Apodex 用预测做试金石：让 AI 学会质疑自己的推理是否站得住
SimonShaoleiDu · x · 2026-11-10
在旧金山举行的 Chen Institute AIAS+26 研讨会上，Apodex 推理模型首席科学家、统计学家宋晓磊（Simon Shaolei Du）发表演讲「Deep Discovery for Future Prediction」，讨论 AI 如何从检索已有知识走向真正发现新知识。
核心论点：生成一个预测容易，判断推理过程是否成立是另一回事——AI 必须学会评估证据、挑战假设、并识别自己的结论何时可能出错。预测是理想的测试场：结果尚未发生时，模型必须在不确定中权衡相互竞争的证据，且预测事后可被现实检验。
Apodex 方法的关键要素：
- 评估证据而非共识：判断信息来源可靠性，而不是默认多数即正确；
- 区分证据强度与论证一致性（演讲中被截断）；
Apodex 围绕「Discoverative AI」提出 TRACES 范式，产品线包括：面向开放问题、注重持续推理/纠错/不确定性的推理模型 Apodex Model；考察 AI 调查能力的公开基准 TRACES；以及结合模型、工具与领域专家做真实科研的 Apodex Lab。配图显示 Apodex-1.0 宣称在 Deep Research 的 agent search 与 agentic scene 基准上达到 SOTA。
「漫话AGI」频道最新
- Yudkowsky 自嘲式断言:AI 写小说远逊写代码,人类或因此尚未灭绝 — sebkrier · 2026-11-10
- S&P 500 公司寿命从 61 年缩至 15 年，竞争优势比史上任何时候都关键 — RogerLMartin · 2026-11-10
- 不受约束的智能杀死可理解性，正如不受约束的分发杀死注意力 — fkasummer · 2026-11-10
- 数学家 Strogatz 播客对谈：AI 正在颠覆数学，人类洞见过时了吗 — stevenstrogatz · 2026-11-10
- AI 能力缺统一标尺:sebkrier 逐项拆解基准分数、Elo、ECI、METR 时间视界的缺陷 — sebkrier · 2026-11-10
- AI 机械工程师已是成品级输出：一张可直接打印的参数化工程图纸 — burhop · 2026-11-10