窮人福音！MIT研究：不用堆顯卡，抄頂級模型作業就成

　　新智元報道

　　編輯：傾傾

　　【新智元導讀】高分模型未必懂科學，有的只是在「死記硬背」！MIT揭秘：模型越聰明，對物質的理解就越趨同。既然真理路徑已清晰，我們何必再深陷昂貴的算力競賽？

　　現在的AI for Science，就像一場「多國峰會」，大家用不同的語言描述同一件事。

　　有人讓AI讀SMILES字符串，有人給AI看原子的3D坐標，大在不同的賽道上比誰預測得準。

　　但有一個問題：這些AI是在「找規律」，還是真的理解了背后的物理真相？

　　在MIT的一項研究中，研究員把59個「出身」不同的模型湊在一起，觀察它們在理解物質時，隱藏層表達是否相同 。

　　論文鏈接：https://arxiv.org/abs/2512.03750

　　結果非常驚人：雖然這些模型看數據的方式天差地別，但只要它們變得足夠強大，它們對物質的理解就會變得極度相似 。

　　更神奇的是，一個讀文字的代碼模型，竟然能和一個算受力的物理模型在「認知」上高度對齊 。

　　它們沿著不同的路，爬到了同一座山峰的頂端，開始共同描繪物理與現實的「終極地圖」。

　　真理的匯合：為什么頂尖模型越長越像？

　　為了驗證這些模型是否真的在靠近真理，研究者引入了一個關鍵指標：表征對齊度。

　　簡單來說，就是看兩個模型在處理同一個分子時，它們腦子里的思路有多相似。

　　結果發現，性能越強的模型，思維方式就越接近。

　　在實驗中，隨著模型預測物質能量準確度的提升，這些模型在表達空間里會自發地向同一個方向靠攏。

　　性能與認知的同步：能量預測越精準，模型與頂尖基座的思維方式就越趨同。每個點代表一個模型;點大小對應模型大小。

　　盡管這些AI的架構千差萬別，但它們在處理同一批分子數據時，其特征空間的復雜度竟然壓縮到了一個非常窄的范圍。

　　無論模型外殼多么復雜，它們最后抓取的都是最核心、最精簡的物理信息 。

　　化繁為簡：雖然AI架構各異，但它們提取的物質特征在數學復雜度上卻「殊途同歸」。

　　這一特征在Orb V3這樣的模型上更加明顯。

　　跨架構的表征對齊：矩陣中的深色區域顯示了Orb V3等高性能模型與其它嚴謹物理模型（如MACE、EqV2）之間強烈的共鳴。

　　通過更自由的訓練，它們可以更精準地對齊物理規律。

　　這也說明，當喂給AI的數據足夠多、訓練方式足夠對路，它甚至能越過人類現有的公式，自己摸索出物質運行的本質規律。

　　這種收斂現象表明，AI并沒有胡思亂想，它們正在合力挖掘物質世界那個唯一、真實、且客觀的底層邏輯 。

　　不止分子，連「貓」都一樣！

　　你以為這種「英雄所見略同」只發生在科學AI里？大錯特錯！

　　有研究者把純文本的語言模型（比如GPT系列）和純圖像的視覺模型（比如CLIP或DALL·E背后的模型）拉出來比對，結果發現，它們對「貓」的理解，竟然越來越像！

　　在語言模型里，「貓」的向量表示會緊緊靠近「毛茸茸」「喵喵叫」「寵物」「抓老鼠」這些詞。

　　在視覺模型里，「貓」的向量則靠近胡須、圓眼睛、軟毛、優雅的尾巴等視覺特征。

　　本來兩個模型一個只看文字、一個只看圖片，壓根沒交集。

　　但模型規模越大、性能越強，這兩個完全不同模態的「貓」表示，就在線性空間里越靠越近，仿佛在共享同一個「貓的本質」！

　　這意味著AI不管從文字、圖像、分子結構還是3D坐標切入，只要足夠強大，就會在內部悄悄趨向同一個對現實的「內在圖景」。

　　高分不是真理，警惕「迷路」的AI

　　高性能模型都在山頂匯合，那剩下的模型都在干什么？

