模型、地图与理想化

第一部分实在论争论的历史

「拯救现象」：四个世纪的争论

正文把实在论与工具主义之争框成了二十世纪的事：普特南、劳丹、范·弗拉森。但这一争论古已有之，而且大部分时间都是工具主义者占上风。这个传统甚至有一句从希腊天文学传下来的口号：拯救现象（sōzein ta phainomena）。按这种古老观点，模型的任务从来不是说明天体究竟是什么，而是复现它们表现为何，使观测到的天体位置能够得到计算。

托勒密的本轮，一圈套一圈地解释行星的逆行回环，是第一种有用的虚构。他的许多读者，以及中世纪的大多数天文学家，都坦率地把本轮当作计算装置。没有人需要相信天上挂满了实体齿轮，齿轮只要好用就行。这就是工具主义的摇篮，比这个词出现早了一千年。

戏剧性在哥白尼时代加剧。1543 年《天体运行论》付印时，路德宗神学家安德烈亚斯·奥西安德尔未经弥留之际的哥白尼同意，塞了一篇匿名序言，向读者保证这套狂野的日心说不必为真，只是个便于计算位置的方便假设。这是与当权者签订的和平条约，用纯工具主义的墨水写成：放心，它只是一个更好的计算器。

到了二十世纪初，物理学家兼哲学家皮埃尔·迪昂——我们在第 2 日因「你总可以怪罪辅助假设」而结识他——把这套想法铸成了一门完整学说。迪昂在 1906 年的《物理学理论的目的与结构》中主张，物理理论不是对隐藏实在的说明，而是对实验定律的经济分类：一种为现象极度压缩的档案系统。关于不可见原因的真理不是目标，整洁而可预测的现象整理才是。三百年的「拯救现象」，至此蒸馏为一杯烈酒。现代工具主义者欠迪昂这份蓝图。

第二部分科学实在论的论据

以太理论与成功预测

正文把发光以太当作劳丹墓园里的头号展品：一个极其成功的理论，其核心对象却被证明不存在。但以太的案子远比「它曾成功，然后死去」更扰人，原因是一个美丽到让实在论者念念不忘的片段。

约 1818 年，法国科学院举办了一场关于光本质的悬赏竞赛。奥古斯丁·菲涅耳提交了波动说：光是以太中的振动。评审席上坐着西梅翁·德尼·泊松，坚定的微粒说信徒。他用菲涅耳的方程做了些计算，得意洋洋地推出一个明显荒谬的结论。如果菲涅耳是对的，小圆盘阴影的中心应该有一个亮斑——来自四面八方绕过边缘的波在那里同相抵达。在泊松看来，这个结论荒唐到足以构成归谬：波动说若推出这样的亮斑，整个理论就该被推翻。另一位评委弗朗索瓦·阿拉戈走到实验台前真的做了实验。亮斑就在那里。

这是科学实在论者最有力的论据之一，它有个名字：新预测。以太理论不只是容纳已知事实——谁都会曲线拟合过去。它预言了没人见过、没人料到的东西，一个如此具体而怪异、其成真很难被解释为巧合的细节。这正是正文主页上无奇迹论证最有力的形式：一个理论若能给出如此成功的新预测，似乎就说明它确实抓住了某种实在。然而，以太并不存在。实在论能拿出的最佳证据，竟来自一个我们今天称之为错误的理论。原来，这座墓园里埋着一位天才。

区分不同层面的主张

那么实在论者如何在自己最好的例子下幸存？靠的是一招有时被称为选择性实在论或分而治之的实在论，由菲利普·基切尔与斯塔西斯·普西洛斯在 1990 年代打磨锋利。诀窍是：别再对整个理论做实在论者，只对其中的一部分做。任何成功理论里，只有一些设定真正承担预测重任，这叫有效设定；另一些是闲置设定，只是搭便车。只对有效部分做实在论者。

