本研究探讨了两个人工智能模型在相同科学任务上学习理论的异同。研究表明，AI科学家在复杂系统中会从汉密尔顿理论转向拉格朗日理论，从而提升其理解和应用能力。

跨模态转移利用大型预训练模型处理不同模态任务，但模态差距影响效果。论文提出MoNA方法，通过元学习减少模态差异，改善转移。实验显示，MoNA在科学任务中表现优异，尤其在数据稀缺时。研究指出模态语义差异影响转移，MoNA通过两阶段训练优化嵌入器，提高源知识重用，增强目标任务表现。

该研究提出了一种双层马尔可夫决策过程（MDP）框架，用于科学任务的自主应变规划。研究结果表明，该方法可以提高计算可处理性和近似最佳策略，帮助更高效和灵活地应对科学任务的应变规划。