在特德·姜（Ted Chiang）的中篇小說(shuō)《你一生的故事》中，人類發(fā)現(xiàn)，我們?cè)谖锢砩系囊恍┗靖拍顚?duì)外星物種來(lái)說(shuō)毫無(wú)意義，這使得交流我們的科學(xué)理論變得困難。這個(gè)故事完全背離了大多數(shù)科幻小說(shuō)中想當(dāng)然的看法：科學(xué)是我們最有可能用來(lái)與其他智能物種交流的語(yǔ)言。特德·姜對(duì)這種觀點(diǎn)提出了挑戰(zhàn)，他認(rèn)為我們體驗(yàn)物理世界的方式影響了我們交流和發(fā)展語(yǔ)言的方式，包括科學(xué)的語(yǔ)言。有人可能認(rèn)為，現(xiàn)在要驗(yàn)證這一假設(shè)還為時(shí)尚早，但如果外星人就出現(xiàn)在眼前呢？

是的，它們已經(jīng)在這里了，Google Brain 的人工智能研究科學(xué)家 Been Kim 在第十屆學(xué)習(xí)表征國(guó)際會(huì)議上的演講中如此說(shuō)道。她指的不是與外星物種的第一次接觸，而是我們?nèi)祟悇?chuàng)造的人工智能：AlphaGo。

2016年，DeepMind 的圍棋程序 AlphaGo 在5局比賽中4局擊敗了頂級(jí)職業(yè)棋手李世石。AlphaGo 的勝利總體上是人工智能的一個(gè)里程碑，但是它在第二局中的第37步尤其讓圍棋專家們大吃一驚，顯示出對(duì)圍棋深刻的直覺(jué)，并背離了人類棋手幾個(gè)世紀(jì)以來(lái)提煉出來(lái)的智慧。如果 AlphaGo 能夠解釋它的這一步，那么我們或許就能對(duì)圍棋游戲獲得新的見(jiàn)解。不幸的是，與當(dāng)今大多數(shù)尖端人工智能一樣，AlphaGo 類似于特德·姜故事中的外星人：我們幾乎沒(méi)有共同語(yǔ)言來(lái)建立溝通。

1. AI令人費(fèi)解的洞察力

我們回到特德·姜的故事，外星人體驗(yàn)物理世界的方式塑造了它們簡(jiǎn)單的直覺(jué)概念，這對(duì)人類來(lái)說(shuō)絕不簡(jiǎn)單。物理學(xué)家菲利普·安德森（Phillip Anderson）在1972年也曾考慮過(guò)這個(gè)概念[1]：“對(duì)于一個(gè)假想的氣態(tài)但智慧的木星公民，或者銀河系中心某處氫原子云中的公民，普通晶體的性質(zhì)很可能是比超流氦的性質(zhì)更令人費(fèi)解、更令人感興趣的謎團(tuán)?！?/span>

機(jī)器，作為脫離實(shí)體的智能，對(duì)它無(wú)法直接體驗(yàn)的世界可能有一個(gè)更奇怪的表征，將其轉(zhuǎn)化為人類的理解將比解碼外星生物的語(yǔ)言更具挑戰(zhàn)性，甚至是毫無(wú)希望的——外星生物可能至少和我們有一些共同經(jīng)驗(yàn)（如感知到重力或電磁輻射）。

研究人員已經(jīng)開(kāi)始討論人工智能令人費(fèi)解的洞察力的影響。哈佛大學(xué)理論物理學(xué)教授 Matthew Schwartz 說(shuō)：“我認(rèn)為，人工智能很可能很快（如果不是已經(jīng)）就會(huì)以超越我們理解的方式理解事物。在這種情況下，我們可能不得不滿足于這樣的認(rèn)識(shí)，機(jī)器理解底層的物理原理，即使我們永遠(yuǎn)無(wú)法理解。”

Schwartz 并不擔(dān)憂人工智能發(fā)展出他可能永遠(yuǎn)無(wú)法理解的物理理解這一前景。他指出，并不需要了解經(jīng)濟(jì)學(xué)才能從良好的經(jīng)濟(jì)政策中獲益[2]。這種實(shí)用主義觀點(diǎn)讓人想起量子力學(xué)的“shut up and calculate”方法，只要能夠做出有用的計(jì)算和準(zhǔn)確的預(yù)測(cè)，人們就不太關(guān)心理論的解釋。盡管如此，Schwartz 希望我們能夠開(kāi)發(fā)一種“新語(yǔ)言和新工具來(lái)解釋機(jī)器的輸出”。有這種想法的不止他一個(gè)人。