以太案例正好说明这一区分。推导出泊松亮斑的，究竟是什么？不是「以太」这种物质，不是它的密度、弹性，也不是它由什么构成。真正起作用的是波动方程的数学形式：关系、结构。而这些结构被保留下来，进入了麦克斯韦的场论以及更后来的理论。闲置的形而上学填充物，以太的「质料」，正是被埋葬的部分。于是悲观元归纳的冲击被削弱了：科学保留下来的不是关于实体本性的整套说法，而是在革命中幸存的结构；那些闲置的形而上学设定则被悄悄放下。这正是正文主页最后落脚的结构实在论，而以太案是它最棘手的试金石之一。

第三部分与第 4 日的联系

实在论争论是否忽略了基础率？

这个房间会让第 4 日的毕业生坐直。回忆一下基础率谬误：一种疾病发病率万分之一，检测准确率 99%，阳性结果仍会标记出远多于患者的健康人，因为你忘了问疾病原本有多常见。混淆 P(阳性｜患病) 与 P(患病｜阳性) 是经典陷阱。

2004 年，哲学家 P. D. 马格努斯与克雷格·卡伦德指出，双方都可能一头撞进这个陷阱。再看无奇迹论证：它想得出成功理论可能为真，也就是 P(理论为真｜理论成功) 很高。但根据贝叶斯定理，你不能只从 P(成功｜理论为真) 推出这一点，还需要基础率：科学从中抽取候选理论的那个池子里，真理论的事先比例。而这个数字不仅未知，马格努斯和卡伦德认为它根本不可知，因为不存在公平的方法去计数或抽样成熟科学所有可能存在的候选理论。没有基础率，就没有推断。

同样的分析也适用于悲观元归纳：它试图用历史上的失败记录把 P(理论为真｜成功) 压低，却同样缺少必要的分母。马格努斯与卡伦德的诊断近乎临床：一旦用概率框架表述，这些宏大的「批发式」论证不仅没有定论，而且可能从一开始就形式不良——说到底都可能只是外表庄重的基础率谬误。科林·豪森在 2000 年对无奇迹论证也提出了密切相关的指控。第 4 日的概率框架不只是为这场争论提供描述语言；它还可能表明，这类「批发式」争论本身问法有误。未决争议

第四部分理想化的语法

理想化的规则与取舍

正文为了推进主线，把几种有意失真的建模策略先合在一起处理。但研究文献分得更细，而这个区分很重要。首先，把两个常被混为一谈的动作分开。抽象是省略：模拟行星轨道时不提它的颜色。这样的描述不完整，但仍为真。理想化则是主动歪曲：明知平面有摩擦，却宣称它无摩擦。无摩擦平面不是描述中的缺口，而是一个善意的谎言。两者表面相近，认识论地位却不同。

理想化还有种类，而正文跳过的是第三种。有伽利略式理想化：为了可处理性而歪曲，并承诺日后补回细节；有极简理想化，也就是球形牛策略，只保留被认为关键的因果因素。但还有多模型理想化：为同一件事造好几个相互矛盾的模型，每个朝不同方向犯错，然后在它们之间三角定位。没有单张地图被信任；被信任的是不同错误地图之间的重合。

「我们的真理，是彼此独立的谎言的交集。」 理查德·列文斯，《种群生物学中的模型构建策略》，1966 年。

列文斯的这个观点，现在被称为稳健性分析：如果你用几个基于不同简化设定的模型处理同一个问题，而它们都得到同样的定性结果，那么这个结果很可能依赖问题真实的共享结构，而不是某个模型特有的设定。不同误差彼此独立，它们的重合处也就更可能指向真相。

列文斯还提出了建模史上最著名的不可能论断：你无法同时最大化一般性、逼真性和精确性。把任意两个推到极限，第三个就必须让步。正文主页上的刻度盘衡量逼真度与实际用处，列文斯的三角则是同一个智慧的三维版：选择你要放弃的一项。

