正文

如何訓(xùn)練自己的ai模型（如何訓(xùn)練自己的ai模型技術(shù)）

發(fā)布時間：2023-03-14 03:54:16 稿源：創(chuàng)意嶺閱讀： 140 問大家

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于如何訓(xùn)練自己的ai模型的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

ChatGPT國內(nèi)免費在線使用，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com

本文目錄:

1、ai訓(xùn)練好的模型如何保護
2、novelai怎么用
3、學(xué)習(xí)人工智能AI需要哪些知識?
4、AI生成模型：超越數(shù)據(jù)觀測與計算機模擬的第三條科學(xué)探索之路？

如何訓(xùn)練自己的ai模型（如何訓(xùn)練自己的ai模型技術(shù)）

一、ai訓(xùn)練好的模型如何保護

有兩種方式保護方式。

主動AI模型安全和被動AI模型安全，然后主動AI模型安全又分為模型的靜態(tài)防護和動態(tài)的防護，均可實施。

隨著5G以及AIOT時代的到來，未來逐漸的成為一個數(shù)據(jù)主導(dǎo)的時代，AI等技術(shù)型的公司，會成為新的主流，和各行各業(yè)做大跨度的融合，這種融合當(dāng)然在學(xué)術(shù)以及產(chǎn)業(yè)中會一直的存在，并且近年來的AI一直在各個世界頂級互聯(lián)網(wǎng)大會中被頻頻的提到，現(xiàn)實中的成果也已經(jīng)很多惠及到我們，如果AI在使用中出現(xiàn)了主動或者被動的安全問題，后果是不堪設(shè)想的，所以AI安全是一個持久性的，聲明周期會很長的安全需求。

二、novelai怎么用

Novelai使用方法如下：

輸入文字，在右側(cè)點擊cenerate即可生成圖像。對于圖像不滿意點擊varlations，根據(jù)輸入文本內(nèi)容再次生成4個圖像。根據(jù)需求對圖片數(shù)值調(diào)整，上方輸入框點擊選擇背景顏色，生成圖片點擊畫筆按鈕繪制。再點擊Edit image，對圖片進(jìn)行編輯或點Enhance付費進(jìn)行編輯調(diào)整。

如何訓(xùn)練自己的ai模型（如何訓(xùn)練自己的ai模型技術(shù)）

Novelai詳細(xì)介紹如下：

NovelAI本來是個AI寫文章的網(wǎng)站，今年用p站上的圖訓(xùn)練了二次元專屬的AI模型。相對于一些通用的AI繪畫生成器來說，novelai在二次元圖上更加的準(zhǔn)確。所謂擴散算法，是指先將一幅畫面逐步加入噪點，一直到整個畫面都變成白噪聲，記錄這個過程，然后逆轉(zhuǎn)過來給AI學(xué)習(xí)。

AI那里看到的是一個全是噪點的畫面是如何一點點變清晰直到變成一幅畫的，AI通過學(xué)習(xí)這個逐步去噪點的過程來學(xué)會作畫。這個算法出來之后效果非常好，比以前的AI繪畫效果要好的多，突破了實用化的臨界點。

三、學(xué)習(xí)人工智能AI需要哪些知識?

需要數(shù)學(xué)基礎(chǔ)：高等數(shù)學(xué)，線性代數(shù)，概率論數(shù)理統(tǒng)計和隨機過程，離散數(shù)學(xué)，數(shù)值分析。數(shù)學(xué)基礎(chǔ)知識蘊含著處理智能問題的基本思想與方法，也是理解復(fù)雜算法的必備要素。今天的種種人工智能技術(shù)歸根到底都建立在數(shù)學(xué)模型之上，要了解人工智能，首先要掌握必備的數(shù)學(xué)基礎(chǔ)知識。線性代數(shù)將研究對象形式化，概率論描述統(tǒng)計規(guī)律。

需要算法的積累：人工神經(jīng)網(wǎng)絡(luò)，支持向量機，遺傳算法等等算法；當(dāng)然還有各個領(lǐng)域需要的算法，比如要讓機器人自己在位置環(huán)境導(dǎo)航和建圖就需要研究SLAM；總之算法很多需要時間的積累。

需要掌握至少一門編程語言，比如C語言，MATLAB之類。畢竟算法的實現(xiàn)還是要編程的；如果深入到硬件的話，一些電類基礎(chǔ)課必不可少。

如何訓(xùn)練自己的ai模型（如何訓(xùn)練自己的ai模型技術(shù)）

拓展資料：

人工智能（Artificial Intelligence），英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。

人工智能是計算機科學(xué)的一個分支，它企圖了解智能的實質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機器，該領(lǐng)域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。

人工智能從誕生以來，理論和技術(shù)日益成熟，應(yīng)用領(lǐng)域也不斷擴大，可以設(shè)想，未來人工智能帶來的科技產(chǎn)品，將會是人類智慧的“容器”。人工智能可以對人的意識、思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過人的智能。

