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

　　勤勞的助手

　　無可否認，AI和神經(jīng)網(wǎng)絡(luò)顯然已經(jīng)在當代天文學和物理學研究中發(fā)揮了關(guān)鍵作用。海德堡理論研究所的物理學家Kai Polsterer領(lǐng)導(dǎo)著一個天文信息學小組，專注于以數(shù)據(jù)為中心的天體物理學新研究方法。最近，他們在使用機器學習算法從星系數(shù)據(jù)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(tǒng)看作是“勤勞的助手”——可以連續(xù)幾個小時梳理數(shù)據(jù)，而不會感到厭煩或抱怨工作條件。他說，這些系統(tǒng)可以完成所有乏味的繁重工作，讓你有時間進行有趣的科學研究。

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

　　費米實驗室的Nord警告說：神經(jīng)網(wǎng)絡(luò)輸出的結(jié)果也會有誤差。在科學上，如果你進行一項測量，卻不報告誤差估計，結(jié)果就沒有意義。和許多AI研究者一樣，Nord也關(guān)注神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的不可穿透性。通常情況下，系統(tǒng)會給出一個答案，但并不清楚該結(jié)果是如何獲得的。然而，并非所有人都認為這是一個問題。法國CEA Saclay理論物理研究所的研究員Lenka Zdeborová指出，人類的直覺往往同樣難以理解。你看著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，人類大腦就是一個黑匣子。

　　不僅天體物理學家和宇宙學家正在向AI驅(qū)動、數(shù)據(jù)驅(qū)動的科學靠攏?；F盧大學的量子物理學家Roger Melko也利用神經(jīng)網(wǎng)絡(luò)解決了領(lǐng)域中一些最棘手、最重要的問題，比如：如何表示描述多粒子系統(tǒng)的“波函數(shù)”。Melko稱AI是“維度的指數(shù)詛咒”，即波函數(shù)形式的可能性隨著系統(tǒng)中粒子的數(shù)量呈指數(shù)增長。困難類似于嘗試在國際象棋或圍棋中下一步最好的棋：你試著下一步棋，想象你的對手會怎么下，然后選擇最好的應(yīng)對方式，但是每走一步，可能性的數(shù)量就會激增。

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

　　機器的思維

　　對于AI系統(tǒng)，Schawinski認為這是“第三類”科學研究方法，Hogg則認為不過是傳統(tǒng)觀察分析法的高級版本，不管你支持哪種觀點，有一點是肯定的，AI正在加速改變科學發(fā)現(xiàn)的概念。AI革命在科學領(lǐng)域能走多遠?

　　偶爾，人們會對“機器人科學家”的成就大加贊揚。十年前，一位名叫Adam的AI機器人化學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。當時的新聞標題是：“機器人獨自做出科學發(fā)現(xiàn)”。

　　最近，格拉斯哥大學化學家Lee Cronin在用機器人隨機混合化學物質(zhì)，看看會形成什么樣的新化合物。通過質(zhì)譜儀、核磁共振儀和紅外光譜儀實時監(jiān)測反應(yīng)，系統(tǒng)最終學會了預(yù)測哪種組合反應(yīng)性最強。Cronin說，即使這不會帶來進一步的發(fā)現(xiàn)，機器人系統(tǒng)也能讓化學家們將研究速度提高約90%。

　　去年，蘇黎世理工的另一個科學家小組使用神經(jīng)網(wǎng)絡(luò)從數(shù)據(jù)集中推導(dǎo)出物理定律。他們的系統(tǒng)是一款機器人開普勒系統(tǒng)，從太陽和火星的位置記錄中重新發(fā)現(xiàn)了太陽系的日心模型，并通過觀察碰撞球發(fā)現(xiàn)了動量守恒定律。由于物理定律通?？梢杂貌恢挂环N方式來表達，研究人員想知道系統(tǒng)是否可以提供新的方式(也許是更簡單的方式)來思考已知的定律。

　　這些都是AI啟動科學發(fā)現(xiàn)過程的例子，雖然不同案例中AI的作用影響各有不同。也許最具爭議的問題是，在數(shù)據(jù)爆炸的今天，單從數(shù)據(jù)中能收集到多少信息。計算機科學家Judea Pearl和科學作家Dana Mackenzie斷言，數(shù)據(jù)是“極其愚蠢的”。因果關(guān)系的問題永遠不能單靠數(shù)據(jù)來回答。Schawinski也支持這種立場，他從未聲稱數(shù)據(jù)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(shù)據(jù)。

　　另一個經(jīng)常聽到的論點是，科學需要創(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。物理學家Kai Polsterer說：“除了理論和推理，我們還需要創(chuàng)造力——只有人類才具有這項能力?！眲?chuàng)造力從何而來?Polsterer懷疑這與“無聊”有關(guān)，機器不會感到無聊。要想有創(chuàng)意，你必須討厭無聊的感覺。另一方面，像創(chuàng)意和靈感這樣的詞經(jīng)常被用來形容Deep Blue(戰(zhàn)勝人類象棋手的計算機)和AlphaGo這樣的智能程序。我們在試圖描述計算機思想的時候，實際上是對自己大腦的映射。

　　Schawinski最近離開學術(shù)界去了私營部門。他現(xiàn)在經(jīng)營著一家名為Modulos的創(chuàng)企，公司雇傭了一些ETH科學家，據(jù)其網(wǎng)站稱，公司處在AI和機器學習發(fā)展的風口浪尖。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)可以接替越來越多人類科學家的工作。

　　Schawinski說：“在可預(yù)見的未來，是否有可能利用生物硬件建造一臺機器，它可以完成人類無法獨立完成的物理、數(shù)學任務(wù)?科學的未來最終會不會因為計算機才達到人類難以企及的高度?我不知道。但這是個好問題?！?/p>