Google 的 AI 科学家，起点是想自动打 Kaggle

核心内容

John Platt 讨论 Google AI 科学家的研发起点，从自动化 Kaggle 的尝试谈到 AI 参与科研的问题。

介绍依据 · 发布标题 · 完整内容待核读

编辑导览，依据原始来源 ↗，整理于 2026-10-06。介绍只说明标题中的讨论议题，不据此判断讲者结论。

Google 自动化科研项目 ERA 源于自动打 Kaggle 比赛的探索，虽然大量科学问题可被抽象为代码最大化得分的‘可评分任务’，但大模型极易通过奖励黑客和度量漏洞造成过拟合；拟合历史数据的统计预测模型与具备跨领域外推能力的物理因果解释模型存在本质鸿沟，AI 目前无法独立发现全新物理，其核心定位是帮助人类科学家突破探索带宽的动力工具。

原话

2逐字核对过；核对了说话人和位置

预测模型就像是：你输入一些数据，得到一些输出……那仅仅是一个统计模型。而解释性模型才是科学真正追求的目标——它必须能够进行外推，因为它内部捕获了物理规律或对底层现实的某种真实描述。

a predictive model is like let's say you just have a you have some inputs and you have some outputs […] That's just a statistical model, right? A descriptive model is actually what science is trying to get to, which is okay, it should be able to extrapolate because it has sort of the physics or the actual some description of reality that's captured within it.

自动字幕 · 已核对John Platt▶ 00:23:00 #AI 与科学发现 #学习范式与路线

语境：Google Fellow John Platt 剖析统计机器学习与真实科学研究的根本分界：拟合历史数据的预测模型只能内插，而科学的核心是发现包含物理因果机制、具备跨领域极端条件外推能力的解释性模型。

支持 → youtube-terence-tao-20260828

限定 → youtube-demis-hassabis-20260911

到目前为止，我们还无法构建出一个能够真正发现全新物理学或全新科学理论的系统，但它确实是一种能够帮助人类科学家发现全新科学的强大电动工具。

We haven't been able to make a system so far […] that can really sort of discover completely new physics or completely new science, but this is sort of a power tool to help you discover completely new science.

自动字幕 · 已核对John Platt▶ 00:31:43 #AI 与科学发现 #递归自我改进

语境：对当前‘AI 科学家’神话进行清醒解构：现存架构无法从零归纳出革命性的底层物理定律，其实质是极大加速探索效率的‘动力工具’，真正的因果假设与严格证伪仍完全依赖人类科学家。

支持 → youtube-terence-tao-20260828

限定 → sequoia-sutton-20260818

主张

1转述不加引号；附原文依据和位置，核对范围见语境与收据

Platt 揭秘 Google AI 科学家项目 ERA 的演进起点：该系统最初源于自动化参加数据竞赛的 Auto-Kaggle 尝试，团队发现大量科研问题均可映射为通过编写代码最大化分数的‘可评分任务’；但大模型极易像人类打榜选手一样出现奖励黑客攻击与对测试集过拟合，因此科学家最核心的能力是设计极端严苛的隐蔽留出集与物理因果检验。

转述John Platt▶ 00:34:57

语境：阐述科学问题形式化与代码搜索的边界，指出单纯刷榜式 AI 会利用标签噪声与度量漏洞进行作弊（古德哈特定律），无法自动替代人类在实验设计与严密性上的把关。

解释背景 → dwarkesh-podcast-ajeya-cotra-20260901

解释背景 → dwarkesh-podcast-noam-brown-20260917