從神經(jīng)網(wǎng)絡(luò )到天體物理，沒(méi)有什么是AI做不到的

　　勤勞的助手

　　無(wú)可否認，AI和神經(jīng)網(wǎng)絡(luò )顯然已經(jīng)在當代天文學(xué)和物理學(xué)研究中發(fā)揮了關(guān)鍵作用。海德堡理論研究所的物理學(xué)家Kai Polsterer領(lǐng)導著(zhù)一個(gè)天文信息學(xué)小組，專(zhuān)注于以數據為中心的天體物理學(xué)新研究方法。最近，他們在使用機器學(xué)習算法從星系數據集中提取紅移信息，這在以前是很艱巨的任務(wù)。

　　Polsterer將這些基于AI的新系統看作是“勤勞的助手”——可以連續幾個(gè)小時(shí)梳理數據，而不會(huì )感到厭煩或抱怨工作條件。他說(shuō)，這些系統可以完成所有乏味的繁重工作，讓你有時(shí)間進(jìn)行有趣的科學(xué)研究。

　　但它們并不完美。特別是算法只能做受過(guò)訓練的事情。系統對于輸入信息是“不可測的”。給它一個(gè)星系，這個(gè)軟件就可以估計它的紅移和年齡，但是給它一個(gè)自拍照片，或者一張腐爛的魚(yú)的照片，它也會(huì )輸出一個(gè)(非常錯誤的)年齡。最后，人類(lèi)科學(xué)家的監督仍然是至關(guān)重要的。于是問(wèn)題最終還是回歸研究人員——你才是負責解讀機器的人。

　　費米實(shí)驗室的Nord警告說(shuō)：神經(jīng)網(wǎng)絡(luò )輸出的結果也會(huì )有誤差。在科學(xué)上，如果你進(jìn)行一項測量，卻不報告誤差估計，結果就沒(méi)有意義。和許多AI研究者一樣，Nord也關(guān)注神經(jīng)網(wǎng)絡(luò )輸出結果的不可穿透性。通常情況下，系統會(huì )給出一個(gè)答案，但并不清楚該結果是如何獲得的。然而，并非所有人都認為這是一個(gè)問(wèn)題。法國CEA Saclay理論物理研究所的研究員Lenka Zdeborová指出，人類(lèi)的直覺(jué)往往同樣難以理解。你看著(zhù)照片立刻認出了一只貓——但你不知道自己是怎么知道的。從某種意義上說(shuō)，人類(lèi)大腦就是一個(gè)黑匣子。

　　不僅天體物理學(xué)家和宇宙學(xué)家正在向AI驅動(dòng)、數據驅動(dòng)的科學(xué)靠攏?；F盧大學(xué)的量子物理學(xué)家Roger Melko也利用神經(jīng)網(wǎng)絡(luò )解決了領(lǐng)域中一些最棘手、最重要的問(wèn)題，比如：如何表示描述多粒子系統的“波函數”。Melko稱(chēng)AI是“維度的指數詛咒”，即波函數形式的可能性隨著(zhù)系統中粒子的數量呈指數增長(cháng)。困難類(lèi)似于嘗試在國際象棋或圍棋中下一步最好的棋：你試著(zhù)下一步棋，想象你的對手會(huì )怎么下，然后選擇最好的應對方式，但是每走一步，可能性的數量就會(huì )激增。

　　當然，AI系統已經(jīng)掌握了這兩種棋類(lèi)游戲。20年前的國際象棋人類(lèi)就輸給了計算機;2016年，AI系統AlphaGo擊敗了頂尖的人類(lèi)圍棋手。Melko認為這種情況同樣適用于量子物理中的問(wèn)題。

　　機器的思維

　　對于A(yíng)I系統，Schawinski認為這是“第三類(lèi)”科學(xué)研究方法，Hogg則認為不過(guò)是傳統觀(guān)察分析法的高級版本，不管你支持哪種觀(guān)點(diǎn)，有一點(diǎn)是肯定的，AI正在加速改變科學(xué)發(fā)現的概念。AI革命在科學(xué)領(lǐng)域能走多遠?

