對未來科學來說 人工智能意味著什么？

對未來科學來說，人工智能意味著什么？

對于計劃舉辦夏日派對的人來說，天氣這個臭名昭著的混亂系統常常令人非常懊惱。在幾天內，降雨、溫度、濕度、風速、風向等方面的任何微小變化都會衍生出全新的天氣狀況。這就是為什么在七天及更長時間內，天氣預報都不準，而人們也因此需要為野餐安排備選方案。

試想，如果我們能很好地理解這個混亂的系統，從而預測其未來的走向，那會如何?

今年1月，科學家們做到了。在機器學習的幫助下，他們精準地預測了一項混亂的天氣系統，且預測的持久度超乎想象。機器只要觀察該系統的動態即可進行預測，無須理解任何化學反應式。

驚嘆、恐懼和興奮

不久以前，我們剛剛適應了人工智能的神奇能力。去年，一款名為AlphaZero的程序在一天內從零起步自學了國際象棋，緊接著便打敗了世界上最好的國際象棋程序。此外，它還自學了圍棋，并勝過了上一屆硅谷冠軍——名為AlphaGo Zero的算法。AlphaGo Zero曾在輸入規則后，通過反復試驗自學成為圍棋大師。

很多的算法都是從全然無知的空白狀態開始，通過觀察某一特定過程或和自己比賽的方式，以每秒幾千步的速度進步，從而建立“知識”體系。這種能力在各種方面激起了人們的驚嘆、恐懼和興奮情緒。最近，我們也經常聽到關于算法肆意破壞人性的傳聞。

在此，我關心的問題非常簡單：我想知道，人工智能對科學中“理解”的未來意味著什么?

完美的預測就是理解嗎?

大多數科學家可能都認為，預測和理解是兩碼事。這其中的原因是物理學的起源神話，或者說，是現代科學這一整體。

據說，在一千多年的時間里，人們都在用希臘羅馬數學家托勒密傳承下來的方法預測行星劃過天空的方式。

有趣的是，托勒密根本不知道重力理論，也不知道太陽其實位于太陽系的中心。不過，他的方法涉及了圓內圓的復雜計算。雖然這種方法能很好地預測行星走向，但沒人知道它為何奏效，以及行星為什么會按照如此復雜的規律運動。

隨后，哥白尼、伽利略、開普勒和牛頓誕生了。牛頓發現了支配行星運動的基本微分方程，該微分方程可以描述太陽系中任一行星的運動軌跡。毫無疑問，這對人類是有利的，畢竟人們可以借此理解行星運行的原因。

在預測行星運動軌跡方面，相比于托勒密的算法，解微分方程是一個更高效的方法。更重要的是，有了對該方法的信任后，我們基于一項統一的原理發現了原來未曾見過的行星，該原理便是在火箭、掉落的蘋果、月球、宇宙等方面都適用的萬有引力定律。

在物理學界，這種基本模板多次獲得成功，即試著探索出一套描述統一原理的方程。在其幫助下，我們發現了標準模型，并達到了半個世紀以來粒子物理學的頂點——標準模型能精準地描述每一顆原子、原子核或粒子的潛在結構。在其幫助下，我們還試著理解了高溫超導性、暗物質和量子計算機。(因為該方法擁有難以理解的高效性，人們不禁懷疑，為什么宇宙看上去那么容易地被數學描述所控制?)

毋庸置疑的是，在所有科學中，對某物的理解都需要追溯到這一定律：如果你可以將一個復雜的現象歸結為一套簡單的原理，那你就算是理解它了。

頑固的例外項

然而，在這種美麗的描述中，也有令人煩惱的例外項。湍流——導致天氣預測困難的原因之一——是一個典型的物理學例外項。生物學中的絕大部分問題，及其錯綜復雜的結構也都非常頑固，拒絕服從簡單的統一原理。

雖然原子、化學及簡單原則都構成了這些體系的基礎，但通用有效的等式描述很難有效地進行預測。

同時，顯而易見的是，這些問題都終將輕易地受到機器學習的支配。人工智能可以識別出新的藥品，以治療克雷白氏桿菌等抗生素抗性細菌，而這種細菌是美國10%的醫院獲得性感染的致因。

正如古希臘人從神秘的特爾斐神使身上找到答案一樣，我們很快也可以通過人工智能神使的幫助，回答科學界內最困難的問題。

目前，人工智能正在引導無人駕駛汽車和股市投資的發展。接下來，它還將預測藥品的抗菌有效性，以及未來兩周內的天氣情況。在沒有數學模型和方程的情況下，人工智能也將達到史無前例的高度。

不難想象，有了大型強子對撞機中數十億次撞擊得來的數據，人工智能甚至可以超越物理學家所鐘愛的標準模型，并在預測粒子物理學結果的道路上做得更好。

就像特爾斐女祭司的晦澀難懂的語言一樣，人工智能特使也很難解釋預測的原因，畢竟其產物是基于進行所謂“實驗”的很多個微秒。這一切就像是一幅關于農夫的漫畫：雖然沒上過學，但農夫可以根據經驗和直覺精準地預測天氣。

缺乏理解的科學?

對于科學實踐和科學哲學來說，機器智能的含義是深刻的。比如，面對越來越完美的預測，既然無法理解其預測方式，那人們還能繼續否認機器無法掌握更好的知識嗎?

如果預測是科學的基本目標，那我們該如何修改科學方法，修改那些數百年來幫助我們發現、改正錯誤的算法呢?

如果我們放棄理解科學，那我們還有必要追求我們所知的科學知識嗎?

對此，我無法給出答案。除非我們能明確地解釋為什么科學不只關乎良好預測的能力，否則科學家們將很快發現：“受過訓練的人工智能也可以完成他們的工作。”