大模型依靠统计学习，从海量数据中学到的本质是似然性：基于已有数据分布，判断“什么内容最符合过往经验、最有可能接续出现”。它擅长在已知样本空间内做插值、拟合、生成，输出高概率、符合既有规律的答案。

但人类所说的发现，目标恰恰是跳出原有概率分布，寻找分布之外、未曾观测、从未被归纳的可能性。前者是在已有框架内做概率推演；后者是突破旧框架，开辟全新的问题空间。二者之间存在一道巨大鸿沟。

一、似然性：AI学习的底层逻辑

AI模型的训练目标，本质上是最大化序列的似然。简单来说，模型学习数据里的关联模式、语言习惯、知识关联，学会“按照过往发生过的模式，生成最合理的结果”。

它所有的推理与生成，都被约束在训练数据形成的概率分布之内。哪怕输出看起来非常新颖，大多也是已有要素的重组、插值与外推，很难生成原有分布之外真正全新的可能性。

这也是模型幻觉的根源：模型只判断文本“看起来有多合理（似然高）”，而不是判断这件事在真实世界里是否成立。高似然 ≠ 真实，更不等于新发现。

二、可能性：人类发现的核心，存在于概率分布之外

科学发现、颠覆性创新，往往发生在旧有数据分布失效的地方。

比如当年量子力学、相对论的诞生，并不是在经典物理的数据分布里做拟合，而是人们发现原有理论框架无法解释新现象，必须跳出旧概率空间，提出全新假说。这类全新假说，在旧数据分布中属于极低概率、甚至概率为0的事件。

这种分布外可能性，不是靠统计拟合能够自动涌现的。它需要人的直觉、猜想、价值判断，也就是人机环境理论中的“算计”：设定新目标、提出新假设、设计实验去验证，在真实环境中试探未知边界。

机器擅长计算，在已知分布内求解似然；人类擅长算计，敢于假设分布之外的可能性。单纯依靠大模型现有的学习范式，无法自动完成这一步跨越。

三、鸿沟如何弥合？不是调参，而是基础设施级别的探索

想要打通从似然性到可能性的路径，靠改进模型架构、扩大参数量远远不够，需要基础设施层面系统性投入，包含几个层面：

1. 多源异构的真实世界试验基础设施

不能只停留在文本、静态数据集。需要搭建可交互的物理、数字仿真环境，允许模型与人一起开展主动实验，通过与环境互动获取新数据，而不是只读存量历史数据。通过环境反馈，拓展原有概率分布的边界。

2. 人机共驱的假说验证系统

构建人机协同的科研基础设施：由机器快速枚举大量高似然候选猜想；由人完成价值筛选、提出分布外的全新猜想；再由环境仿真、物理实验共同检验假说是否成立。把人的“算计”嵌入整个发现闭环，而不是让模型单独完成全部工作。

3. 开放的风险与不确定性评估框架

传统AI只评估似然概率，而新系统需要评估“未知的可能性”，区分三种情况：高概率已知事件、低概率稀有事件、分布外未知事件。这套不确定性评估体系，属于全新的底层能力，不是现有大模型的附带功能。

4. 动态演化的表征体系

也就是多源异构数据表征，能够持续接纳新的观测信息，动态更新特征空间，而不是固化在训练完成之后不变的表征。让系统有能力容纳超出原始训练分布的新现象。

从人机环境系统智能视角看：真正的发现不是模型单独完成，而是人、机、环境三者持续激荡耦合涌现出来的组织能力。机器负责在已知空间内计算似然；人负责猜想分布之外的可能性；环境负责给出真实反馈，检验猜想对错。三者缺一不可。

结语中的发现

AI可以熟练拟合已有数据，输出高似然的内容，但似然不等于可能。想要从“拟合已知”走向“发现未知”，不能只在模型算法层面小修小补，必须投入底层基础设施建设，搭建人机环境协同探索未知的完整闭环。唯有如此，我们才有机会跨越似然性到可能性之间的巨大鸿沟。

AI学到似然性，而人类的发现，寻找概率分布之外的可能性。