當(dāng)今物理和天文實(shí)驗(yàn)所產(chǎn)生的海量信息，沒有任何一個人或者團(tuán)隊(duì)可以完整的處理。有些實(shí)驗(yàn)數(shù)據(jù)每天以千兆字節(jié)的規(guī)模在增加——而且這個趨勢只會越來越明顯。想象一下，一臺以平方公里為單位陣列的射電望遠(yuǎn)鏡，預(yù)計將于2020年中開始進(jìn)行科學(xué)觀測，每年將產(chǎn)生的信息數(shù)量可與整個互聯(lián)網(wǎng)相匹敵。面對如此信息洪流，許多科學(xué)家不得不求助于人工智能。這是一個研究者眼中神奇的工具。

只需少許人工輸入，包括人工神經(jīng)網(wǎng)絡(luò)（計算機(jī)模擬人腦神經(jīng)網(wǎng)絡(luò)）在內(nèi)的人工智能系統(tǒng)就可以輕松處理成千上百萬條信息，并發(fā)現(xiàn)其中的異常和人類絕難識別的模式。利用計算機(jī)協(xié)助科學(xué)研究的歷史可以被追溯到75年前。早在幾千年前，人類就已經(jīng)開始從數(shù)據(jù)中尋找有效信息?？茖W(xué)家認(rèn)為機(jī)器學(xué)習(xí)和人工智能所運(yùn)用的前沿技術(shù)，是一種研究科學(xué)的全新方法。

這種方法，即生成模型（generative modeling），僅基于數(shù)據(jù)就可以找到與觀測數(shù)據(jù)相關(guān)的諸多解釋中最為合理的理論。更重要的是，這一過程無需預(yù)先編程，對于系統(tǒng)可能產(chǎn)生作用。生成模型的支持者覺得它的創(chuàng)新程度可以被認(rèn)為是了解宇宙的潛在的“第三種方法”。

通常，我們通過觀察來知曉萬物。約翰尼斯·開普勒就是通過研究第谷·布拉赫的星象圖來試圖找到天體運(yùn)動的規(guī)律（所有行星都是橢圓軌道上運(yùn)行的），建模同時也推動著科學(xué)進(jìn)步。天文學(xué)家模擬銀河與其鄰近星系仙女座的移動軌跡后，預(yù)測兩星系將于幾百萬年之后相撞。觀察和建模都能幫助科學(xué)家建立假設(shè)，而用進(jìn)一步的觀察來檢驗(yàn)假設(shè)。相較之下，生成模型區(qū)別于以上兩種方法。

“這是第三種方法，介乎于觀察和建模之間。”天文學(xué)家Kevin Schawinski介紹說。他此前一直就職于蘇黎世聯(lián)邦工業(yè)大學(xué)(ETH Zurich)，同時也是當(dāng)今生成模型最狂熱的支持者之一?！八峁┝艘环N解決問題的新方法?！庇行┛茖W(xué)家將生成模型和其他新技術(shù)簡單地歸類為研究傳統(tǒng)科學(xué)的工具。但絕大部分人的共識則是人工智能能夠帶來巨大的影響，而且在科學(xué)研究領(lǐng)域的作用也將越發(fā)顯著。費(fèi)米實(shí)驗(yàn)室的天體物理學(xué)家Brian Nord以用人工神經(jīng)網(wǎng)絡(luò)研究宇宙而聞名。

更寬泛的說法，生成模型吸收數(shù)據(jù)（通常為圖像，但也不完全是）并拆分成一組基本但抽象的構(gòu)建模塊——科學(xué)家將其成為數(shù)據(jù)的“隱空間”。該算法操控隱空間的元素來探究其如何影響源數(shù)據(jù)，而這也能幫助發(fā)現(xiàn)系統(tǒng)中正在運(yùn)行的物理變化。