2. 人類與機(jī)器共享的概念

盡管面臨明顯的挑戰(zhàn)，但研究人員正試圖為人類和機(jī)器創(chuàng)造一種共同的語(yǔ)言（如圖）。首先他們努力找到人類和機(jī)器的一些共同點(diǎn)。Kim 正試圖理解人類的表征如何與機(jī)器的表征保持一致——如果有的話。例如，出現(xiàn)在各種圖像中的條紋圖案對(duì)機(jī)器來(lái)說(shuō)有意義嗎？答案似乎是肯定的，至少在某些情況下，人類和機(jī)器對(duì)條紋的概念是一致的[3]。

也許更令人驚訝的是，機(jī)器學(xué)習(xí)算法似乎遵循格式塔心理學(xué)的一些規(guī)律，格式塔心理學(xué)假設(shè)人們傾向于將物體視為一個(gè)整體，而不是作為部分或組成特征。例如，閉合法則（law of closure）指出，人會(huì)將具有缺失部分的幾何圖形視為整體，比如將缺失部分邊的三角形視為完整的三角形。訓(xùn)練用來(lái)分類自然圖像的神經(jīng)網(wǎng)絡(luò)似乎也有類似的傾向[4]。

另一個(gè)格式塔原理是對(duì)稱法則，它表明人類的思維會(huì)識(shí)別對(duì)稱，將對(duì)稱的物體視為整體的一部分。人工智能是否也會(huì)自然地發(fā)現(xiàn)對(duì)稱性是一種相關(guān)特征，就像閉合法則那樣？這是物理學(xué)家特別感興趣的問(wèn)題。

（重新）發(fā)現(xiàn)對(duì)稱性

Anderson 寫(xiě)道[1]：“說(shuō)物理學(xué)是研究對(duì)稱性，只是稍微夸大了一點(diǎn)。”考慮到對(duì)稱性對(duì)我們理解物理的核心作用，在尋找可能與 AI 共享的概念時(shí)，對(duì)稱性似乎是一個(gè)不錯(cuò)的選擇。

在最近的一項(xiàng)研究中，麻省理工學(xué)院的理論物理學(xué)家 Ziming Liu 和 Max Tegmark 開(kāi)發(fā)了一種機(jī)器學(xué)習(xí)方法來(lái)自動(dòng)發(fā)現(xiàn)隱藏的對(duì)稱性。其想法是將不對(duì)稱程度表示為一個(gè)量，通過(guò)神經(jīng)網(wǎng)絡(luò)參數(shù)化，可以最小化，也就是減少不對(duì)稱。

然后，他們使用一種名為 AI Feynman[6]的物理啟發(fā)工具，將神經(jīng)網(wǎng)絡(luò)學(xué)到的知識(shí)轉(zhuǎn)化為人類可以理解的數(shù)學(xué)表達(dá)式。AI Feynman 是基于符號(hào)回歸（symbolic regression）方法，通過(guò)搜索數(shù)學(xué)表達(dá)式的空間來(lái)找到與數(shù)據(jù)擬合最好的表達(dá)式。在幾個(gè)測(cè)試案例中，從一維諧振子到非旋轉(zhuǎn)黑洞的史瓦西度規(guī)，他們重新發(fā)現(xiàn)了各種各樣的對(duì)稱性。

目前，該方法用于尋找已知的對(duì)稱性，如平移不變性，但作者們希望將它擴(kuò)展到搜索未知的對(duì)稱性。不過(guò)，人工智能是否會(huì)像人類那樣發(fā)現(xiàn)有意義的對(duì)稱性（已知的或未知的），則是另一回事了。

