立场：科学人工智能应将测量到数据集的管道视为推理组件
机器学习
2026-05-26 v1
摘要
科学人工智能 (AI4Science) 工作流通常将发布的数据集视为与底层系统的固定接口。然而，在依赖间接观测的领域中，学习者观察到的是由多阶段测量、重建和预处理管道产生的衍生表示。我们主张，这些测量到数据集的管道是推理组件：将其输出视为“给定数据”会冻结观测模型，并掩盖可行管道选择的不确定性。我们识别出由这种“冻结透镜”产生的三种失效模式：(C1) 隐藏假设空间，即发布的数据集未指定管道配置或其有效性条件；(C2) 未认证的可迁移性，即管道可能有文档记录，但其有效性范围未经测试，因此分布偏移下的失败无法被裁定；(C3) 未治理的多重性，即存在许多可辩护的管道，且离散性是真实的，但未被传播到不确定性感知的证据中。我们通过一项大规模神经科学实证审计对这些主张进行压力测试，发现在跨数据集稳定性标准下，生存率约为 。我们呼吁 AI4Science 社区通过领域特定的可计算观测框架，使管道成为可计算的推理对象。这一转变使得量化管道的充分性和稳定性成为可能，将隐式的实现选择转化为可审计、可复现和可累积的科学证据。
引用
@article{arxiv.2605.24558,
title = {Position: AI for Science Should Treat Measurement-to-Dataset Pipelines as Inference Components},
author = {Ling Zhan and Xiaoyao Yu and Tao Jia},
journal= {arXiv preprint arXiv:2605.24558},
year = {2026}
}
备注
23 pages, 5 figures, Proceedings of the 43 rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026