研究人员给神经网络输入了在地球上观测的火星和太阳运动的数据。由于运算量并不大，大约只花了一天的时间，人工智能就准确得出了和哥白尼一样的结论。
（图源：Wikimedia Commons）
采访&撰文 | 金斯基
编辑 | 小赛
文艺复兴时期，哥白尼提出了“日心说”；五百年后的现代欧洲，人工智能重新发现了以太阳为中心的太阳系模型。此次复现“人类史上最重要科学范式转变”的人工智能，由苏黎世理工大学理论物理学教授雷纳托·雷内尔（Renato Renner）领导的实验团队研发。相关论文于2019年10月被《物理评论快报》（Physical Review Letters）接收。
从经典物理到量子物理
人类探索自然世界的历史渊源流长，从古希腊前苏格拉底时期到二十一世纪，一批批优秀的思想家、科学家从未停止脚步。上至最宏观的广袤宇宙，下至最微观的极小粒子，他们试图用简洁的数学公式总结归纳出“万物之理”。
量子力学，作为现代物理学的一大基本支柱，能够精确描述物理系统的基本过程。这个理论能否普遍使用呢？2018年雷内尔在《自然·通讯》杂志上发表过一篇论文，他和同事升级了匈牙利物理学家尤金·维格纳（Eugene Wigner）在1961年提出的“维格纳的朋友”思想实验。他们经过分析发现，将量子力学理论应用到更大、更复杂的宏观环境中时，所得出的结论会与理论本身自相矛盾。
维格纳的实验室里有一只“薛定谔的猫”，处在“死”和“活”的叠加态。当维格纳的朋友对“猫”进行测量时，根据量子力学，他将得到两种可能结果之一：要么死，要么活。
现在，维格纳将自己关在实验室的外面，他知道实验室里的朋友将在某个时刻对“猫”进行测量。如果将整个实验室视为一个物理系统，那么实验室系统所处的状态就是“猫死，朋友测得死猫”和“猫活，朋友测得活猫”的线性叠加态。
当维格纳询问朋友测量结果时，他就知道了实验室所处的状态。因此，只有当他知道朋友的测量结果时，实验室系统的叠加态才坍缩。但是，从他朋友的角度来看，测量结果早在维格纳询问他之前就确定了，实验室系统的状态早已经坍缩。
这其实也是量子力学长久以来一直面临的发展瓶颈。精通物理学发展史的雷纳尔有一个大胆而坚定的设想，也许当前的量子力学理论是一种正确的描述，但可能不是唯一的基本描述，从某种程度上来说更是一种历史传承下来的人为现象——试想一下那些物理天才们千奇百怪的思想实验吧。所以推翻一切重新来是一条尝试途径，也许能够从中发现完全不同，却更简洁、更适合用来描述宏观世界的理论。
但是，谁来承担这个重新发现的任务呢？三年前在加拿大举办的一场量子力学学术会议结束之后，包括雷纳尔在内的物理学家们精疲力竭，相约去酒吧小酌一番，却仍念念不忘讨论学术内容。就在讨论之际，雷纳尔突然想到，为什么不用机器学习试一试呢？
像经典物理学家一样思考
雷纳托·雷内尔（图源：ETH Globe / Daniel Winkler）
作为理论物理学家的雷纳尔还拥有计算机科学的博士头衔，他很快集结了一支由优秀的研究生、博士生和资深科学家组成的五人团队。这个团队运用时下最流行的神经网络算法和机器学习技术，开始设计自己的人工智能系统，也就是后来的SciNet。
他们研发的神经网络结构，正是模仿了经典物理学家的思考过程：化繁为简。
科学家们观测自然，展开实验，收集各类数据，然后找出其中的逻辑关系，最后用最简单的数学方程式展现。而SciNet的神经网络可分为两个部分，第一部分是输入各种实验和观测数据，然后如同榨汁机一般，不断提取、精炼、简化再简化成相关的参数，这和传统的神经网络一样。第二部分的任务则是从精简的信息中总结出最简数学公式，雷纳尔将其类比为写满物理公式的教科书。人工智能·哥白尼的“日心说”
