点击上方蓝字“返朴”进入主页，可关注查阅往期文章
假如科学的语言深受我们所体验到的化学世界的限制，脱离实体的人工智能对于它未能直接体验的世界可能有着更独特的表征。明天，机器学习方式重新发觉了许多已知的基本数学规律，包括对称性、守恒律、经典热学定理等。在未来，假如人工智能发觉了违反人类直觉的新科学概念，我们会尝试理解并验证吗？近来发表于的一篇文章梳理了近日人工智能对化学规律「新洞察」和「重新发觉」。
撰文|Iulia
翻译|梁金
在特德·姜（Ted）的短篇小说《你一生的故事》中，人类发觉，我们在化学上的一些基本概念对外星物种来说毫无意义，这促使交流我们的科学理论显得困难。这个故事完全背离了大多数悬疑小说中偏颇的想法：科学是我们最有可能拿来与其他智能物种交流的语言。特德·姜对这些观点提出了挑战，他觉得我们体验化学世界的方法影响了我们交流和发展语言的形式，包括科学的语言。有人可能觉得，如今要验证这一假定还为潮流早，但若果外星人就出现在眼前呢？
是的，它们已然在这儿了，Brain的人工智能研究科学家BeenKim在第十届学习表征国际大会上的讲演中这么说道。她指的不是与外星物种的第一次接触，而是我们人类创造的人工智能：。
2016年，的象棋程序在5局赛事中4局险胜了顶尖职业棋手李世石。的胜利总体上是人工智能的一个里程碑，然而它在第二局中的第37步尤其让象棋专家们大吃一惊，显示出对象棋深刻的直觉，并背离了人类棋手几个世纪以来提炼下来的智慧。假如才能解释它的这一步，这么我们也许能够对象棋游戏获得新的看法。不幸的是，与现今大多数尖端人工智能一样，类似于特德·姜故事中的外星人：我们几乎没有共同语言来构建沟通。
1.AI令人吃惊的洞察力
我们回到特德·姜的故事，外星人体验化学世界的形式打造了它们简单的直觉概念，这对人类来说绝不简单。化学学家菲利普·安德森（）在1972年也曾考虑过这个概念[1]：“对于一个假想的气态但智慧的土星公民，或则银河系中心某处氢原子云中的公民，普通晶体的性质很可能是比超流氦的性质更令人吃惊、更令人感兴趣的悬案。”
机器，作为脱离实体的智能，对它未能直接体验的世界可能有一个更奇怪的表征，将其转化为人类的理解将比解码外星生物的语言更具挑战性，甚至是毫无希望的——外星生物可能起码和我们有一些共同经验（如感知到重力或电磁幅射）。
研究人员早已开始讨论人工智能令人吃惊的洞察力的影响。耶鲁学院理论化学学院士说：“我觉得，人工智能很可能很快（假如不是早已）都会以赶超我们理解的形式理解事物。在这些情况下，我们可能不得不满足于这样的认识，机器理解底层的化学原理，虽然我们永远没法理解。”
并不担心人工智能发展出他可能永远没法理解的化学理解这一前景。他强调，并不须要了解经济学能够从良好的经济新政中受益[2]。这些实用主义观点让人想起量子热学的“shutupand”方法，只要才能作出有用的估算和确切的预测，人们就不太关心理论的解释。虽然这么，希望我们才能开发一种“新语言和新工具来解释机器的输出”。有这些看法的不止他一个人。
2.人类与机器共享的概念
虽然面临显著的挑战，但研究人员正企图为人类和机器创造一种共同的语言（如图）。首先她们努力找到人类和机器的一些共同点。Kim正企图理解人类的表征怎样与机器的表征保持一致——如果有的话。诸如，出现在各类图象中的白色纹样对机器来说有意义吗？答案或许是肯定的，起码在个别情况下，人类和机器对白色的概念是一致的[3]。
其实更令人吃惊的是，机器学习算法显然遵守格式塔心理学的一些规律，格式塔心理学假定人们倾向于将物体视为一个整体，而不是作为部份或组成特点。诸如，闭合法则（lawof）强调，人会将具有缺位部份的几何图形视为整体，例如将缺位部份边的三角形视为完整的三角形。训练拿来分类自然图象的神经网路虽然也有类似的倾向[4]。
另一个格式塔原理是对称法则，它表明人类的思维会辨识对称，将对称的物体视为整体的一部份。人工智能是否也会自然地发觉对称性是一种相关特点，如同闭合法则那样？这是化学学家非常感兴趣的问题。
（重新）发觉对称性
写道[1]：“说数学学是研究对称性，只是稍为夸大了一点。”考虑到对称性对我们理解数学的核心作用，在找寻可能与AI共享的概念时，对称性其实是一个不错的选择。
在近来的一项研究中，麻省理工大学的理论化学学家Liu和Max开发了一种机器学习方式来手动发觉隐藏的对称性。其看法是将不对称程度表示为一个量，通过神经网路参数化，可以最小化，也就是降低不对称。
之后，她们使用一种名为AI[6]的数学启发工具，将神经网路学到的知识转化为人类可以理解的物理表达式。AI是基于符号回归（）方式，通过搜索物理表达式的空间来找到与数据拟合最好的表达式。在几个测试案例中，从一维谐振子到非旋转黑洞的史瓦西度规，她们重新发觉了各类各样的对称性。
目前，该方式用于找寻已知的对称性，如平移不变性，但作者们希望将它扩充到搜索未知的对称性。不过，人工智能是否会像人类那样发觉有意义的对称性（已知的或未知的），则是另一回事了。
论文题目：
论文链接：
（再现）发觉守恒律
化学学家珍惜的另一个概念是守恒律，它与对称性密切相关。诺特定律告诉我们，每种守恒律都对应一种对称性，例如，能量守恒定理对应着时间平移不变性，动量守恒定理对应着空间平移不变性——这种联系可以用喀什顿或拉格朗日热学的等效语言来抒发。
