人工智慧意味著科學研究的終結嗎？

（本文由黑龍江省科協與黑龍江日報客戶端聯合發布）

王雷 編譯

眾所周知，夏季的氣象情況是令人懊惱的。降水、溫度、濕度、風速或風向等因素組成了一個複雜的混沌系統，它的微小變化可能影響一天中的氣象情況，這就導致了未來七天內的氣象預報變得越來越不可靠。那麼，如果我們能夠很好地理解這個混沌系統，準確地預測未來一段時間內的氣象變化呢？

從今年開始，科學家已經在這樣做了。他們使用機器學習，通過觀察混沌系統的動力學變化，準確地預測氣象變化情況。機器學習是專門研究電腦怎樣模擬或實現人類的學習行為的一門多領域交叉學科。它是人工智慧（AI）的核心，其應用遍及人工智慧的各個領域。

人工智慧

最近，AI已經成為研究熱點。去年，谷歌旗下人工智慧公司DeepMind的科研團隊構建了新的項目AlphaZero，它在大約一天內從頭開始自學國際象棋規則，然後擊敗了世界上最好的國際象棋棋手。通過機器學習系統，新一代的AlphaGo Zero不再依靠人類數據，並且能夠通過自學能力在棋類項目上達到一定的高度。AlphaGo Zero通過觀察一個過程或與自己對抗來迅速建立起自我的系統知識，它的每一步都在自我改進。

AI的學習能力給人類以敬畏、恐懼和興奮的感覺，以至於我們經常聽到這樣的言論：AI很可能導致人類的永生或者滅絕，而這一切很可能會馬上發生。而本文的關注點更為簡單：AI對於科學理解的未來意味著什麼？

地球大氣層的變化是混沌理論的範例

預測和理解

大多數科學家認為，預測和理解不是一個概念。舉個例子，一千多年前人們使用古典數學家托勒密（Ptolemy）傳承的方法來預測行星在天空中的運動規律。當時，托勒密對引力理論一無所知，甚至認為太陽也不是太陽系的中心。托勒密的方法使用圓周率進行複雜的計算，雖然此方法預測行星的運動很完美，但沒有人理解該方法是否正確以及行星是否遵循這樣的規則？

然後依次是哥白尼（Copernicus）、伽利略（Galileo）、開普勒（Kepler）和牛頓（Newton）的努力。牛頓發現了行星運動的基本微分方程，即可以使用相同的微分方程來描述太陽系中的每個行星。與托勒密演算法相比，求解微分方程被證明是一種更有效的預測行星運動的方法。更重要的是，該方程的統一性適用於更普遍的物體——落地的蘋果、火箭、衛星以及星系，這就是我們所熟知的萬有引力定律（Law of Universal Gravitation）。

找到一組描述統一原理的方程，然後再進行普遍性應用，這種基本模式已經一次次成功地應用於物理學。或者找出標準模型，然後進行更準確的描述。標準模型在粒子物理學中準確地描述了每個原子或粒子的基本結構。同時，標準模型也是我們試圖了解高溫超導、暗物質和量子電腦的主要方式。在所有的科學中，對某些概念的理解都需要這樣的模式：把一個複雜的現象歸結為一套簡單的原則，然後去理解它。然而，也有一些例外。氣象預測困難的原因之一——湍流就是物理學中一個例外，生物學中的絕大多數問題，錯綜複雜的結構也不會遵循簡單的統一原則。

銀河系

克雷伯氏菌

正如古希臘人從神秘的德爾福甲骨文（Oracle of Delphi）中尋求答案一樣，我們也許很快就會通過人工智慧來尋求科學中許多困難問題的答案。目前，AI已經開始進入自動駕駛汽車和股票投資市場。最新的研究表明，AI也可能有助於確定治療抗生素耐藥性細菌的新藥物，如克雷伯氏菌（Klebsiella）。此外，AI也許很快就能夠預測未來兩周的氣象狀況。

AI也許能夠更好地得出預測結果，並且不依賴於固定的數學模型和方程式。例如，憑藉大型強子對撞機（the Large Hadron Collider）數十億次碰撞的數據，AI在預測粒子物理實驗的結果方面甚至比物理學家的標準模型做得更好！

科學研究的終結？

機器智能會對科學進步和科學的哲學性產生巨大的影響。面對AI越來越完美無瑕的預測，雖然是通過人類無法理解的方法獲得，但是我們能繼續否認機器學習的能力嗎？如果預測是科學的主要目標，那我們應該如何改進科學研究方式？如果我們放棄理解，還有沒有必要追求所謂的科學知識？

對於這些問題，我們都沒有答案。除非我們能夠清楚地闡明：科學不僅僅是做出良好的預測，還需要具有基本的科學知識。一旦受過訓練的AI可以完成科學家的工作，那麼科學家還需要做什麼呢？

TAG: |