　　偶爾，人們會(huì )對“機器人科學(xué)家”的成就大加贊揚。十年前，一位名叫Adam的AI機器人化學(xué)家研究了面包酵母的基因組，找出了哪些基因負責制造某些氨基酸。當時(shí)的新聞標題是：“機器人獨自做出科學(xué)發(fā)現”。

　　最近，格拉斯哥大學(xué)化學(xué)家Lee Cronin在用機器人隨機混合化學(xué)物質(zhì)，看看會(huì )形成什么樣的新化合物。通過(guò)質(zhì)譜儀、核磁共振儀和紅外光譜儀實(shí)時(shí)監測反應，系統最終學(xué)會(huì )了預測哪種組合反應性最強。Cronin說(shuō)，即使這不會(huì )帶來(lái)進(jìn)一步的發(fā)現，機器人系統也能讓化學(xué)家們將研究速度提高約90%。

　　去年，蘇黎世理工的另一個(gè)科學(xué)家小組使用神經(jīng)網(wǎng)絡(luò )從數據集中推導出物理定律。他們的系統是一款機器人開(kāi)普勒系統，從太陽(yáng)和火星的位置記錄中重新發(fā)現了太陽(yáng)系的日心模型，并通過(guò)觀(guān)察碰撞球發(fā)現了動(dòng)量守恒定律。由于物理定律通?？梢杂貌恢挂环N方式來(lái)表達，研究人員想知道系統是否可以提供新的方式(也許是更簡(jiǎn)單的方式)來(lái)思考已知的定律。

　　這些都是AI啟動(dòng)科學(xué)發(fā)現過(guò)程的例子，雖然不同案例中AI的作用影響各有不同。也許最具爭議的問(wèn)題是，在數據爆炸的今天，單從數據中能收集到多少信息。計算機科學(xué)家Judea Pearl和科學(xué)作家Dana Mackenzie斷言，數據是“極其愚蠢的”。因果關(guān)系的問(wèn)題永遠不能單靠數據來(lái)回答。Schawinski也支持這種立場(chǎng)，他從未聲稱(chēng)數據可以推演因果關(guān)系，而只是認為，我們可以比以往更多地利用數據。

　　另一個(gè)經(jīng)常聽(tīng)到的論點(diǎn)是，科學(xué)需要創(chuàng )造力，而且至少到目前為止，我們不知道如何將“創(chuàng )造力”編程到機器中。物理學(xué)家Kai Polsterer說(shuō)：“除了理論和推理，我們還需要創(chuàng )造力——只有人類(lèi)才具有這項能力?！眲?chuàng )造力從何而來(lái)?Polsterer懷疑這與“無(wú)聊”有關(guān)，機器不會(huì )感到無(wú)聊。要想有創(chuàng )意，你必須討厭無(wú)聊的感覺(jué)。另一方面，像創(chuàng )意和靈感這樣的詞經(jīng)常被用來(lái)形容Deep Blue(戰勝人類(lèi)象棋手的計算機)和AlphaGo這樣的智能程序。我們在試圖描述計算機思想的時(shí)候，實(shí)際上是對自己大腦的映射。

　　Schawinski最近離開(kāi)學(xué)術(shù)界去了私營(yíng)部門(mén)。他現在經(jīng)營(yíng)著(zhù)一家名為Modulos的創(chuàng )企，公司雇傭了一些ETH科學(xué)家，據其網(wǎng)站稱(chēng)，公司處在A(yíng)I和機器學(xué)習發(fā)展的風(fēng)口浪尖。不管當前AI技術(shù)和成熟的人工智慧之間存在什么障礙，Schawinski和同事們都認為機器已經(jīng)可以接替越來(lái)越多人類(lèi)科學(xué)家的工作。

　　Schawinski說(shuō)：“在可預見(jiàn)的未來(lái)，是否有可能利用生物硬件建造一臺機器，它可以完成人類(lèi)無(wú)法獨立完成的物理、數學(xué)任務(wù)?科學(xué)的未來(lái)最終會(huì )不會(huì )因為計算機才達到人類(lèi)難以企及的高度?我不知道。但這是個(gè)好問(wèn)題?！?/p>