NOVA：透過AI進行知識發現的基本限制

隨著人工智慧系統越來越多地參與科學研究，一個根本性問題浮現：AI能否透過迭代自我改進真正發現新知識？如果可以，代價是什麼？在一篇題為“NOVA：透過AI進行知識發現的基本限制”的論文中，研究人員提出了一個新穎的框架來回答這些問題。

該論文引入的NOVA框架將常見的“生成、驗證、積累、再訓練”迴圈建模為對知識空間的自適應取樣過程。研究者確定了若干充分條件，在這些條件下積累的真實知識最終能夠覆蓋有限領域，並展示了違反這些條件如何導致不同的失敗模式：汙染、遺忘、探索失敗和接受失敗。

特別值得注意的是“汙染陷阱”：當易於發現的知識被耗盡後，模型分配給新有效知識的質量縮小，即使很小的假陽性率也可能導致無效知識比真實發現更快地進入知識庫。此外，論文澄清了Good-Turing估計是一種區域性批次多樣性診斷工具，而非用於估計歷史未發現有效質量的工具。

論文進一步提出了一個縮放定律：在假設模型的有效發現分佈符合指數α>1的齊普夫定律的條件下，獲得D個不同真實發現的累積生成成本滿足R_cum(D)=Θ(c_gen D^α)。這一定量刻畫了隨著發現前沿推進而出現的漸近收益遞減效應。

最後，研究者正式化了人類透過指導、生成和驗證的放大作用，解釋了為什麼專家輸入在自主探索障礙附近最有價值。這項研究不僅為AI發現系統提供了理論基礎，也為設計更高效的知識發現演算法指明瞭方向。NOVA框架的提出，標誌著我們對AI驅動科學發現的理解邁出了重要一步，尤其為在資源受限環境下最佳化發現策略提供了理論指導。該論文由Salman Avestimehr等人撰寫，於2026年5月12日提交至arXiv，目前可在arXiv上獲取全文。