人工智能如何改变基础科学？

从“科学家”到“AI科学家”的来临，AI人工智能的到来，对人类科学家来说既是挑战，也是机遇。

如果让一个完全没有天文学知识的科学家用现代观测手段重新认识宇宙，他是会先提出地心说？日心说？还是一次提出现阶段的宇宙观呢？

事实上，人工智能就是这样一个在观测与实验能力上装备精良，却对已有科学理论一窍不通的“科学家”。它为我们摆脱人类科学史的“束缚”，发现全新的模型与理论找到了一条道路。

当下的科学

我们常说，科学史是一部否定史。对AI来说，否定起来“不留情面”。

纵观历史，对科学的探求一直是一个千百代人共同铸成的宏大命题。

于个体人类短暂的一生来说，往往存在着许多恒定不变的“真理”，但后工业时代，层出不穷的科学发现不断颠覆这些“真理”，井喷式的成果给科学带来不小的震动。由此可以想见，在未来的科学家看来，当下的“科学真理”很可能也只是稚嫩的探索。

比如，古希腊科学家亚里士多德曾提出，物体的持续运动需要一个外力持续作用。基于这一定律，他进一步论证，否认了“真空”的存在。

但后来，人类以实验证明了真空的存在，牛顿也提出牛顿第一定律：真空中物体会依照惯性持续运动，除非外力阻止。

从古希腊时的亚里士多德三定律到第一次工业革命后的牛顿三定律，人类关于运动规律的探索持续了将近2000年。即便把首次验证真空的托里拆利实验作为起点，它与牛顿提出第一运动定律的时间也相隔半个世纪之久。

与AI理解人类道德一样，让AI理解人类的科学史其实是一件困难的事情。人们往往只能对AI说“不能这么做”，却很难让它理解“为什么不这么做”。的确，在人工智能的伦理道德方面，这实在令人类头疼，但在科学方面，这反而成为人工智能的一个优势。

通俗一点说，由于没有对过往科学知识的笃信（或者说有彻底的质疑精神），“AI科学家”在“否定前人”这件事上可以做得更加彻底。

一旦理解大多数科学理论都只是在当下观测条件和实验条件下的科学，就可以理解为什么AI相比人类科学家来说有更多优势。

一位“AI亚里士多德”与一位“AI牛顿”之间的差距，可能仅仅取决于一次实验设备的更换。而一部AI书写的科学史，从亚里士多德三定律到牛顿三定律也只需要几天、几分钟甚至几秒。

并且，由于AI对世界的探索基于数据，和人类科学家相比，它在传承性与协作性上更具优势。一旦一个“AI托里拆利”验证了一种新的名为“真空”的状态客观存在，另一个“AI牛顿”可以在很短的时间内基于它的验证结果修正原本的预测模型。

在这一点上，不了解科学史的AI可能比人类科学家更客观，更不受偏见和刻板印象的影响。

除此之外，AI还有一种作用，它可以验证人类已知的各类“定律”是否处于最优状态。

在普通人的认知中，科学定律总是唯一的，但这是一种错误的观点，科学定律只是当前已知的、数学上的最优描述路径。

我们可以想象，另一个平行世界中的人类也能以“地心说”为蓝本描述整个宇宙，这并不妨碍他们发射卫星、登月甚至移民火星。只是这个平行世界中的科学家，在计算同一个行星运动轨迹时所用的公式在数学复杂程度上会远远高于我们。

再通俗一点说，算一道小学的十以内加减法，你也可以将等号右边的空位置设为x，然后用一套复杂的代数规则。但是套用一句流行语来说：“可以，但没必要。”

既然能够存在“简单问题复杂化”的另一个平行宇宙，那么如何保证我们自身是一个“复杂问题简单化”的宇宙呢？

AI可以帮助我们解决这一问题。

对于AI来说，它的一切输入基于人类当前实验与观测设备所输出的精确数据，因此其在简化与优化定律方面有着更强的天赋，也能够发现人类不易察觉的潜在定律。

去年，苏黎世联邦理工学院的几位科学家用太阳系的观测数据建立了一个模型，使AI自己发现了日心说和动量守恒定律。

这类实验的意义在于，如果实验中AI没有给出人类已知的某种定律，而一切数据又真实有效，那么我们就需要重新审视已知定律了，而这往往是人类科学史上十分重要的高光时刻。

“虚拟科学”的真实价值

前段时间网上流行一种基于深度学习的生成小应用，比如 Fakeface 会随机生成一张现实中不存在的人物照片，Fakeroom 会随机生成一张现实中不存在的房间照片。

事实上，这类基于 AI 的生成应用的作用远远不止供大众娱乐。在科学领域，由人工智能生成虚拟的现实已经成为一些领域研究中的重要手段，比如开头提到的天文学。

2018 年 12 月，天体物理学家Kevin Schawinski发表在学术期刊《天体学和物理学》（Research in Astronomy and Astrophysics）期刊上的一篇论文[1]主张，应该将人工智能算法引入到对天体模型的生成与预测中。这样可以更好地帮助人类科学家理解星系的发展历程和宇宙的诞生过程。