（图源：pexels.com）
设计好神经网络结构之后，研究团队需要对其进行测试。他们测试了四个案例：阻尼摆，角动量守恒，量子比特表征以及太阳系的日心说模型。在测试阶段，他们使用的是已知的物理案例，以便验证算法的正确性。作为原理性证明的研究，团队并不需要海量的数据集，他们只需证明自己的神经网络可以复现简单案例。
在这几个案例中，“日心说”的历史最为人熟知且津津乐道。16世纪的哥白尼测量了相对于遥远的恒星，地球、太阳和火星三者之间的相互角度关系，从而提出了“日心说”的大胆假设。相比复杂不堪的“地心说”，新模型更加简洁，能够解释并预测行星运动，从而开启了现代天文学研究的新篇章。
仿照这一段历史故事，研究人员给神经网络输入了在地球上观测的火星和太阳运动的数据。由于运算量并不大，雷内尔记得大约只花了一天的时间，人工智能就准确得出了和哥白尼一样的结论。
SciNet初长成
能够给出经典物理学理论的SciNet，仅仅是雷内尔团队研究的第一步。经过两年研发，这套系统由于运算量并不大，目前还只是运行在台式电脑上。日后如果进行更加复杂、数据量更加庞大的运算，就需要更强劲的计算能力、规模和更加复杂的神经网络结构。
除此之外，雷内尔还指出，现有的神经网络结构有其功能局限性，如果只是用该网络来进行预测，它的错误率极低，但它无法给出解释。换言之，你可以提问，输入数据，它会给出答案，但是你却无法知道如何得出这样的答案，为什么会是这样的答案。雷内尔解释说，这就好比学骑自行车，我们能够很快地学会正确骑车姿势，但是大部分人其实并不理解我们究竟是怎么学会的。因此，SciNet要成长，还有漫长的学习道路要走。
（图源：pixabay）
量子研究的新助手
完成SciNet初步研发的团队内心欣喜，接下来他们希望能够将算法运用到量子力学理论研究中。他们希望人工智能能够给出新的方程，提供不同的研究思路，甚至将来有一天，不仅仅只是分析人工输入的数据，而是能够自己设计实验，收集数据，和人类科学家一起合作，成为名副其实的“AI助理研究员”。
梦想总是美好的，但是要实现并非易事。雷内尔提到，如果借助人工智能算法研究量子力学，首先要解决的就是著名的测量问题。因此，他们需要教会神经网络去决定自己想要测量什么。目前的神经网络还处在被动状态，全盘接受人类灌输的各类数据，化被动接受为主动研究是研究人员继续努力的目标。
雷内尔对人工智能和量子力学的近未来发展持积极态度。他预计十几年之后，人工智能的自主研究能够给人类科学家提供新鲜的研究视角和观点。不过与此同时，人类科学家也要谨慎评估和审查人工智能给出的科学观点，判断其中的研究价值和意义。
“我们可以说，在棋类游戏的对弈中，人类败给了人工智能。但是从另一角度说，人工智能也提供了我们人类没想到的下棋思路和策略，完全值得我们去学习。两者之间并非竞争关系，而是相辅相成、相互成长的关系。计算机从帮助物理学家完成复杂计算开始，到未来可能展开独立研究，既是有效的工具，更是亲密的合作伙伴。”雷内尔这样总结。
小赛：再不努力科研，连“助理研究员”的位子都要被AI给抢了！
[1] https://journals.aps.org/prl/accepted/9e07eY09T2e1fd7f88ae46166090ef41fa6ad4c34
(arxiv:1807.10300)
[2] https://www.nature.com/articles/s41467-018-05739-8
[3] https://www.nature.com/articles/d41586-018-06749-8
[4] https://www.nature.com/articles/d41586-019-03332-7