論文題目：Machine learning hidden symmetries

論文鏈接：https://link.aps.org/doi/10.1103/PhysRevLett.128.180201

（重現(xiàn)）發(fā)現(xiàn)守恒律

物理學(xué)家珍視的另一個(gè)概念是守恒律，它與對(duì)稱性密切相關(guān)。諾特定理告訴我們，每種守恒律都對(duì)應(yīng)一種對(duì)稱性，比如，能量守恒定律對(duì)應(yīng)著時(shí)間平移不變性，動(dòng)量守恒定律對(duì)應(yīng)著空間平移不變性——這種聯(lián)系可以用哈密頓或拉格朗日力學(xué)的等效語(yǔ)言來(lái)表達(dá)。

2019年，在 NeurIPS 會(huì)議上發(fā)表的一篇論文介紹了一種神經(jīng)網(wǎng)絡(luò)，可以直接從數(shù)據(jù)中學(xué)習(xí)系統(tǒng)的哈密頓量[7]。一年后，ICLR 會(huì)議上的一篇文章報(bào)道了一類神經(jīng)網(wǎng)絡(luò)（拉格朗日神經(jīng)網(wǎng)絡(luò)），可以從數(shù)據(jù)中學(xué)習(xí)任意拉格朗日量[8]。哈密頓神經(jīng)網(wǎng)絡(luò)和拉格朗日神經(jīng)網(wǎng)絡(luò)似乎都捕捉到了物理系統(tǒng)的動(dòng)力學(xué)，并很好地揭示了守恒律，但后者適用于任意坐標(biāo)系統(tǒng)。

論文題目：Hamiltonian neural networks

論文鏈接：https://arxiv.org/abs/1906.01563 (2019)

圖2. 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)拉格朗日量來(lái)描述物理系統(tǒng)的動(dòng)力學(xué)。

論文題目：Lagrangian neural networks

論文鏈接：https://arxiv.org/abs/2003.04630

拉格朗日神經(jīng)網(wǎng)絡(luò)看起來(lái)尤其有前景，很快被其他人采用。例如，Ziming Liu 和合作者使用這種方法，通過(guò)將力分解為保守和非保守部分來(lái)尋找“新物理”，保守力由拉格朗日神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，非保守力由更通用的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)[9]。新物理是非保守部分，如阻尼雙擺的摩擦力。[8, 9] 兩項(xiàng)研究都用數(shù)值模擬數(shù)據(jù)在簡(jiǎn)單的玩具模型上測(cè)試想法。下一步是在真實(shí)數(shù)據(jù)上測(cè)試這些方法。

論文題目：Machine-learning nonconservative dynamics for new-physics detection

論文鏈接：https://journals.aps.org/pre/abstract/10.1103/PhysRevE.104.055302

（重新）發(fā)現(xiàn)力學(xué)

在最近的一項(xiàng)研究中[10]，研究人員根據(jù)30年的觀測(cè)數(shù)據(jù)訓(xùn)練了一個(gè)機(jī)器學(xué)習(xí)模型，模擬太陽(yáng)和太陽(yáng)系中行星的動(dòng)力學(xué)。然后，他們使用符號(hào)回歸自動(dòng)找到控制方程，并不出所料地重新發(fā)現(xiàn)了牛頓的萬(wàn)有引力定律。Flatiron 研究所的天體物理學(xué)家、該研究的作者之一 Shirley Ho 解釋說(shuō)：”我們開(kāi)始重新發(fā)現(xiàn)已經(jīng)知道的東西，這樣我們就知道機(jī)器方法是可行的，然后我們?cè)噲D發(fā)現(xiàn)不知道的東西?！?/span>

論文題目：Rediscovering orbital mechanics with machine learning

論文鏈接：https://arxiv.org/abs/2202.02306

符號(hào)回歸方法使得機(jī)器能夠以數(shù)學(xué)表達(dá)式的形式產(chǎn)生結(jié)果，這是建立一種共同語(yǔ)言的第一次嘗試。在過(guò)去兩年中，作為一種可解釋的人工智能驅(qū)動(dòng)的發(fā)現(xiàn)途徑，這種方法受到關(guān)注。然而，即使能夠讀懂拉丁字母，如果這些單詞是用一種人們讀不懂的語(yǔ)言書(shū)寫(xiě)的，那就很難得到什么信息；此外，如果沒(méi)有適當(dāng)?shù)恼Z(yǔ)境，已知詞匯的意思可能是模糊的。類似地，當(dāng)發(fā)現(xiàn)一個(gè)新方程，或一個(gè)已建立方程的附加項(xiàng)時(shí)，物理學(xué)家需要找出這些意味著什么。

