你是否曾设想过，无需耗费巨额算力，也能让AI模型拥有媲美顶尖专家的洞察力？麻省理工学院（MIT）的一项突破性研究揭示了这一可能：即使是架构迥异、训练方式不同的AI模型，在解决同一科学问题时，其内部表征最终会趋于一致。这意味着，我们可以通过模仿顶级模型的"思考方式"，以更低的成本训练出高性能的AI，为科研带来一场平民化的革命。
科学AI模型的"多国峰会"与表征对齐
当前，人工智能在科学领域的应用呈现出百花齐放的态势。各种AI模型，例如用于预测分子性质的模型，如同不同国家的代表，各自使用独特的语言（输入模态）和方法（建模路径）来描述同一个物理现实。有的模型直接读取SMILES字符串（一种描述分子结构的文本格式），有的则解析原子3D坐标。它们在各自的赛道上竞争，力求在预测精度上胜出。
MIT的研究人员通过一项严谨的实验，将59个架构各异、训练方式不同的科学AI模型纳入统一评估框架。研究结果显示：尽管这些模型在输入模态和建模路径上存在巨大差异，但当性能提升到一定阈值后，其对物质的内部表征却呈现出高度趋同现象。这意味着，一个仅仅处理文本的代码模型，其分子表征可以与专精于物理受力计算的模型实现强对齐。
为量化这种趋同现象，研究人员引入"表征对齐度"指标。数据显示，模型性能越强，其表征就越趋近于统一方向；能量预测误差越低，各个模型在表达空间中的分布就越紧凑。这表明，模型最终提取的是高度一致、最本质的物理信息。
"英雄所见略同"的收敛现象：不仅限于科学AI
这种收敛现象并非科学AI所独有。研究人员对比纯文本语言模型（如GPT系列）和纯图像视觉模型（如CLIP），发现二者对"猫"的语义表征会随模型规模增长而持续接近。这意味着，无论从文本、图像还是分子图谱切入，只要模型足够强大，最终都将在内部构建出高度一致的现实内在图景。
高性能模型收敛，低性能模型"迷路"或"降智"
研究发现，高性能模型趋向于收敛，而低性能模型则呈现两种典型偏差：一种是"各自迷路"，表征发散且错误；另一种是"集体降智"，虽然趋同但丢失关键物理特征。此外，部分模型在特定任务中得分很高，但其表征却难以泛化到其他任务中。
更值得注意的是，当遇到训练集之外的新物质时，许多模型会退回到设计者预设的"舒适区"，主动丢弃核心化学特征。这表明，训练数据多样性是决定模型能否触及真理的关键因素。
模型蒸馏：知识迁移的捷径
研究表明，小模型通过模仿高性能基座模型的表征逻辑，同样可以实现接近的预测精度。这意味着，我们无需盲目追求参数量，而应利用"真理收敛"特性，将大模型知识高效迁移到轻量、专用的小模型中。Orb V3验证了新范式：通过大规模训练和合理正则化，简单架构也能获得媲美物理约束模型的理解力。
科学AI评估的新标准与未来展望
未来，科学AI的评估标准将更加多元：不仅要看任务得分，更要关注模型是否进入"真理收敛圈"。MIT的研究为AI竞赛指明方向：科学AI的进化之路，不在于更复杂的架构，而在于能否稳定进入那个"收敛圈"。以表征对齐驱动知识迁移与模型轻量化，将成为最务实的工程路径。