AI版哥白尼 推导“日心说”so easy
人类对天体的观察以前有了上千年的汗青。公元2世纪时，古希腊天文学家托勒密提出“地心说”来表明他的天文观察数据，但直到16世纪初，哥白尼提出“日心说”，才推翻了一千多年来的传统，再加上后方开普勒、伽利略、牛顿等人的完满，人类对天体运转的纪律渐渐有了比力清晰的熟悉。那么假如让人工智能（以下简称AI）举行研讨，它必要花多久呢？答案是只必要在一台条记本电脑上运转几个小时便可得出。
图1. 我们的太阳系 Credit: NASA/JPL/SPL
会做科研的AI
苏黎世瑞士联邦理工学院(ETH)的物理学家雷纳托·雷纳（Renato Renner）和他的互助者计划了一种新型的神经网络可以将多量的数据集提炼成几个基本的公式，就像牛顿提出简便的万有引力定律来形貌天体运转轨道一样。所谓神经网络是一种模仿大脑的神经元布局而创建的机器学习体系，从而让盘算机也能像人一样具有学习、辨别和猜测的才能。
传统的神经网络经过对多量数据集的练习来学习识别物体，如图像或声响。比如，“四条腿”、“尖尖的耳朵”和“髯毛”等特性约莫被AI识别是猫。然后，它们将这些特性编码到网络的“节点”（好比人脑的神经元）中。但是神经网络并没有像物理学家那样，将这些信息提炼成易于表明的端正，它像一个黑匣子，你并不克不及直接看清这些纪律毕竟是什么。
因此，雷纳的团队计划了一种好比“脑叶切除”的神经网络:它由两个经过少数的节点互相毗连的子网络构成。第一个子网将从数据中学习和练习，第二个子网将使用这种“履历”来做测试和新的猜测。由于毗连两边的链路很少，第一个网络被动以紧缩的格式向另一个网络转达信息，就像导师必要把他们学到的知识传授给学生。
图2. 雷纳团队计划的新神经网络的布局。所谓的“表现”可以了解为总结出来的公式，“潜”意味着它隐蔽在神经网络内。
他们对该神经网络所做的一个测试是向该网络提供从地球上看到的火星和太阳在天空中活动的模仿数据，然后它得出了哥白尼式的火星轨道公式。除此之外，它还被使用于二体碰撞、单摆、量子体系等的求解，可能被用于处理繁复的封建成绩。
哥伦比亚大学的机器人专家霍德.李普森(Hod Lipson)说：“这项事情很紧张，由于它可以找出形貌物理体系的紧张参数。”他以为这些武艺是我们了解并跟上日益繁复的物理和其他范畴里征象的唯一渴望。
AI是把双刃剑
正如机器将人类从沉重的精力劳作中束缚出来，AI将人类从繁复的脑力劳作中束缚出来。AI可以面临更海量的数据、以更高的听从、处理更繁复的成绩，协助我们更敏捷地修筑起人类封建的参天大厦，这是人类仅凭一己之力所远远不克不及企及的。
不外，譬如AlphaGo下赢了人类顶尖的棋手后，自此人世不再有棋王。有人也约莫会担心，机器人会让多数从事简便机器劳作的“白丁”失业流浪，AI会不会也令才疏学浅的学者、封建家们也黯然神伤呢？云云到处“称王称霸”的AI，会不会反过去损伤或降服人类呢？
但也有不同的声响表现，AI固然在某些方面有一艺之长，但毕竟是人类创造出来的，是人类伶俐的延伸和拓展，不成能完全代替人类。雷纳也重申，固然该AI推导出了这些公式，但仍然必要人来表明它所取得的公式，并了解公式眼前的物理涵义。
AI约莫会从多量实行和海量数据中拟合抽取纪律，告竣对天然纪律的无穷迫近，但却很难如人类寻常从第一性原理取得简便精巧的方程式。好比，从水星克日点的进动数据，AI很约莫会发觉真实引力干系于牛顿万有引力定律的偏离，但绝不成能直接取得爱因斯坦的广义相对论和场方程。由少数方程式构建的古代封建的美感约莫在AI的机器言语中将会荡然无存。
信赖将来的AI完万可以发扬所长，在多量的实行和观察数据中发觉潜伏纪律，成为人类探究未知、展现宇宙奥妙的强壮助手。这正是：
人工智能多才俊，
不惧繁复拓新篇。
双子网络泄天机，
世上自此少疑问。
感激中国封建院大学曲一至传授的多益讨论。
附注：
1.该神经网络为用简便的“公式”来表明观察数据，它紧缩信息取得的表现r(t)实为地球和火星的日心角的线性组合（详见参考文献[1]原文），可以以为AI以前晓得用“日心说”的看法来表明观察数据。由此可见，AI由于没有人类长时的坚持“地心说”的偏见，更容易找到成绩准确的答案；另一方面，AI能敏捷分析多量数据并在短时间找出此中纪律的这一上风，是人类难以望其项背的。
2.该神经网络源代码在GitHub网站上可以获取（见下），可以下载到本人的电脑玩一玩哦
~https://github.com/eth-nn-physics/nn_physical_concepts
参考文献
[1] Iten, R., Metger, T., Wilming, H., Rio, L. D.,
