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
本文引用地址:http://m.butianyuan.cn/article/201903/398700.htm無可否認(rèn),AI和神經(jīng)網(wǎng)絡(luò)顯然已經(jīng)在當(dāng)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(dǎo)著一個天文信息學(xué)小組,專注于以數(shù)據(jù)為中心的天體物理學(xué)新研究方法。最近,他們在使用機(jī)器學(xué)習(xí)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(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訓(xùn)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(xué)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(fù)責(zé)解讀機(jī)器的人。
費(fèi)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(xué)上,如果你進(jìn)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(rèn)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(rèn)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(xué)家和宇宙學(xué)家正在向AI驅(qū)動、數(shù)據(jù)驅(qū)動的科學(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(dāng)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(jī);2016年,AI系統(tǒng)AlphaGo擊敗了頂尖的人類圍棋手。Melko認(rèn)為這種情況同樣適用于量子物理中的問題。
機(jī)器的思維
對于AI系統(tǒng),Schawinski認(rèn)為這是“第三類”科學(xué)研究方法,Hogg則認(rèn)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(diǎn),有一點(diǎn)是肯定的,AI正在加速改變科學(xué)發(fā)現(xiàn)的概念。AI革命在科學(xué)領(lǐng)域能走多遠(yuǎn)?
偶爾,人們會對“機(jī)器人科學(xué)家”的成就大加贊揚(yáng)。十年前,一位名叫Adam的AI機(jī)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(fù)責(zé)制造某些氨基酸。當(dāng)時的新聞標(biāo)題是:“機(jī)器人獨(dú)自做出科學(xué)發(fā)現(xiàn)”。
最近,格拉斯哥大學(xué)化學(xué)家Lee Cronin在用機(jī)器人隨機(jī)混合化學(xué)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(xué)會了預(yù)測哪種組合反應(yīng)性最強(qiáng)。Cronin說,即使這不會帶來進(jìn)一步的發(fā)現(xiàn),機(jī)器人系統(tǒng)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科學(xué)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(jī)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(dá),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(xué)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(jī)科學(xué)家Judea Pearl和科學(xué)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(yuǎn)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(rèn)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(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(jī)器中。物理學(xué)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(jī)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(jī))和AlphaGo這樣的智能程序。我們在試圖描述計算機(jī)思想的時候,實際上是對自己大腦的映射。
Schawinski最近離開學(xué)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(xué)家,據(jù)其網(wǎng)站稱,公司處在AI和機(jī)器學(xué)習(xí)發(fā)展的風(fēng)口浪尖。不管當(dāng)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(rèn)為機(jī)器已經(jīng)可以接替越來越多人類科學(xué)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(jī)器,它可以完成人類無法獨(dú)立完成的物理、數(shù)學(xué)任務(wù)?科學(xué)的未來最終會不會因為計算機(jī)才達(dá)到人類難以企及的高度?我不知道。但這是個好問題。”
評論