第五部分模型的哲学地位

模型作为中介、虚构与结构表征

退后一步，问正文绕着走的问题：当科学家「有一个模型」时，那是什么东西？三种回答照亮不同角落。

理论是一族模型。在较早的句法图景中，科学理论是一大堆句子：公理及其逻辑推论。现代的语义观说不。理论更应被理解为一组抽象结构，加上一个断言：某个实在系统在特定方面与其中之一足够相似。牛顿力学从根本上说不是一堵方程墙，而是一套理想化系统的工具箱——单摆、二体轨道、谐振子——外加一个赌局：世界的一些碎片与它们足够相像。罗纳德·吉尔把这一立场称为视角实在论：我们的模型像仪器，每一种都给出局部、视角绑定的图景；它像地图那样为真，绝不会像镜子那样为真。

模型是中介。在 1999 年那本影响深远的文集《模型作为中介》中，玛丽·摩根与玛格丽特·莫里森主张，模型既不是从理论中直接读出，也不是数据的简单总结。它们坐落在中间，在一定程度上独立于两者。你建造模型就像建造仪器，做出理论不规定的实用选择；然后，关键是，你通过操纵它来学东西，就像拧动仪器旋钮来学东西。模型是你用来思考的工具，不只是你观看的图画。这也是为什么下一间房里模拟会如此像实验。

模型是虚构。最激进的一种观点把无摩擦平面当真：它是一种虚构，一个并不存在的对象，却被描述得仿佛存在。这个想法并不新。汉斯·费英格 1911 年的《仿佛哲学》主张，科学与数学中有相当一部分依赖这种「仿佛为真」的虚构。回想第 3 日的意外：夏洛克·福尔摩斯的「演绎」其实是溯因；这里的观点与之一脉相承。科学模型也许更接近小说人物，而不是照片。理想气体有点像福尔摩斯：不是真的，从来都不是，但推理它会做什么，却能带来真正的理解。

卡特赖特的斑驳世界

这个方向还能再推进一步，并加深正文中的实体实在论。南希·卡特赖特——那个告诉我们「物理定律撒谎」的人——在 1999 年的《斑驳世界》中把这一思想扩展成整幅世界观。她主张：基本定律只在模型内部为真；它们描述现实世界的地方，只限于我们费尽心思构建的，或幸运地遇到的一台律则机器：一种被屏蔽、稳定、重复运行的部件安排，能产生律则般的规律性。物理实验室是这样一台机器，太阳系大致也是。

但世界大部分地方既未被屏蔽也不稳定，整洁的定律在那里根本够不着。它们只在 ceteris paribus——「其他条件不变」——下成立，而其他条件从不会不变。在卡特赖特看来，世界不是以宏大定律为基座的金字塔，而是一块拼布：一张斑驳的被子，由许多小区域组成，不同模型在不同区域工作，区域之间没有贯穿一切的普遍定律。据此，「所有模型都是错的」不再只是关于我们的地图的评论，而是关于实在的断言：定律本身从来都是理想化的。活跃立场

第六部分模型可信度

如何验证不透明模型

在关乎生命安全的工程领域，这道硬边界早已被明确划出。验证问的是：我们算对了方程吗？代码是否忠实求解了我们写下的模型？确认问的是更难的事：我们算的是正确的方程吗？模型真的对应世界吗？算对，而非算该算的。几乎所有关于模型可信度的争论，本质上都是关于确认的争论。

然后，1994 年，三位研究者对这条边界提出了系统质疑。娜奥米·奥雷斯克斯、克里斯汀·施拉德-弗雷切特与肯尼斯·贝利茨在《科学》杂志上论证，对于开放自然系统——气候、地下水、生态系统——的模型，验证与确认原则上不可能。他们的理由同时涉及本课程的三条线索。自然系统从不封闭，研究者无法控制所有输入。模型解不唯一，拟合良好也不能证明模型就是正确的——这正是正文主页上的欠定性。而通过匹配预测与数据来支持模型，严格说就是第 3 日的肯定后件谬误：如果模型正确，就会观察到 X；观察到 X，所以模型正确。他们对「确认」一词的判断很严格：这个词错误地暗示了模型无法获得的合法性。他们认为，模型的首要价值是启发式的——模型是思考工具，而不是真理证书。已确立

