Known（已知知识）在当前 AI 讨论中，主要指人类已积累的科学知识与物理规律如何与大模型结合的问题——它既决定了模型能利用什么先验，也划定了 AI 科学发现能力的边界。围绕 Known 与未知的关系，近期的热点集中在两条线上：一是用已知物理约束改进神经模型，二是 AI 在真实数据中发现人类此前忽略的新结构。
Known 知识如何助力 AI 模型
arXiv 上的一项研究《When Known Physics Helps Neural PDE Models》系统比较了两种引入先验的方式，结论是：基于已知物理的残差约束，其正则化效果优于泛用的 PDE 先验，在非线性动力学建模中表现更好。这为"Known 先验何时有用"提供了实证依据——不是所有已知知识都值得注入，关键在于约束的形式与问题的匹配度。
另一个跨学科案例是《AnchorPose for Geometry-Aware MOF Assembly》，研究者在材料领域用几何感知的姿态生成方法处理 MOF（金属有机框架）组装问题，同样是把领域已知结构信息融入生成模型以提升科学计算精度的尝试。
AI 发现 Unknown：从 Known 出发的边界测试
Anthropic 宣布 Claude 在噬菌体 DNA 中识别出一类此前未被注意的酶系统，其附近存在类似 CRISPR 的重复序列模式（见这条推文）。这一发现之所以引发关注，在于它展示了大模型在海量已知生物数据中挖掘未知模式的能力——Known 数据集里仍可能藏着 Unknown 的科学结构。不过此类发现仍需实验验证，社区对其科学价值的判断也趋于谨慎。
当前焦点与观察点
围绕 Known 与 AI 能力的争议也在升温。吴恩达公开批评近期 AI 恐慌炒作，认为技术本身没有危险转折，变化的是传播层面的叙事；Gary Marcus 则持续对 AI 能力边界提出质疑（相关讨论）。两派的分歧本质上是：模型究竟是基于 Known 模式做插值，还是能真正外推到未知。后续值得观察的包括：已知物理先验与神经模型的融合是否会成为科学计算的主流范式，以及 AI 提出的"未知发现"能否在同行评审和实验复现中站住脚。