NOVA：通过AI进行知识发现的基本限制

随着人工智能系统越来越多地参与科学研究，一个根本性问题浮现：AI能否通过迭代自我改进真正发现新知识？如果可以，代价是什么？在一篇题为“NOVA：通过AI进行知识发现的基本限制”的论文中，研究人员提出了一个新颖的框架来回答这些问题。

该论文引入的NOVA框架将常见的“生成、验证、积累、再训练”循环建模为对知识空间的自适应采样过程。研究者确定了若干充分条件，在这些条件下积累的真实知识最终能够覆盖有限领域，并展示了违反这些条件如何导致不同的失败模式：污染、遗忘、探索失败和接受失败。

特别值得注意的是“污染陷阱”：当易于发现的知识被耗尽后，模型分配给新有效知识的质量缩小，即使很小的假阳性率也可能导致无效知识比真实发现更快地进入知识库。此外，论文澄清了Good-Turing估计是一种局部批次多样性诊断工具，而非用于估计历史未发现有效质量的工具。

论文进一步提出了一个缩放定律：在假设模型的有效发现分布符合指数α>1的齐普夫定律的条件下，获得D个不同真实发现的累积生成成本满足R_cum(D)=Θ(c_gen D^α)。这一定量刻画了随着发现前沿推进而出现的渐近收益递减效应。

最后，研究者正式化了人类通过指导、生成和验证的放大作用，解释了为什么专家输入在自主探索障碍附近最有价值。这项研究不仅为AI发现系统提供了理论基础，也为设计更高效的知识发现算法指明了方向。NOVA框架的提出，标志着我们对AI驱动科学发现的理解迈出了重要一步，尤其为在资源受限环境下优化发现策略提供了理论指导。该论文由Salman Avestimehr等人撰写，于2026年5月12日提交至arXiv，目前可在arXiv上获取全文。