引言
随着近期诺贝尔奖表彰人工智能对科学的贡献，大型语言模型（LLMs）正通过提升生产率并重塑科学方法来变革科学研究。如今，LLMs已参与到实验设计、数据分析和工作流程中，尤其在化学和生物学领域表现突出。
人工智能的最新进展已经改变了社会的多个方面、全球经济以及学术科研实践。生成式AI和LLMs带来了前所未有的机遇，可转变科学实践、推动科学发展并加速技术创新。物理学和化学诺贝尔奖授予了多位AI领军人物，表彰他们对AI及前沿模型（如LLMs）的贡献。这预示着LLMs将通过提升生产率并支持科学方法的各个阶段，从而转变或推动科学研究。AI在科学中的应用正蓬勃兴起，涵盖众多科学领域，并影响着科学方法的不同部分。
尽管LLMs在假设生成和数据综合方面潜力巨大，但AI和LLMs在基础科学和科学发现方面仍面临挑战。因此，我们的观点是：迄今为止，AI对基础科学的影响有限——这里的基础科学定义为新原理或新科学定律的发现。本文回顾了LLMs当前如何作为技术工具来增强科学过程，以及未来随着它们变得更加强大并发展成为强大的科学助手时，可能如何被使用。将数据驱动技术与符号系统相结合，这样的系统可以融合成混合引擎，从而可能引领新的研究方向。我们旨在描述LLMs作为技术工具与作为“创意引擎”之间的差距，后者能够促成新的高质量科学发现并向人类科学家提出新问题和新假设。我们首先回顾LLMs在科学中的当前应用，旨在找出向创意引擎迈进时需要解决的局限。
当前应用
LLMs已广泛应用于科学文献分析、实验方案生成、数据解析和初步假设形成。例如，在药物发现中，LLMs可帮助预测分子性质；在材料科学中，它们能推荐合成路径。然而，这些应用大多停留在辅助层面，尚不能独立产生原创性科学洞见。
挑战与局限
LLMs面临的核心挑战包括：缺乏对物理世界的因果理解、易产生“幻觉”、依赖训练数据的质量与偏见，以及在跨领域推理上的不足。在基础科学中，要发现全新原理，需要超越模式匹配的抽象推理能力，而这正是当前LLMs的短板。
未来方向
要实现LLMs从工具到创意引擎的跨越，需要发展混合系统：将LLMs的语言能力与符号推理、知识图谱及物理仿真相结合。此外，建立清晰的评估指标至关重要，以确保LLMs的输出符合人类科学目标。跨学科合作和持续的人机对齐将是关键。
结论
LLMs有潜力成为科学方法中强大的合作伙伴，但若要真正推动从假设到发现的创新，仍需在技术、评估和伦理层面进行系统性改进。