關(guān)鍵詞：機器人科學家AI

對于AI系統(tǒng)，Schawinski認為這是“第三類”科學研究方法，Hogg則認為不過是傳統(tǒng)觀察分析法的高級版本，不管你支持哪種觀點，有一點是肯定的，AI正在加速改變科學發(fā)現(xiàn)的概念。AI革命在科學領(lǐng)域能走多遠?

偶爾，人們會對“機器人科學家”的成就大加贊揚。十年前，一位名叫Adam的AI機器人化學家研究了面包酵母的基因組，找出了哪些基因負責制造某些氨基酸。當時的新聞標題是：“機器人獨自做出科學發(fā)現(xiàn)”。

最近，格拉斯哥大學化學家Lee Cronin在用機器人隨機混合化學物質(zhì)，看看會形成什么樣的新化合物。通過質(zhì)譜儀、核磁共振儀和紅外光譜儀實時監(jiān)測反應(yīng)，系統(tǒng)最終學會了預測哪種組合反應(yīng)性最強。Cronin說，即使這不會帶來進一步的發(fā)現(xiàn)，機器人系統(tǒng)也能讓化學家們將研究速度提高約90%。

去年，蘇黎世理工的另一個科學家小組使用神經(jīng)網(wǎng)絡(luò)從數(shù)據(jù)集中推導出物理定律。他們的系統(tǒng)是一款機器人開普勒系統(tǒng)，從太陽和火星的位置記錄中重新發(fā)現(xiàn)了太陽系的日心模型，并通過觀察碰撞球發(fā)現(xiàn)了動量守恒定律。由于物理定律通常可以用不止一種方式來表達，研究人員想知道系統(tǒng)是否可以提供新的方式(也許是更簡單的方式)來思考已知的定律。

這些都是AI啟動科學發(fā)現(xiàn)過程的例子，雖然不同案例中AI的作用影響各有不同。也許最具爭議的問題是，在數(shù)據(jù)爆炸的今天，單從數(shù)據(jù)中能收集到多少信息。計算機科學家Judea Pearl和科學作家Dana Mackenzie斷言，數(shù)據(jù)是“極其愚蠢的”。因果關(guān)系的問題永遠不能單靠數(shù)據(jù)來回答。Schawinski也支持這種立場，他從未聲稱數(shù)據(jù)可以推演因果關(guān)系，而只是認為，我們可以比以往更多地利用數(shù)據(jù)。

另一個經(jīng)常聽到的論點是，科學需要創(chuàng)造力，而且至少到目前為止，我們不知道如何將“創(chuàng)造力”編程到機器中。物理學家Kai Polsterer說：“除了理論和推理，我們還需要創(chuàng)造力——只有人類才具有這項能力。”創(chuàng)造力從何而來?Polsterer懷疑這與“無聊”有關(guān)，機器不會感到無聊。要想有創(chuàng)意，你必須討厭無聊的感覺。另一方面，像創(chuàng)意和靈感這樣的詞經(jīng)常被用來形容Deep Blue(戰(zhàn)勝人類象棋手的計算機)和AlphaGo這樣的智能程序。我們在試圖描述計算機思想的時候，實際上是對自己大腦的映射。

Schawinski最近離開學術(shù)界去了私營部門。他現(xiàn)在經(jīng)營著一家名為Modulos的創(chuàng)企，公司雇傭了一些ETH科學家，據(jù)其網(wǎng)站稱，公司處在AI和機器學習發(fā)展的風口浪尖。不管當前AI技術(shù)和成熟的人工智慧之間存在什么障礙，Schawinski和同事們都認為機器已經(jīng)可以接替越來越多人類科學家的工作。

Schawinski說：“在可預見的未來，是否有可能利用生物硬件建造一臺機器，它可以完成人類無法獨立完成的物理、數(shù)學任務(wù)?科學的未來最終會不會因為計算機才達到人類難以企及的高度?我不知道。但這是個好問題。”