下一個牛頓會是AI物理學家嗎？

上周，來自麻省理工學院（MIT）的兩位物理學家Tailin Wu和Max Tegmark創造出了一個人工智慧（AI）物理學家，能夠在一些為了模擬我們宇宙的複雜性而創造出的神秘世界中梳理出物理定律。這標誌著我們朝著創造出不僅能發現模式、還能從這些模式中對未來進行預測的機器學習演算法邁出了重要一步，為完全由AI來完成科學發現奠定了基礎。

在這個神秘世界中，視場被分為四個象限，每個象限都受不同的物理效應的支配，比如引力（左下）或電磁場（右下）。點和線代表球在環境中的軌跡。基於球如何在環境中運動，AI必須使用它被給予的策略來描述支配球運動的物理定律。| 圖片來源： Tegmark and Wu/arXiv

當給AI一個數據集時，它能對這個數據集進行分析從而創建一個模型。模型的功能取決於具體的任務。例如，假如你想要訓練AI對貓進行識別，那麼可以給它展示數千張貓的圖片，這樣演算法就可以從每張照片中找出相似特徵，從而歸納出一個貓的模型。

AI創建模型的方式，有點像科學家通過理論，從一個現象的特定事例，類推到這一現象在類似情況下的所有事例的方法。但是，這二者之間也存在一個關鍵區別。

繼續以識別貓為例，給AI的那些圖片都是已經聚焦在貓身上的圖片。而更艱難的任務是給AI提供貓在相似環境下的圖片，例如在森林中。這一學習過程就有點類似於科學研究了。對於這樣的數據集，AI的任務是創建一個能忽略其他無關細節（例如所有植物）而只關注貓的模型。又或者，它可能會得出一個將所有貓都描繪成是居住在森林裡的模型。如果是這樣的話，那麼當你再給AI提供一張貓咪趴在床上睡覺的照片時，它就識別不出來了，因為它的模型出了問題。

雖然也不能說AI就完全錯了，因為有很多種貓只在森林中生活，但它犯了一個錯誤——它創建了一個大的模型，並試圖將這個模型套用在所有的數據上。一種更有成效的方法，也是科學家通常採用的方法，是創建許多適用於觀測到的數據子集的小模型或理論，然後把這些小的理論加在一起，再得到一個適用於「萬物」的理論。

對於研究機器學習的科學家來說，訓練AI如何對數據進行分區，創建出能最終加在一起的小模型以獲得更大的模型，是一項非常艱巨的挑戰。Tailin Wu和Max Tegmark在arXiv上發表的論文中詳細描述了他們如何運用「AI物理學家」，朝這一方向邁出了重大一步。

為了實現這一目標，Tegmark和Wu的機器學習演算法具有四種策略，這四種策略也同樣可被人類科學家所採用，以對複雜的觀測推導理論。這幾個策略分別是：

分治法：開發只能描述數據集的一小部分的理論，從而產生多種理論，不同的理論能各自描述數據的不同方面，比如物理學中的量子力學和相對論。Wu和Tegmark開發的AI物理學家，就以這樣的方式處理大的數據集。

奧卡姆剃刀：這是物理學家採用的另一個普遍規則，即越簡單的解釋越好。AI系統的一個廣為人知的特點便是，它能推導出過於複雜的模型來描述用於訓練它們的數據。因此，Wu和Tegmark也「教導」他們的系統，讓它偏愛更簡單的理論而不是複雜理論。

統一：另一件物理學家愛做的事情，就是尋找能將不同理論統一在一起的方法。若能將多個理論合而為一，那是最好不過了。這促使物理學家總在試圖尋求一種能支配萬物的法則（儘管幾乎沒有實際證據表明這種理論的存在）。

「終身學習」：這是幫物理學家取得成功的最後一個策略。如果一種特定的方法曾在過去奏效，那麼它可能在未來的問題上也能奏效。因此，Wu和Tegmark的AI物理學家能記住曾學習過的解決方案，並嘗試將它們應用在未來的問題上。

AI物理學家的學習架構：在中心是一個儲存理論的中心。當遇到新環境時，首先就會檢查這個中心，然後提出能解釋部分數據的舊理論，以及能夠隨機初始化其他數據的新理論。所有的這些理論都通過分治法（Divide-and-conquer）訓練的，成功的理論和相應的數據就會被添加到理論中心。理論中心有兩種組織策略：1. 奧卡姆剃刀（Occam"s Razor），以神經網路的形式將所學的理論分解成更簡單的符號公式。2. 應用統一（Unification），將符號理論聚類並統一為主理論。符號理論和主理論可被重新添加到理論中心中。| 圖片來源： Tegmark and Wu/arXiv

在將這些策略編碼到機器學習演算法中之後，Tegmark和Wu向AI展示了一系列複雜程度越來越甚的虛擬環境，這些虛擬環境由奇怪的物理定律所支配，並讓AI去理解它。它的目標是儘可能準確地預測物體在二維空間的運動。這需要AI為每個「神秘環境」推導獨特的物理理論，才能理解物體在該環境下的運動方式。

正如Tegmark和Wu所發現的那樣，隨著環境變得越來越複雜，這位AI物理學家越來越難理解物理定律。最後，這位AI物理學家總共接觸了40種不同的神秘環境，並能在超過90%的情況下，推導出支配這些環境的正確物理定律。此外，Tegmark和Wu的AI物理學家能夠比傳統的機器學習演算法減少「十億倍」的預測誤差。

這一工作或許對人類在未來從事科學研究的方式產生重大影響。特別是它或許能極其有效的應用於理解大量複雜的數據集上，比如那些用於氣候或經濟建模的數據集上。或許，下一位即將到來的牛頓或愛因斯坦，將只是一些計算機代碼而已？

編譯：二宗主

參考來源：

https://motherboard.vice.com/en_us/article/evwj9p/researchers-created-an-ai-physicist-that-can-derive-the-laws-of-physics-in-imaginary-universes

https://arxiv.org/pdf/1810.10525.pdf

https://www.technologyreview.com/s/612358/an-ai-physicist-can-derive-the-natural-laws-of-imagined-universes/

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！