究是一门艺术》

主张：我认为怎样；理由：为什么；证据：哪些观察或推导支持；替代解释：还有什么可能；回应：哪些检查能够区分。

AI生成的内容，怎样进入证据链？

AI生成的一句话，属于观点、理由，还是证据？

AI只是在已有知识之间做“插值”吗？

理解数据驱动AI，可以先从它怎样利用经验开始。

Deep Learning is Not As Impressive As you Think, It's Mere Interpolation (Source)

  • 插值的直观含义：利用已有样本之间的关系，估计相关的新情况。
  • 现代数据驱动AI会学习这些关系与表示，用于预测和生成。
  • 我们要继续追问：它学到了什么结构？这些结构在新情境中是否可靠？

 

从数据中学习模型，是理解当下AI的一条主线。

例如人脸 morph 的例子就很好：像素空间线性插值和 latent space 插值不是一回事。深度模型真正强的地方，往往是先把数据组织成一个有结构的 representation manifold，再在这个空间里做平滑泛化。

AI建模：学习可复用的关系与表示

为什么一串新的图像，仍然可以保持合理的变化？

例如人脸 morph 的例子就很好：像素空间线性插值和 latent space 插值不是一回事。深度模型真正强的地方，往往是先把数据组织成一个有结构的 representation manifold，再在这个空间里做平滑泛化。

Deep Learning is Not As Impressive As you Think, It's Mere Interpolation (Source)

  • 模型通过训练，学到数据中可以重复利用的结构。
  • 生成模型可以借助这些结构，组合并产生新的样本。
  • 生成结果是否符合当前问题，还需要进一步检查。

 

Representation Space Interpolation

在学习到的表示空间中插值

能生成合理候选，为进一步探索提供了起点。

G：生成模型

表示方式改变，“相近”的含义也会改变

同样的两个端点，沿不同结构变化，会得到不同结果。

Deep Learning is Not As Impressive As you Think, It's Mere Interpolation (Source)

  • 在原始空间直接取平均，可能离开真实数据所在的范围。
  • 如果学到合适结构，沿结构变化更可能得到合理样本。
  • 模型学到的结构也可能有偏差，因此需要检查适用范围。

 

建模让复杂经验变得可组织、可预测、可生成。

在学习到的表示空间中插值

Deep learning 的强大之处，很多时候不是“凭空外推”，而是学到了一个 representation，使得原来复杂的数据关系在这个 manifold 空间里变得更平滑、更容易插值。

经验怎样影响模型学到的结构？

新例子可以与训练经验共享结构。

Deep Learning is Not As Impressive As you Think, It's Mere Interpolation (Source)

Underlying data manifold / latent structure

也就是现实数据真正分布的“结构”。

Sparse data → wrong geometry → poor generalization

训练数据太稀疏时，模型只能从少量样本猜测这个结构，因此学到的 manifold 可能偏离真实 manifold。

Dense coverage → better representation → reliable interpolation

数据覆盖越充分，模型越容易学到接近真实 manifold 的表示，因此在已覆盖结构附近做 interpolation 时，泛化会更稳定。

Generalization is not magic — it comes from structure shared between training and unseen data.

AI 之所以可以在“没见过”的样本上表现好，并不意味着它真的见到了一个完全陌生的世界。很多时候，新样本虽然没出现过，但仍然落在训练数据已经覆盖的同一个结构上。

LLMs appear highly general because their training distribution is extraordinarily broad.

GPT 看起来能回答一个“从没见过的问题”，不一定意味着它在严格数学意义上做了很远的 extrapolation；很可能是因为互联网规模的训练数据已经让 latent space 覆盖了极其丰富的语言、代码和知识结构。

所以，

  • Scaling can turn apparent extrapolation into interpolation in a richer learned space.
  • The larger and richer the training distribution, the larger the region in which “interpolation” looks like intelligence.
  • But science is often about finding what is not already well covered by the data. Where does novelty come from?
    • ​Code
    • Language

为什么AI能处理没见过的例子？

新例子可以与训练经验共享结构。

Deep Learning is Not As Impressive As you Think, It's Mere Interpolation (Source)

