MIT研究，穷人福音：不用堆显卡，抄顶级模型新智元

高分模型未必懂科学，有的只是在「死记硬背」！MIT揭秘：模型越聪明，对物质的理解就越趋同。既然真理路径已清晰，我们何必再深陷昂贵的算力竞赛？

现在的AI for Science，就像一场「多国峰会」，大家用不同的语言描述同一件事。

有人让AI读SMILES字符串，有人给AI看原子的3D坐标，大在不同的赛道上比谁预测得准。

但有一个问题：这些AI是在「找规律」，还是真的理解了背后的物理真相？

在MIT的一项研究中，研究员把59个「出身」不同的模型凑在一起，观察它们在理解物质时，隐藏层表达是否相同 。

结果非常惊人：虽然这些模型看数据的方式天差地别，但只要它们变得足够强大，它们对物质的理解就会变得极度相似 。

更神奇的是，一个读文字的代码模型，竟然能和一个算受力的物理模型在「认知」上高度对齐 。

它们沿着不同的路，爬到了同一座山峰的顶端，开始共同描绘物理与现实的「终极地图」。

真理的汇合：为什么顶尖模型越长越像？

为了验证这些模型是否真的在靠近真理，研究者引入了一个关键指标：表征对齐度。

简单来说，就是看两个模型在处理同一个分子时，它们脑子里的思路有多相似。

结果发现，性能越强的模型，思维方式就越接近。

在实验中，随着模型预测物质能量准确度的提升，这些模型在表达空间里会自发地向同一个方向靠拢。

性能与认知的同步：能量预测越精准，模型与顶尖基座的思维方式就越趋同。每个点代表一个模型;点大小对应模型大小。

尽管这些AI的架构千差万别，但它们在处理同一批分子数据时，其特征空间的复杂度竟然压缩到了一个非常窄的范围。

无论模型外壳多么复杂，它们最后抓取的都是最核心、最精简的物理信息 。

化繁为简：虽然AI架构各异，但它们提取的物质特征在数学复杂度上却「殊途同归」。

这一特征在Orb V3这样的模型上更加明显。

跨架构的表征对齐：矩阵中的深色区域显示了Orb V3等高性能模型与其它严谨物理模型（如MACE、EqV2）之间强烈的共鸣。

通过更自由的训练，它们可以更精准地对齐物理规律。