如何评估黑箱模型？

这里，正文主页上的神经天气模型重新成为问题的焦点。如果你无法在「证明其为真」的强意义上确认一个开放系统模型，而你甚至无法细查一个学习代理模型内部数十亿权重——汉弗莱斯所说的认识论不透明性——那你凭什么信任它的预报？

2018 年，胡安·杜兰与尼科·福马内克提出了一种回答：计算可靠主义。这里与第 1 日的联系非常直接。可靠主义认为，一个信念之所以得到证成，不是因为你能在内部背诵出一条论证，而是因为它来自一个可靠的过程，比如良好的视力或可靠的记忆。杜兰与福马内克把这个外在主义答案对准了模拟。你不需要看穿不透明模型的内部就能信任其输出；你需要的是证据，证明产生它的过程是可靠的。

这种证据表现为：在可以检查的环节拥有一条验证与确认的记录、跨独立方法的稳健性、该技术在可被检查之处曾经成功的历史，以及了解其失效模式的专家判断。信任从透明迁移到可靠。黑箱可以像证人一样被认识：不靠拆开内部结构，而靠审查过往记录。第 1 日用来说明人类信念如何得到证成的可靠性标准，到了第 10 日，也能用来说明机器答案为何可信。仍有争议

补充议题

「数字孪生」概念的来源

正文倚仗了 2024 年美国国家科学院的定义：双向、持续更新、可预测。这个想法从哪来？严格的定义为何重要？

其先驱随阿波罗任务升空。NASA 为飞船建造了物理孪生，并把它们留在地面。当阿波罗 13 号的氧气罐在距地球约 20 万英里处爆裂，工程师们把实时遥测灌进地面模拟器和物理模型，为一艘无法触碰的飞船即兴修补。地面上的模型，靠太空中那艘危在旦夕的飞船传回的数据不断更新，被用来做出生死攸关的决定：这就是数字孪生的早期范本，比这个词的出现早了几十年。

现代概念由迈克尔·格里夫斯在 2002 年密歇根大学的一门产品生命周期课上提出：当时的幻灯片已经显示真实空间、虚拟空间，以及两者之间的双向数据流。朗朗上口的名字是后来才有的。NASA 的约翰·维克斯约 2010 年创造了「Digital Twin」一词，它进入了 NASA 的技术路线图。大约从 2014 年起，西门子、达索、GE、ANSYS 等厂商把它印满营销材料——这正是为什么需要一个严格定义，也是为什么国家科学院在那里划了一条线。

这条线最好被看作三级梯子，沿袭 Kritzinger 等人（2018）：能否称得上「孪生」，不在于模型多详细，而在于数据如何流动。

这个分类故意很冷峻。一个普通数字模型可以庞大而漂亮；一个真正的孪生反倒可能视觉上很朴素。差别在于那条回路。

补充议题

元模型：模型如何描述模型

最后一个视角会重新调整我们对整个前沿的看法。正文为了把问题讲清，把基于物理的模型与黑箱式机器学习代理模型拉成了一组鲜明对照；现实没有这么整齐。两个事实会把这条边界变得更模糊。

第一：所谓「基于物理」的气候模型也不是纯第一性原理。它们无法分辨一朵云或一场雷暴，因为这些都比网格小得多，所以它们用参数化来伪装小尺度过程：用简化替身表示小尺度过程，再反复调校参数，直到模型复现已观测到的气候。气候科学家公开把这称为「气候模型调校的艺术与科学」。一个手工调校以匹配已知气候、然后被用来预测未知气候的模型，恰恰倚靠在奥雷斯克斯警告过的那种拟合上——而那种拟合什么也确认不了。基于物理原理的模型里也不乏人为调和的成分。

