勤劳的助手

无可否认，AI和神经网络显然已经在当代天文学和物理学研究中发挥了关键作用。海德堡理论研究所的物理学家Kai Polsterer领导着一个天文信息学小组，专注于以数据为中心的天体物理学新研究方法。最近，他们在使用机器学习算法从星系数据集中提取红移信息，这在以前是很艰巨的任务。

Polsterer将这些基于AI的新系统看作是“勤劳的助手”——可以连续几个小时梳理数据，而不会感到厌烦或抱怨工作条件。他说，这些系统可以完成所有乏味的繁重工作，让你有时间进行有趣的科学研究。

但它们并不完美。特别是算法只能做受过训练的事情。系统对于输入信息是“不可测的”。给它一个星系，这个软件就可以估计它的红移和年龄，但是给它一个自拍照片，或者一张腐烂的鱼的照片，它也会输出一个（非常错误的）年龄。最后，人类科学家的监督仍然是至关重要的。于是问题最终还是回归研究人员——你才是负责解读机器的人。

费米实验室的Nord警告说：神经网络输出的结果也会有误差。在科学上，如果你进行一项测量，却不报告误差估计，结果就没有意义。和许多AI研究者一样，Nord也关注神经网络输出结果的不可穿透性。通常情况下，系统会给出一个答案，但并不清楚该结果是如何获得的。然而，并非所有人都认为这是一个问题。法国CEA Saclay理论物理研究所的研究员Lenka Zdeborová指出，人类的直觉往往同样难以理解。你看着照片立刻认出了一只猫——但你不知道自己是怎么知道的。从某种意义上说，人类大脑就是一个黑匣子。

不仅天体物理学家和宇宙学家正在向AI驱动、数据驱动的科学靠拢。滑铁卢大学的量子物理学家Roger Melko也利用神经网络解决了领域中一些最棘手、最重要的问题，比如：如何表示描述多粒子系统的“波函数”。Melko称AI是“维度的指数诅咒”，即波函数形式的可能性随着系统中粒子的数量呈指数增长。困难类似于尝试在国际象棋或围棋中下一步最好的棋：你试着下一步棋，想象你的对手会怎么下，然后选择最好的应对方式，但是每走一步，可能性的数量就会激增。

当然，AI系统已经掌握了这两种棋类游戏。20年前的国际象棋人类就输给了计算机；2016年，AI系统AlphaGo击败了顶尖的人类围棋手。Melko认为这种情况同样适用于量子物理中的问题。

机器的思维

对于AI系统，Schawinski认为这是“第三类”科学研究方法，Hogg则认为不过是传统观察分析法的高级版本，不管你支持哪种观点，有一点是肯定的，AI正在加速改变科学发现的概念。AI革命在科学领域能走多远？

偶尔，人们会对“机器人科学家”的成就大加赞扬。十年前，一位名叫Adam的AI机器人化学家研究了面包酵母的基因组，找出了哪些基因负责制造某些氨基酸。当时的新闻标题是：“机器人独自做出科学发现”。

最近，格拉斯哥大学化学家Lee Cronin在用机器人随机混合化学物质，看看会形成什么样的新化合物。通过质谱仪、核磁共振仪和红外光谱仪实时监测反应，系统最终学会了预测哪种组合反应性最强。Cronin说，即使这不会带来进一步的发现，机器人系统也能让化学家们将研究速度提高约90％。

去年，苏黎世理工的另一个科学家小组使用神经网络从数据集中推导出物理定律。他们的系统是一款机器人开普勒系统，从太阳和火星的位置记录中重新发现了太阳系的日心模型，并通过观察碰撞球发现了动量守恒定律。由于物理定律通常可以用不止一种方式来表达，研究人员想知道系统是否可以提供新的方式（也许是更简单的方式）来思考已知的定律。

这些都是AI启动科学发现过程的例子，虽然不同案例中AI的作用影响各有不同。也许最具争议的问题是，在数据爆炸的今天，单从数据中能收集到多少信息。计算机科学家Judea Pearl和科学作家Dana Mackenzie断言，数据是“极其愚蠢的”。因果关系的问题永远不能单靠数据来回答。Schawinski也支持这种立场，他从未声称数据可以推演因果关系，而只是认为，我们可以比以往更多地利用数据。

另一个经常听到的论点是，科学需要创造力，而且至少到目前为止，我们不知道如何将“创造力”编程到机器中。物理学家Kai Polsterer说：“除了理论和推理，我们还需要创造力——只有人类才具有这项能力。”创造力从何而来？Polsterer怀疑这与“无聊”有关，机器不会感到无聊。要想有创意，你必须讨厌无聊的感觉。另一方面，像创意和灵感这样的词经常被用来形容Deep Blue（战胜人类象棋手的计算机）和AlphaGo这样的智能程序。我们在试图描述计算机思想的时候，实际上是对自己大脑的映射。

Schawinski最近离开学术界去了私营部门。他现在经营着一家名为Modulos的创企，公司雇佣了一些ETH科学家，据其网站称，公司处在AI和机器学习发展的风口浪尖。不管当前AI技术和成熟的人工智慧之间存在什么障碍，Schawinski和同事们都认为机器已经可以接替越来越多人类科学家的工作。

Schawinski说：“在可预见的未来，是否有可能利用生物硬件建造一台机器，它可以完成人类无法独立完成的物理、数学任务？科学的未来最终会不会因为计算机才达到人类难以企及的高度？我不知道。但这是个好问题。”