2019年，在大会上发表的一篇论文介绍了一种神经网路，可以直接从数据小学习系统的喀什顿量[7]。一年后，ICLR大会上的一篇文章报导了一类神经网路（拉格朗日神经网路），可以从数据小学习任意拉格朗日量[8]。喀什顿神经网路和拉格朗日神经网路虽然都捕捉到了化学系统的动力学，并挺好地阐明了守恒律，但前者适用于任意座标系统。
图1.喀什顿神经网路学习精确地让一个与总能量类似的量守恒。
论文题目：
论文链接：(2019)
图2.神经网路学习拉格朗日量来描述化学系统的动力学。
论文题目：
论文链接：
拉格朗日神经网路看上去尤其有前景，很快被其他人采用。诸如，Liu和合作者使用这些技巧，通过将力分解为保守和非保守部份来找寻“新数学”，保守力由拉格朗日神经网路学习，非保守力由更通用的神经网路学习[9]。新数学是非保守部份物理学界的科学家，如减振双摆的磨擦力。[8,9]两项研究都用数值模拟数据在简单的玩具模型上测试看法。下一步是在真实数据上测试这种技巧。
图3.拉格朗日神经网路重新发觉了减振双摆的磨擦力，从天王星的轨道发觉海王星，从螺旋轨道发觉引力波。
论文题目：-fornew-
论文链接：
（重新）发觉热学
在近来的一项研究中[10]，研究人员依据30年的观测数据训练了一个机器学习模型，模拟太阳和太阳系中行星的动力学。之后，她们使用符号回归手动找到控制等式，并不出所料地重新发觉了牛顿的万有引力定理。研究所的天体化学学家、该研究的作者之一Ho解释说：”我们开始重新发觉早已晓得的东西，这样我们就晓得机器方式是可行的，之后我们企图发觉不晓得的东西。”
论文题目：with
论文链接：
符号回归方式促使机器就能以物理表达式的方式形成结果，这是构建一种共同语言的第一次尝试。在过去五年中，作为一种可解释的人工智能驱动的发觉途径，这些方式深受关注。但是，虽然才能看懂拉丁字母，倘若这种词组是用一种人们读不懂的语言书写的，那就很难得到哪些信息；此外，假如没有适当的语境，已知词汇的意思可能是模糊的。类似地，当发觉一个新等式，或一个已完善多项式的附加项时，化学学家须要找出这种意味着哪些。
3.人工智能生产的新概念
Kim说，她的梦想是在机器的帮助下克服人类的基本限制，如以化学世界为基础的直觉等。她希望我们通过物理赶超人们早已能做到的事情，物理容许我们在感官提供的直觉之外，可视化和描述具象对象，并在高度具象的层次上运作。
但是，她承认，假如——或者对豁达主义者来说，当——人工智能帮助我们发觉一个新的科学概念或范式，验证它将须要很长时间。科学界对新思想的接受极少是直截了当的。科学史上有许多被遗忘的理论，以及超前于时代而没有得到承认和充分认可的思想。人工智能生成的理论（AI-）很难获得科学界的信任和支持。
Ho觉得，当人工智能作出与我们目前的理解相矛盾的预测时——正如人类化学学家提出一个新理论——这种预测将必须通过实验来验证，并且就人工智能而言，须要远远超出训练集。捐助实验来测试人工智能生成的理论本身就是一个挑战（也不是所有人类生成的理论都能得到实验测试），所以必须有特别充分的理由。但是，假若这个预测通过了所有测试，这么无论多么令人惊叹或违背直觉，我们都将不得不认真对待它。这不是第一次。
4.量子热学的过往经验
在20世纪初，量子热学的发展给出了一个物理上甜美的理论，此后通过了所有可能的实验测试。似乎量子热学早已被证明是这么可靠，但它总是让这些不满足于“shutupand”思维的人倍感不自在。从初期开始物理学界的科学家，量子热学就预测了一些令人困扰的场景，例如半死不活的薛定谔的猫，和粒子之间神秘的量子纠缠。
虽然有漂亮的物理公式，量子热学概念与我们的日常世界经验依然相距甚远——就像晶感受让安德森的二氧化碳生命存在倍感困扰一样。为此，也就并不奇怪，为何虽然对最聪明的人来说量子热学也很难理解，以及它花了几六年时间才被广泛接受。明天，化学学家们开始赶超“shutupand”方法，创造性地使用量子力学概念，虽然对纠缠等现象的数学直觉一直困惑着我们。
研究人员早已学会了怎么使用量子力学来建造新事物和探求新的可能性：从量子技术到量子启发的精典算法，和对理论高能化学和汇聚态化学的洞察。当人工智能为数学学提供了另类的看法时，我们可能不会立刻认识到它，且须要时间来充分认可它的重要性。但还是有希望的。
参考文献
[1],P.W.MoreIs:andtheoftheof.177,393–396(1972).
[2],M.D.and.DataSci.Rev.(2021).
[3],J.etal.Bestofboth:localandwithhuman-.at(2021).
[4]Kim,B.etal.on..BrainBehav.4,251–263(2021).
[5]Liu,Z.&,M..Phys.Rev.Lett.128,(2022).
[6],S.M.&,M.AI:A-for.Sci.Adv.6,(2020).
[7],S.etal..at(2019)
[8],M.etal.at(2020).
[9]Liu,Z.etal.-fornew-.Phys.Rev.E104,(2021).
[10]Lemos,P.etal.with.at(2022).
本文翻译自评论文章
原文题目：Howcouldteachnew
文章地址：