3. 人工智能生產(chǎn)的新概念

Kim 說(shuō)，她的夢(mèng)想是在機(jī)器的幫助下克服人類的基本限制，如以物理世界為基礎(chǔ)的直覺(jué)等。她希望我們通過(guò)數(shù)學(xué)超越人們已經(jīng)能做到的事情，數(shù)學(xué)允許我們?cè)诟泄偬峁┑闹庇X(jué)之外，可視化和描述抽象對(duì)象，并在高度抽象的層次上運(yùn)作。

然而，她承認(rèn)，如果——或者對(duì)樂(lè)觀主義者來(lái)說(shuō)，當(dāng)——人工智能幫助我們發(fā)現(xiàn)一個(gè)新的科學(xué)概念或范式，驗(yàn)證它將需要很長(zhǎng)時(shí)間?？茖W(xué)界對(duì)新思想的接受很少是直截了當(dāng)?shù)??？茖W(xué)史上有許多被遺忘的理論，以及超前于時(shí)代而沒(méi)有得到承認(rèn)和充分認(rèn)可的思想。人工智能生成的理論（AI-generated theory）很難獲得科學(xué)界的信任和支持。

Ho 認(rèn)為，當(dāng)人工智能做出與我們目前的理解相矛盾的預(yù)測(cè)時(shí)——正如人類物理學(xué)家提出一個(gè)新理論——這種預(yù)測(cè)將必須通過(guò)實(shí)驗(yàn)來(lái)驗(yàn)證，而且就人工智能而言，需要遠(yuǎn)遠(yuǎn)超出訓(xùn)練集。資助實(shí)驗(yàn)來(lái)測(cè)試人工智能生成的理論本身就是一個(gè)挑戰(zhàn)（也不是所有人類生成的理論都能得到實(shí)驗(yàn)測(cè)試），所以必須有非常充分的理由。然而，如果這個(gè)預(yù)測(cè)通過(guò)了所有測(cè)試，那么無(wú)論多么令人驚訝或違反直覺(jué)，我們都將不得不認(rèn)真對(duì)待它。這不是第一次。

4. 量子力學(xué)的過(guò)往經(jīng)驗(yàn)

在20世紀(jì)初，量子力學(xué)的發(fā)展給出了一個(gè)數(shù)學(xué)上優(yōu)雅的理論，隨后通過(guò)了所有可能的實(shí)驗(yàn)測(cè)試。雖然量子力學(xué)已經(jīng)被證明是如此可靠，但它總是讓那些不滿足于“shut up and calculate”思維的人感到不自在。從早期開(kāi)始，量子力學(xué)就預(yù)測(cè)了一些令人困惑的場(chǎng)景，比如半死不活的薛定諤的貓，和粒子之間神秘的量子糾纏。

盡管有漂亮的數(shù)學(xué)公式，量子力學(xué)概念與我們的日常世界經(jīng)驗(yàn)仍然相距甚遠(yuǎn)——就像晶體會(huì)讓安德森的氣體生命存在感到困惑一樣。因此，也就并不奇怪，為什么即使對(duì)最聰明的人來(lái)說(shuō)量子力學(xué)也很難理解，以及它花了幾十年時(shí)間才被廣泛接受。今天，物理學(xué)家們開(kāi)始超越“shut up and calculate”方法，創(chuàng)造性地使用量子力學(xué)概念，盡管對(duì)糾纏等現(xiàn)象的物理直覺(jué)仍然困擾著我們。

研究人員已經(jīng)學(xué)會(huì)了如何使用量子力學(xué)來(lái)建造新事物和探索新的可能性：從量子技術(shù)到量子啟發(fā)的經(jīng)典算法，和對(duì)理論高能物理和凝聚態(tài)物理的洞察。當(dāng)人工智能為物理學(xué)提供了另類的見(jiàn)解時(shí)，我們可能不會(huì)立即認(rèn)識(shí)到它，且需要時(shí)間來(lái)充分認(rèn)可它的重要性。但還是有希望的。

本文翻譯自 Nature Reviews Physics 評(píng)論文章 

原文題目：How machines could teach physicists new scientific concepts

文章地址：https://www.nature.com/articles/s42254-022-00497-5