Principia：让大语言模型在推理时把实验观察提炼成科学原则

2026年10月27日阅读约 3 分钟

导语

在分子设计、蛋白质改造等科学任务中，找到一个可行答案只是第一步。研究者还需要解释：哪些输入变化可能带来结果变化？这种关系能否迁移到下一个实验？传统流程往往依赖领域专家把零散观察整理成经验规律，这一“从假设到原则”的翻译阶段既耗时，也容易成为探索瓶颈。

KAIST AI 团队提出的 Principia，试图让大语言模型在测试时完成这项工作。它不是只调用模型预训练阶段积累的知识，而是围绕当前任务持续利用新获得的观察，动态构建和修订任务相关的科学原则。

Principia 的基本流程可以概括为一个不断循环的推理闭环：

这一设计借鉴了人类研究者从实验结果中逐步形成认识的方式。需要强调的是，论文中的“原则”更接近基于当前观察归纳出的任务经验，并不等同于已经被实验充分验证的普适科学定律。

论文在分子优化、蛋白质工程、基因扰动和分子性质预测等基准上评估 Principia。根据论文摘要，Principia 的表现超过了依赖模型内部知识、外部信息来源或经验总结的基线。同时，框架生成的原则被报告为具有科学上的合理性，并与相关科学文献保持一致。

这类结果说明，语言模型的价值不一定只在于“知道什么”，也可以体现在如何组织测试时产生的新证据。对于实验反馈逐步累积、规律起初并不明确的任务，动态更新的原则可能比一次性生成答案更适合支持连续探索。

Principia 的重要启发在于，它把科学发现中的知识构建明确拆成了假设生成、规律归纳和反馈修订三个环节，使模型输出不仅包括候选结果，也包括支撑后续决策的中间知识。若这一思路得到进一步验证，未来的科学智能系统或许能够围绕特定实验环境形成更贴近任务的经验库。

但从现有材料看，Principia 生成的是经验性原则，其可靠性仍取决于观察质量、任务反馈和后续验证。原则与文献一致也不能替代真实实验或领域专家审查。因而，较合理的定位是把它视为科学探索中的推理与知识整理工具，而不是自动完成科学定律发现的系统。