第二：当一个模拟本身太贵、无法运行成千上万次时，科学家会为它建造一个廉价的统计替身，称为代理模型。沿着链条看：世界被一个模拟——世界的模型——所逼近；模拟又被一个代理模型——模型的模型——所逼近。每一级都更快、更便宜，也错得更多一点。正文主页上的 AI 天气模型只是这架梯子最新、最强大的一级：直接学习模仿几十年大气的代理模型。「所有模型都是错的」原来是递归的。我们习惯于在错误的模型之上再建错误的模型；其中的本领，是判断哪一种扭曲对眼前任务已经足够好。

把镜头拉到最远，第 10 日坐落在计算机科学家吉姆·格雷所称的科学四范式的阶梯上。

结语

重新理解「所有模型都是错的」

既然本课一路都在检查模型，也该把这一天的口号拿来检查一遍。「本质上，所有模型都是错的，但有些有用」这句话本身没错；麻烦在于，它常被用成一句叫人停止追问的套话。人们拿它来打发难题，而不是回答难题。真正的问题是它跳过的：错在何处？对什么而言错？有些模型错得离谱得多，而一张有用地图与一张误导地图之间的差别，正是整场游戏。安德鲁·格尔曼等统计学家恰恰在这里反击过。一旦把这句格言听成「算了吧」，它就会替草率开脱，也会磨钝继续检查的本能。

乔治·博克斯本人对此绝非虚无主义。写下「所有模型都是错的」的同一批论文，也同样强烈地警告另一种错误：把模型错当成世界，或者沉迷于自己添上的复杂细节，最后操心错了问题。他要求的建模纪律并不是「模型反正都错，那就别紧张」，而是更难的一件事，也是本课一直在训练的能力：对这张地图与这个目的之间具体缝隙的校准判断。好的建模者不是从不扭曲现实的人，而是明白自己在哪一点上作了有意的扭曲，也明白这处扭曲为什么正好有用的人。

转向

从人工构建模型到机器生成模型

2020 年后最深刻的变化不是某一项单独结果，而是科学模型由什么构成发生了变化。四个世纪以来，常规配方是明确的：选择理想化、写下方程、求解。大约从 2022 年起，另一种配方开始蔓延。在一个庞大神经网络上用海量领域数据训练，直到它吸收整个领域的统计形态，再把这个模型微调到许多具体任务上。

这些系统就是基础模型，把它们引入科学是这十年的重大事件之一。Wang 等 41 位合著者 2023 年发表于 Nature 的综述 Scientific discovery in the age of artificial intelligence，宛如在一片新的疆域上插下一面旗帜。综述

旗舰级的地球系统实例出现在 2025 年 5 月：Aurora，一个来自微软研究院及合作者的 13 亿参数模型，在一百多万小时地球物理数据上预训练。它并非为单一任务调优，而是一个通用的预训练大气模型，可被微调到空气质量、海浪、热带气旋路径和高分辨率天气。论文报告，Aurora 在 74% 的目标上持平或优于数值空气污染模拟，在 86% 的变量上优于海浪模型，并在多个机构的五天热带气旋业务路径预报上表现更好，其中包括美国国家飓风中心负责的海区。作者将其表述为机器学习模型首次在最长五天的完整业务热带气旋预报上实现超越。已确立

注意这对正文主页上的实在论之争做了什么。Aurora 是工业化了的建构经验主义：一个内部不含人类可读气象学的模型，仍能在重要预报任务上做到经验充分。实在论者的不适——一个预测却不以可审视方式表征世界的模型——如今是一项活跃研究计划，而不再是课堂上的谜题。