  • 数据中存在可以重复利用的关系与结构。
  • 模型学到合适表示后，可能处理同一类结构中的新例子。
  • 数据覆盖、学习方式与情境变化，都会影响可靠范围。

 

模型提出候选；独立检查帮助我们判断候选是否可用。

Underlying data manifold / latent structure

也就是现实数据真正分布的“结构”。

Sparse data → wrong geometry → poor generalization

训练数据太稀疏时，模型只能从少量样本猜测这个结构，因此学到的 manifold 可能偏离真实 manifold。

Dense coverage → better representation → reliable interpolation

数据覆盖越充分，模型越容易学到接近真实 manifold 的表示，因此在已覆盖结构附近做 interpolation 时，泛化会更稳定。

怎样让AI从回答走向行动？

把模型接到工具与真实反馈上。

从模型到Agent：让判断接上行动

把模型放进能够行动并接收反馈的工作过程。

  • 模型提出下一步应该做什么。
  • 工具执行动作，环境返回实际结果。
  • 系统记录反馈，再决定继续、修改或结束。

 

一个常见的LLM智能体框架：模型、工具、环境与反馈循环。

只有一个目标，还缺什么？

以“修复已有程序错误”为例。

  • 读到真实材料：数据文件、已有脚本、参考图。
  • 实际执行：运行分析，保留输出和报错。
  • 检查目标：核对曲线、条件与差异，继续修改。

 

你的任务是修复 `parser.py` 中的 bug。
目前 `extract_emails` 函数无法正确提取帶有 `-` 或 `_` 的 email 地址，例如 `test-user@domain.com`。
请修改 `parser.py`，使 `verify.py` 的测试能够完全通过。
You are an AI Agent. You can interact with the environment by writing code blocks.
If you write a ```bash\n...\n``` block, the system will execute it and return the output.
If you write a ```python\n...\n``` block, the system will execute it and return the output.
To finish the task, output 'DONE'.

Provided tool;

沒有提供 “parser.py”

…… 我自己寫一個

 

parser.py 
def extract_emails(text): ……
# Example test cases to verify the fixtest_string_1 = ……

DONE

把材料、工具和完成标准补齐

  • 读到真实材料：数据文件、已有脚本、参考图。
  • 实际执行：运行分析，保留输出和报错。
  • 检查目标：核对曲线、条件与差异，继续修改。

 

 “做完了”需要对应可查看的产物与明确的检查。

[CONTEXT]
You are running in a Linux environment (Google Colab). You need to find and modify the correct files to achieve the goal.

[INSTRUCTIONS]
1. Before modifying anything, you MUST inspect the current working directory, system environment, and file tree.
2. List all potentially relevant files.
3. Do not blindly modify files without looking at their contents first.


[DONE-WHEN]
You are done ONLY when the specific success criteria mentioned in the task are met, and the expected artifacts exist.

目前的环境

怎么工作

怎样算是完成

 

如果：增加一些额外的 prompt

以“修复已有程序错误”为例。

用实际执行结果判断完成

 “做完了”需要对应可查看的产物与明确的检查。

…
First, I will list the files. 
```bash 
ls -R 
```

保留执行记录：

--- Bash Execution --- 
parser.py 
verify.py
…
I will now display the content of `parser.py`.
```bash 
cat parser.py 
```
--- Bash Execution --- 
import re 

def extract_emails(text): 
……
```bash 
cat <<EOF > parser.py 
def extract_emails(text):
……
EOF 
```
--- Bash Execution ---
… 
I will execute `verify.py`. 
```bash 
python verify.py 
```
--- Bash Execution --- 
VERIFY_SUCCESS

读文件

找文件

改程序

跑测试

看结果

可靠的工作流程，需要可靠的反馈。

AI时代，怎样把工具变成自己的能力？

怎样让AI帮助我们完成自己真正想做的事？

模型、Harness与你的目标

一次任务的效果，取决于这些条件怎样配合。

可以把它理解为让智能体持续工作的配套机制。

  • 把能力、工作方式和任务要求放在一起看。
  • 模型：理解材料，提出候选与下一步。
  • Harness：连接工具，组织行动与反馈。
  • 你的目标：要达成什么，怎样判断完成。