Schawinski 谈到，人类天文学家在过去基于观测给出了许多结论，比如当一个星系从低密度向高密度转移时会变得更红。但是，他们不能解释这种现象为什么会出现。因为宇宙是无法进行试验的客观存在，天文学家们不可能改变宇宙中的某个变量，再看它会对整个宇宙产生什么影响。

但通过AI生成的虚拟空间，研究人员可以将现实中无法改变的某些元素改变，如重力常数、光速或者星系密度，重新生成一个新的“银河系”与当下的真实银河系进行比较研究。

关于星系密度与星系颜色的关联，有两条假说，其一是高密度星系中有更多的宇宙尘埃，这些尘埃使星系变得更红；另一种假说认为在一个密度更高的星系中，新恒星形成更少（老恒星更多）才导致了星系变红。

在过去，这两种假说都没办法被验证，因为天文学家既不可能向一个没有尘埃的星系中填满尘埃，也不可能向一个已经衰老的星系中注入大量新恒星。但有了AI之后，就可以轻松做这两个试验了。

“答案很简单，”Schawinski说道，“我们的结果更支持星系变红是因为其中的恒星变老。”[2]

“AI科学家”

AI 对科学的改变不仅在虚拟世界中建立算法模型和模拟实验，甚至在一定程度上让 AI 可以独立完成人类科学家所给出的完整命题。

2009 年，威尔士阿伯里斯特威斯大学的罗斯·金曾经打造了一台“机器人科学家”亚当，它与过去那些帮助人类科学家进行计算和模拟的设备不同，它直接将计算机、机械臂、离心机、培养箱等设备链接在一起[3]。

自90年代起，研究人员一直使用机器人筛选药物和序列基因组，使部分科学过程自动化，但人类通常负责形成假设并自行设计实验。实验结束后，必须由人类分析结果才能得出结论。

亚当则不同，它由自身的模型算法驱动生成实验假设，然后通过自身连接的设备自主实验，再用各类传感器验证实验结果是否与假设相同。在一些生命科学的基础命题上，亚当已经可以独当一面。

它被用来检验酵母菌不同DNA片段对最终生成酵母酶的影响，以及不同基因片段对应的不同酵母酶。在这个命题中，亚当可以每天设计并实施1000次不同的实验，这一速度远远超过人类生物学家。亚当投入使用很短时间，就发现了三个基因与酵母酶之间的关联，后来人类科学家也复现验证了其中一组。

亚当并非唯一，也非最后一个AI科学家。事实上，在亚当出世后的十年，这类可以进行完整实验的AI科学家被越来越多地制造出来。

2018年，格拉斯哥大学的化学家 Lee Cronin 设计了一个以 AI 为核心的自动化实验设备，堪称“生命起源领域的强子对撞机”——研究人员希望通过这种方式加速对生命诞生过程的探索[4]。

研究团队让一个AI在虚拟空间中随机合成任意的化学物质，然后以AI控制它所连接的一系列真实设备，将这些物质合成出来，再通过质谱仪和核磁共振设备检验所生成的物质是否满足AI算法的预期，最后依据真实情况对建模进行修改。这实现了一套完整的自我修订链。

这就好比为 AlphaGo装了一台机械臂，它可以完整、独立地进行这一类科学探索。

与其他领域，如医疗领域的进展相同，人工智能科学家并不会取代人类科学家，而是让科学家从繁复的基础计算和模拟实验中解放出来，实现科学研究的“自动化”。

Lee Cronin 谈到，他们在设计这个AI科学家时，特意的没有导入人类已有的化学知识体系，而是让机器完全从零开始学习。如果以理论上存在的物质与反应为总量，人类化学家在过去几百年里已知的“正确知识”可能只是沧海一粟。

尽管这台机器随机设计出的实验大多以失败告终，但只要它持续运作，确实能减少人类化学家 90% 的无用功。Cronin 的团队已经开始建立一个失败反应的数据库，他们希望这个数据库能够帮助人类化学家避开这些“已知”的无效路径。

对于人类科学家来说，这可能是一种威胁，但从宏观来看，成为一名人类科学家的门槛本身就在上升。

在天文望远镜发明后的一百年里，每确定一颗新的行星都是人类科学史上值得纪年的大事；在元素周期表刚发明的一百年里，每一个能为元素周期表填上一位元素的化学家都会被大众所知晓。但随后的化学家和天文学家便不再有这样的待遇。

AI科学家的来临，对人类科学家来说既是挑战，也是机遇。它让人类社会中最聪明的一群人，可以去做更值得他们去做的事情，创造与发现更伟大的奇迹。

— END —

参考资料

[1]：https://arxiv.org/pdf/1812.01114.pdf

[2]：Exploring galaxy evolution with generative models | Astronomy & Astrophysics (A&A)

[3]：Robot Makes Scientific Discovery All by Itself | WIRED

[4]：The AI robot chemist trying to find the origins of life on Earth | WIRED UK

How Artificial Intelligence Is Changing Science | Quanta Magazine

时间:2019-04-01 19:10  来源:    转发量:次