同样的模式正在扩散。NASA 与 IBM 的 Prithvi WxC 于 2024 年以开放权重加预印本的形式发布，是一个在 MERRA-2 变量上训练的 23 亿参数天气-气候基础模型，并在预报、降尺度、重力波通量参数化和极端事件上接受测试。已发布与已验证之间的差距，正是前沿校准器存在的原因。预印本

前沿概览

十三个研究主张及其证据

深入之前，先把整片前沿放在一张图上。有用的问题不是「这有多令人印象深刻？」而是一个二维问题：证据有多扎实，以及万一成立，它有多重要？这两条轴把领域切出了意义。右上角是真正的革命：重大且扎实。左上角是龙出没的地方：庞大主张立于薄冰之上。右下角没那么炫目，却常常更有用：范围窄，但已经能承重的结果。

研究方向 1 · 代理模型控制系统

机器学习模型控制机器系统

有些前沿模型已经在最字面的意义上承受负荷：被委以昂贵的硬件和不稳定的等离子体。2022 年，DeepMind 与 EPFL 发表了一个强化学习控制器，它塑造了一台真实托卡马克聚变反应堆的磁场，在 TCV 装置上将等离子体维持在目标构型。2024 年，后续研究用深度强化学习降低 DIII-D 托卡马克上撕裂不稳定性的风险。当一个学习模型被允许实时引导聚变等离子体时，「只是个模型」就不再是有用的搪塞。硬件

同一急件也带来一个警告。物理信息神经网络曾被宣传为显式方程与学习模型之间的桥梁：把微分方程写进损失函数，再让网络学习一个解。失效模式文献揭示了陷阱。PINN 可以一边把残差损失压得很低，一边让真实解严重偏离。模型可以满足你写下的每一条约束，却仍错过世界，因为你并没有写下所有重要的约束。失效模式 修复早期

研究方向 2 · 机制发现

发现机制，而不只是拟合数据

如果说黑箱代理模型是工具主义的胜利，那么一场更安静的反运动正在为实在论而战。它的要求很简单：不要满足于一个只会预测的模型；要让机器交给你一条能读得懂的定律。这就是符号回归与理论引导的发现。

三个标本值得关注。AI-Descartes 将符号回归与对背景公理的逻辑推理相结合，从数据加理论中重新推导出诸如开普勒第三定律这样的定律。AI-Hilbert 通过多项式优化与形式化证书推进这一思想。FunSearch 将语言模型与自动评估器及进化搜索配对；在 Nature 上，它发现了 cap-set 问题的新构造以及新的装箱启发式。最后一个案例在哲学上重要，因为它的输出不是权重向量，而是人类可以检查、检验并证明的对象。FunSearch

这个保留意见让它无法变成实在论的庆功巡游。许多系统仍然主要是在重新发现我们已经知道的定律，这是有力的验证，却是单薄的发现。KAN 系列同样前景可期但尚未定论：2024 年的 Kolmogorov-Arnold Networks预印本提出将可学习函数放在网络边上，作为多层感知器更具可解释性的替代方案；2025 年 Physical Review X 的后续研究则论证其在科学发现中的应用。这是真正的势头。但它仍不能证明 KAN 通常能胜过调优良好的普通网络。有前景 KAN 存疑

研究方向 3 · 数据与可重复性

数据泄漏与 AI 科学的可重复性

本附录中最重要的结果是一个警告。2023 年，Sayash Kapoor 与 Arvind Narayanan 在 Patterns 上发表 Leakage and the reproducibility crisis in machine-learning-based science。他们的调查发现，泄漏错误横跨 17 个领域，共影响 294 篇论文。数据泄漏会让模型在论文上看起来很出色，因为评测数据已经部分进入训练流程。