　　研究者發現，性能不佳的模型有兩種「死法」：一種是各想各的，在錯誤的道路上漸行漸遠；另一種則是集體變笨，雖然想的一樣，但都漏掉了關鍵信息。

　　有些模型雖然跑分不錯，但思維方式卻非常孤僻。

　　比如MACE-OFF，它在處理某些分子任務時表現很強，但它的表征對齊度卻極低，完全不能融入主流高性能模型。

　　它可能只是在特定領域里找到了某種規律，一旦跨出這個舒適區，它的經驗就很難轉移到其他科學任務上。

　　圖中白色的點代表模型從未見過的分子結構。可以看到，模型在處理這些結構時誤差（MAE）激增，且表征完全偏離了正常的物理分布。

　　而當AI遇到訓練數據里從未出現過的物質時，它們往往會放棄思考，一起擺爛，或者集體走進算法設計者留下的「舒適區」，丟掉了物質最核心的化學特征。

　　由此可見，訓練數據不僅僅是模型的養料，更是決定模型能否觸碰真理的基礎。

　　如果數據不夠多樣，哪怕模型的架構再精妙，也終究只是在原地踏步，無法進化成真正的通用基座模型。

　　真理唯一，我們離算力自由還有多遠

　　既然實驗已經證明，不同的AI都在向同一種物理理解靠攏，那我們還有必要堆昂貴的顯卡，從頭訓練一個超級大模型嗎？

　　很顯然，沒有。而且AI已經替我們找到了一條捷徑——「模型蒸餾」。

　　研究發現，規模較小的模型，通過模仿那些高性能基座模型的「思維方式」，也能表現出驚人的潛力。

　　我們不再需要盲目追求參數量的堆砌，而是利用「真理收斂」的特性，把大模型的知識復刻到更輕量、更高效的小模型身上。

　　圖中圓點的大小代表模型參數量。可以看到，即使是較小的模型，只要其表征能與最佳性能模型對齊，同樣能在分子能量預測任務中獲得極高的準確度。

　　這對未來模型的開發具有深遠的意義。

　　Orb V3向我們展示了「苦澀的教訓」的另一種解法：通過大規模訓練和聰明的正則化手段，簡單的架構同樣能學到那些昂貴的、強加物理限制的模型才有的理解力 。

　　多元架構的對比（部分）：論文評估了包括Orb、MACE、DeepSeek在內的近60種模型，為科學家的選擇提供了定量依據。

　　在未來，評估一個科學AI的標準將變得更加多元。我們不僅看它當下的「考分」，更要看它是否踏入了「真理的收斂圈」。

　　一旦我們掌握了這種對齊的邏輯，科學發現將不僅是巨頭們的算力競賽，更多輕量級、針對特定場景的AI將如雨后春筍般涌現，真正實現「算力自由」下的創新爆發。

　　MIT的研究給狂熱的AI競賽澆了一盆冷水，但也指了一條明路。

　　科學AI的進階之路，不再是更復雜的架構，也不是更漂亮的物理公式，而是看誰能更穩地進入那個「收斂圈」。

　　我們不需要沉默算力競賽，因為真理的路徑已經清晰——所有聰明的模型都在往一處跑，那么通過「表征對齊」來實現模型的輕量化和知識遷移，就成了最務實的工程方案。

　　未來的科學，將屬于那些懂得利用收斂性來降低成本的人。

　　參考資料：

　　https://the-decoder.com/scientific-ai-models-trained-on-different-data-are-learning-the-same-internal-picture-of-matter-study-finds/

　　https://arxiv.org/abs/2512.03750

　　https://www.quantamagazine.org/distinct-ai-models-seem-to-converge-on-how-they-encode-reality-20260107/