下一个牛顿会是AI物理学家吗？

上周，来自麻省理工学院（MIT）的两位物理学家 Tailin Wu 和 Max Tegmark 创造出了一个 人工智能 （AI） 物理学家 ，能够在一些为了模拟我们宇宙的复杂性而创造出的 神秘世界 中梳理出 物理定律 。这标志着我们朝着创造出不仅能发现模式、还能从这些模式中对未来进行预测的 机器学习算法 迈出了重要一步，为完全由AI来完成科学发现奠定了基础。

○ 在这个神秘世界中，视场被分为四个象限，每个象限都受不同的物理效应的支配，比如引力（左下）或电磁场（右下）。点和线代表球在环境中的轨迹。基于球如何在环境中运动，AI必须使用它被给予的策略来描述支配球运动的物理定律。| 图片来源： Tegmark and Wu/arXiv

当给AI一个数据集时，它能对这个数据集进行分析从而创建一个模型。模型的功能取决于具体的任务。例如，假如你想要训练AI对猫进行识别，那么可以给它展示数千张猫的图片，这样算法就可以从每张照片中找出相似特征，从而归纳出一个猫的模型。

AI创建模型的方式，有点像科学家通过理论，从一个现象的特定事例，类推到这一现象在类似情况下的所有事例的方法。但是，这二者之间也存在一个关键区别。

继续以识别猫为例，给AI的那些图片都是已经聚焦在猫身上的图片。而更艰难的任务是给AI提供猫在相似环境下的图片，例如在森林中。这一学习过程就有点类似于科学研究了。对于这样的数据集，AI的任务是创建一个能忽略其他无关细节（例如所有植物）而只关注猫的模型。又或者，它可能会得出一个将所有猫都描绘成是居住在森林里的模型。如果是这样的话，那么当你再给AI提供一张猫咪趴在床上睡觉的照片时，它就识别不出来了，因为它的模型出了问题。

虽然也不能说AI就完全错了，因为有很多种猫只在森林中生活，但它犯了一个错误——它创建了一个大的模型，并试图将这个模型套用在所有的数据上。一种更有成效的方法，也是科学家通常采用的方法，是创建许多适用于观测到的数据子集的小模型或理论，然后把这些小的理论加在一起，再得到一个适用于“万物”的理论。

对于研究机器学习的科学家来说，训练AI如何对数据进行分区，创建出能最终加在一起的小模型以获得更大的模型，是一项非常艰巨的挑战。Tailin Wu和Max Tegmark在arXiv上发表的论文中详细描述了他们如何运用“AI物理学家”，朝这一方向迈出了重大一步。

为了实现这一目标，Tegmark和Wu的机器学习算法具有四种策略，这四种策略也同样可被人类科学家所采用，以对复杂的观测推导理论。这几个策略分别是：

1. 分治法：开发只能描述数据集的一小部分的理论，从而产生多种理论，不同的理论能各自描述数据的不同方面，比如物理学中的量子力学和相对论。Wu和Tegmark开发的AI物理学家，就以这样的方式处理大的数据集。

2. 奥卡姆剃刀 ： 这是物理学家采用的另一个普遍规则，即越简单的解释越好。AI系统的一个广为人知的特点便是，它能推导出过于复杂的模型来描述用于训练它们的数据。因此，Wu和Tegmark也“教导”他们的系统，让它偏爱更简单的理论而不是复杂理论。

3. 统一 ： 另一件物理学家爱做的事情，就是寻找能将不同理论统一在一起的方法。若能将多个理论合而为一，那是最好不过了。这促使物理学家总在试图寻求一种能支配万物的法则（尽管几乎没有实际证据表明这种理论的存在）。

4. “终身学习”：这是帮物理学家取得成功的最后一个策略。如果一种特定的方法曾在过去奏效，那么它可能在未来的问题上也能奏效。因此，Wu和Tegmark的AI物理学家能记住曾学习过的解决方案，并尝试将它们应用在未来的问题上。

○ AI物理学家的学习架构：在中心是一个储存理论的中心。当遇到新环境时，首先就会检查这个中心，然后提出能解释部分数据的旧理论，以及能够随机初始化其他数据的新理论。所有的这些理论都通过分治法（Divide-and-conquer）训练的，成功的理论和相应的数据就会被添加到理论中心。理论中心有两种组织策略：1.奥卡姆剃刀（Occam's Razor），以神经网络的形式将所学的理论分解成更简单的符号公式。2. 应用统一（Unification），将符号理论聚类并统一为主理论。符号理论和主理论可被重新添加到理论中心中。| 图片来源： Tegmark and Wu/arXiv

在将这些策略编码到机器学习算法中之后，Tegmark和Wu向AI展示了一系列复杂程度越来越甚的虚拟环境，这些虚拟环境由奇怪的物理定律所支配，并让AI去理解它。它的目标是尽可能准确地预测物体在二维空间的运动。这需要AI为每个“神秘环境”推导独特的物理理论，才能理解物体在该环境下的运动方式。

正如Tegmark和Wu所发现的那样，随着环境变得越来越复杂，这位AI物理学家越来越难理解物理定律。最后，这位AI物理学家总共接触了40种不同的神秘环境，并能在超过90%的情况下，推导出支配这些环境的正确物理定律。此外，Tegmark和Wu的AI物理学家能够比传统的机器学习算法减少“十亿倍”的预测误差。

这一工作或许对人类在未来从事科学研究的方式产生重大影响。特别是它或许能极其有效的应用于理解大量复杂的数据集上，比如那些用于气候或经济建模的数据集上。或许，下一位即将到来的牛顿或爱因斯坦，将只是一些计算机代码而已？

编译：二宗主

参考来源：

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/