 

选择更好的模型

选择更好的 Harness

Claude Code、Codex CLI、OpenClaw……

 

\(\boxed{\text{AI Agent}=\text{LLM}+\text{Harness}+\text{Environment}}\)

Harness: equipment for controlling a horse

\boxed{\text{Loop}} + \boxed{\text{Tools}} + \boxed{\text{Context}} + \boxed{\text{Memory}} + \boxed{\text{Planning}} + \boxed{\text{Verification}} + \boxed{\text{Permissions}}

AI Agent 不是只有模型参数

不要迷信只有一个”最好的模型”。

  • 现在基本每天都会切换 Claude、GPT、Gemini、Deepseek。
  • 不是因为谁绝对更强，而是因为它们的”思维方式”不同。

好的LLM，值得认真选择

先用一个能力足够的模型，认真试一次真实任务。

  • 看任务适配：它能否理解材料，跟上问题的难度？
  • 用同一任务比较：看结果质量、错误与修改成本。
  • 需要时换模型，利用不同回答补充思路。

用真实任务认识模型的能力与边界。

好的Harness，让模型把事情做下去

同一个模型，工作方式也会影响任务结果。

  • 材料与工具：读到真实文件，能够执行所需操作。
  • 过程与记录：保留输出，遇到失败能够继续调整。
  • 完成与检查：留下可查看的产物，满足明确标准。

看它实际做过什么，以及完成了什么。

我想做一个实验。你可以随意问我任何一个问题，我会尽可能真实且完整地回答。基于我的回答，你再继续问下一个问题。我们会这样来回进行，持续下去，直到挖掘出我内心深处的构思——包括谬误、局限、潜能、需要改进的地方，或者任何潜藏在我潜意识中的东西。

The most valuable output of an AI agent is sometimes not an answer, but the next question.

我的目的、已有材料与实际限制
（prompt提示词）
AI提出的候选判断（观点，理由，
论据，证据）
你要抵达的明确目标与完成标准

（往往不可知）

所有用于训练模型的已知的知识，经验，以及收集的数据信息
训练后的 AI agent (LLM+Harness)所覆盖的连续表征的信息空间

借助LLM、工具与反馈可以尝试的思路和行动

用AI实现你的目的，培养你的AI直觉

探索过程示意

Navigating the Space of Ideas

AI直觉，来自真实任务中的尝试、反馈与修正。

  • 每次使用前，先猜这一步AI能做到什么；完成后，对照真实结果，看看自己漏给了什么材料、忽略了什么限制。
  • 你的目标越明确越可清晰验证，AI越容易达到
  • 要反复与AI交互、迭代和打磨，需要人工检查与目标的距离是不是越来越近了
  • 有时，人类自己提问让AI回答判断，不如让AI提问由人类自己判断

从好奇出发，培养你的AI直觉

科学、学术与人生

  • 科学：让解释接受证据检验。
  • 学术：让探索进入共同讨论。
  • 人生：选择值得持续投入的问题。

 

让好的模型与工作流程，服务于你真正想做的事。

你最想借助AI做成的一件事，是什么？

for _ in range(num_of_audiences):
    print('Thank you for your attention! 🙏')

太极实验室 2026 年度“大学生创新实践训练计划’

(引力波数据分析与 AI for Science 方向)

中国科学院大学引力波宇宙太极实验室(北京)引力波数据分析与机器学习课题组长期面向全国高校学生开放科研训练机会,现面向全国优秀学生招募参加太极实验室2026年度“大学生创新实践训练计划”,本课题组致力于探索引力波天文学、数值模拟与人工智能技术的交叉研究，重点发展新一代 Al for Science 方法，用于解决复杂物理系统建模、信号处理与科学数据分析问题,欢迎对 引力波科学、人工智能算法与科学计算 充满兴趣的同学加入，在真实科研项目中接受系统训练，并参与国际前沿研究。

  • 此外，本实验室长期欢迎对相关研究方向感兴趣的同学联系咨询，本广告长期有效.

https://github.com/iphysresearch/UndergradResearchLab/blob/main/2026科创计划及选拔题目.pdf

Key Takeaways

# End