隱空間的概念很抽象且難以用視覺表現(xiàn)，但假設(shè)用一個粗略的比方，想一想當(dāng)你在判斷人臉對應(yīng)的性別時你的大腦究竟在如何運(yùn)轉(zhuǎn)。你可能會關(guān)注到發(fā)型、鼻子形狀等，以及難以用言語表達(dá)的其他特征。電腦程序也在相似地尋找數(shù)據(jù)中地顯著特征：雖然它不會知道什么是胡子或性別，但如果學(xué)習(xí)的訓(xùn)練數(shù)據(jù)中有標(biāo)記著“男性”、“女性”或“長著胡子”的照片時，電腦程序?qū)芸斓赝茢喑鰞烧咧g的相關(guān)性。

模擬的成功并不能取代天文學(xué)家和研究學(xué)者的地位，但這意味著在天體物理學(xué)域，對象和過程的學(xué)習(xí)程度的發(fā)生轉(zhuǎn)變：我們通過生成概率模型，從龐大的數(shù)據(jù)庫獲取信息變得唾手可得。Schawinski教授指出，雖然這不是完全自動化的科學(xué)，但表明我們有能力在一定程度上構(gòu)建自動化科學(xué)過程的工具。生成概率模型顯然是強(qiáng)大的，但它是否真正代表了一種新的科學(xué)方法呢？

供職于費(fèi)米實(shí)驗(yàn)室Nord教授指出重要的一點(diǎn)：神經(jīng)網(wǎng)絡(luò)方法不僅要提供計算結(jié)果，而且要提供誤差區(qū)間——這是每個大學(xué)生統(tǒng)計課上都學(xué)過的。在科學(xué)領(lǐng)域，如果只計算而不提供相關(guān)誤差估計，那么結(jié)果并不值得信任。和其他AI研究員一樣，Nord教授也擔(dān)心神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)果的“不易解釋”這一缺陷，通常系統(tǒng)提供的僅是結(jié)果，而不顯示具體這些結(jié)果是如何得到的。

然而并不是所有人都認(rèn)為這是一個問題。法國CEA Saclay理論物理研究所的研究員Lenka Zdeborová指出，人類的直覺也是如此“不易解釋”。比如你看一張照片后立即認(rèn)出是一只貓，但事實(shí)上你不知道這是怎么回事，從某種意義上說，大腦就是一個黑盒子。

不僅是天體物理學(xué)家和宇宙學(xué)家向AI推動的數(shù)據(jù)驅(qū)動、數(shù)據(jù)推動科學(xué)遷移，量子物理學(xué)家也使用神經(jīng)網(wǎng)絡(luò)來解決一些十分棘手且重要的問題。

供職于周界理論物理研究所和安大略省滑鐵盧大學(xué)的Roger Melkoof教授，使用神經(jīng)網(wǎng)絡(luò)技術(shù)解決了描述多粒子系統(tǒng)的數(shù)學(xué)波函數(shù)問題。Melkoof教授將必不可少的AI技術(shù)稱為“維數(shù)的指數(shù)詛咒”,波函數(shù)形式的可能隨粒子數(shù)量呈指數(shù)增長。這一模擬過程的難點(diǎn)類似嘗試在象棋或圍棋游戲中找出最佳走法，即你在試圖走下一步前，會想象你的對手會如何應(yīng)對，在這些走法中選擇最佳的一個，但每走一步，可能性就會呈指數(shù)激增。

當(dāng)然，AI系統(tǒng)已經(jīng)掌握了國際象棋和圍棋游戲的玩法，從十年前征服國際象棋，到2016年AlphaGo擊敗了人類頂級圍棋棋手。Melkoof教授由此認(rèn)為，人工智能在量子物理學(xué)中同樣具有適用性。無論Schawinski教授認(rèn)為AI是科學(xué)研究的“第三種方法”是否正確，或者如Hogg教授認(rèn)為，這種方法只是傳統(tǒng)觀察和數(shù)據(jù)分析的“外掛”，但毫無疑問的是AI正在改變科學(xué)發(fā)現(xiàn)方法,并起到明顯的促進(jìn)作用，那么AI革命將在科學(xué)研究上走多遠(yuǎn)？

在可預(yù)見的未來，我們能否制造出一臺使用生物硬件的機(jī)器，能夠解決那些連世界上最聰明的人類也無法獨(dú)立完成的物理或數(shù)學(xué)問題?？茖W(xué)的未來最終是否有可能歸宿于機(jī)器驅(qū)動，令人期待。