这是第 2 日的复现危机在 AI 时代的重生。当模型在它实际上已经见过的信息上被评估时，它的「准确率」就是博尔赫斯那张与训练集等大的地图：完美，却无用。已确立

泄漏抬升了你手头数据内的表现。当世界移到模型未见过的气候之外时，它的孪生问题就出现了。NeuralGCM 的作者报告，代理模型在 +1 K 和 +2 K 海表温度扰动下仍保持合理，但在 +4 K 时，其增暖响应偏离预期。艾伦研究所团队的 ACE2 明确指出，对单独变化的海表温度和二氧化碳的敏感性并不完全真实。这正是实在论担忧的经验核心：模式学习者可以是出色的插值器，却是不可靠的预言家。外推

研究方向 4 · 新的认识论问题

不可解释模型能够提供何种理解？

哲学家们并未袖手旁观。Emily Sullivan 2022 年的 Understanding from Machine Learning Models 给出了最干净的重新框架：阻碍理解的并非黑箱复杂性本身，而是关联不确定性——即模型与其声称所指向的目标系统之间联系薄弱的证据。一个关于错误目标的透明模型什么都给不了你；一个与经验联系紧密的不透明模型仍可能支持理解。不透明性不是核心问题，证据才是。

其他人以不同方式划分这片地形。Florian Boge 区分训练的不透明性与表征的不透明性，并警告深度学习可能在发现与解释之间撕开一道缝隙。Ramon Alvarado 主张 AI 是一种认识技术，一种直接作用于知识本身的工具，值得拥有自己的认识论。Sabina Leonelli 则把注意力保持在数据生态系统上：这些模型继承了喂养它们的数据集的不透明性、偏见、缺口与政治。结论是，AI-for-science 可能正在迫使出现第三种认识论范畴：不是理论，不是实验，也不完全是普通的模拟。未决

研究方向 5 · 大规模科学模型

虚拟细胞、地球系统模型与 AI 科学家

现在来到地图的左上角：主张如此宏大，若落地则会重绘一切，而它们今天仍立足于更薄的冰面上。

AI 虚拟细胞。2024 年，一个横跨斯坦福、陈-扎克伯格倡议、基因泰克、谷歌等机构的大型团队在 Cell 上发表路线图，旨在构建活细胞的多尺度 AI 模型。这一雄心是认真的：一个虚拟细胞，能够支持跨生物学尺度的可解释 in silico 实验。但论文是一份关于优先级与机遇的路线图，而非已建成的细胞孪生。路线图

行星孪生。NVIDIA 的 cBottle 是一个用于公里尺度全球大气场的生成模型：一个粗分辨率全球生成器加上局部超分辨率，在模拟和再分析数据上训练。这份预印本可信且有用。围绕 Earth-2 的「行星数字孪生」叙事，则让营销语言替尚未到位的证据承担结论。预印本 孪生叙事

自主科学家。Sakana AI 2024 年的「AI Scientist」预印本推销了一位端到端自动化研究者：选题、实验、论文、评审。2025 年的独立评估发现了更严峻的现实：十二个提议实验中有五个因编码错误而失败，新颖性判断很差，部分结果是幻觉或误导。结果并非毫无用处；自主科学家的框架正是「有争议」标签的用武之地。被戳破

未决问题

哪些实验能够提供定论？

正确的姿态不是相信，也不是否定。而是知道哪一个结果会改变你的想法。

• 经过验证的增暖外推。如果某个 ML 气候代理模型能在留出验证的高排放模拟或古气候上复现真实的增暖响应，工具主义的论据就会增强。现在，+4 K 的漂移在说：谨慎。
• 经泄漏审计的重复验证。对一项旗舰基础模型科学主张进行独立的、检查过泄漏的重复验证，会告诉我们 Kapoor 与 Narayanan 的警告在领域顶端适用到什么程度。
• 真正新颖的定律发现。一个符号回归系统发现了一条后来被确认的自然定律，将是领域格局的转变。FunSearch 的 cap-set 结果是纯数学中最接近的类比。
• 经过验证的临床数字孪生。一份通过同行评议、独立验证并达到美国国家科学院标准的患者或器官孪生，将把医学界的龙移出左上角。