人工智能是一門極富挑戰(zhàn)性的科學(xué)，從事這項工作的人必須懂得計算機知識，心理學(xué)和哲學(xué)。人工智能是包括十分廣泛的科學(xué)，它由不同的領(lǐng)域組成，如機器學(xué)習(xí)，計算機視覺等等，總的說來，人工智能研究的一個主要目標(biāo)是使機器能夠勝任一些通常需要人類智能才能完成的復(fù)雜工作。但不同的時代、不同的人對這種“復(fù)雜工作”的理解是不同的。2017年12月，人工智能入選“2017年度中國媒體十大流行語”。

參考資料：百度百科—人工智能：計算機科學(xué)的一個分支

四、AI生成模型：超越數(shù)據(jù)觀測與計算機模擬的第三條科學(xué)探索之路？

導(dǎo)語

最先進(jìn)的人工智能算法已經(jīng)開始在探測星系的演化、計算量子力學(xué)波函數(shù)、探索新的化合物等領(lǐng)域施展拳腳。那么，還有沒有那種無法自動化而只能由科學(xué)家完成的工作？

如今的物理學(xué)和天文學(xué)實驗會產(chǎn)生海量的數(shù)據(jù)，已經(jīng)沒有人或團隊能夠跟進(jìn)所有的這些數(shù)據(jù)了。其中一些數(shù)據(jù)每天以TB級的規(guī)模增加，而且這個趨勢不會減弱。在二十一世紀(jì) 20 年代中期射電望遠(yuǎn)鏡 Square Kilometer Arra 將投入使用，它每年產(chǎn)生的數(shù)據(jù)量和整個互聯(lián)網(wǎng)的數(shù)據(jù)量一樣多。

面對數(shù)據(jù)洪流，許多科學(xué)家開始求助于人工智能。只需要少量的人工輸入，人工智能系統(tǒng)（如神經(jīng)網(wǎng)絡(luò)）就能夠在數(shù)據(jù)海洋中漫游，識別異常，挖掘出人類尚未發(fā)現(xiàn)的模式。

當(dāng)然，利用計算機來輔助科學(xué)研究的歷史可以追溯到約 75 年前，然而人類幾千年前就在手工調(diào)查研究數(shù)據(jù)來尋找其中的有意義的模式。但是，近期一些科學(xué)家認(rèn)為以機器學(xué)習(xí)、人工智能為代表的新技術(shù)能以一種全新的模式去進(jìn)行科研工作。其中一種被稱為生成模型的方法，能從對觀測數(shù)據(jù)的諸多解釋中找到最可信的理論，更為重要的是，該方法在研究中無需預(yù)先編入對于系統(tǒng)可能起作用的物理過程。其擁護者認(rèn)為，生成模型的創(chuàng)新程度足可以被視為理解宇宙的潛在的“第三種方法”。

在傳統(tǒng)上，我們是通過觀測來了解自然的。回想一下，開普勒就是通過研究第谷的行星位置表，辨識潛在的行星運行模式，才得以推斷出行星是沿橢圓軌道運行的。同樣的，科學(xué)可通過模擬來獲得進(jìn)步。一位天文學(xué)家可能會模擬銀河系及其鄰近的仙女座星系的運動，并預(yù)測它們將在幾十億年后碰撞。觀測和模擬都有助于科學(xué)家生成假設(shè)，然后用進(jìn)一步的觀測來檢驗假設(shè)，而生成模型不同于這兩種方法。

瑞士聯(lián)邦理工學(xué)院的天文物理學(xué)家 Kevin Schawinski 也是一位生成模型的積極支持者。他認(rèn)為：“ 生成模型是介于觀測和模擬之間的第三種方法， 這是解決問題的另一種方式。”

Kevin Schawinski 是一名天體物理學(xué)家，他經(jīng)營著一家名為 Modulos 的人工智能公司，他認(rèn)為一種名為生成模型的技術(shù)提供了第三種了解宇宙的方式。

一些科學(xué)家僅僅把生成模型及其它新技術(shù)當(dāng)作傳統(tǒng)科研中的工具，但是大多數(shù)研究者都認(rèn)為 AI 的影響力巨大，并且在科學(xué)研究領(lǐng)域會發(fā)揮越來越大的作用。費米國家加速器實驗室的天體物理學(xué)家 Brian Nord 使用人工神經(jīng)網(wǎng)絡(luò)來研究宇宙。他擔(dān)心沒有什么是不能通過自動化完成的事情，“這個推測倒是有點令人恐慌?！?/p>

來自“生成”的探索

從研究生畢業(yè)時起，Schawinski 就因用數(shù)據(jù)驅(qū)動科學(xué)研究而聞名。在攻讀博士學(xué)位期間，他面對的任務(wù)是，根據(jù)星系的外觀數(shù)據(jù)對數(shù)千個星系進(jìn)行分類。因為沒有什么現(xiàn)成的軟件能幫助他完成這項工作，他決定用眾包的方式完成這項工作——于是，銀河動物園（Galaxy Zoo）公民科學(xué)項目誕生了。

從 2007 年開始，普通的電腦用戶只要記錄下他們推測的星系最佳歸類，就能幫助到天文學(xué)家。通過多數(shù)票勝出來判定，通常能帶來正確的分類結(jié)果。

這是一個成功的項目，但 Schawinski 也注意到， AI 讓這個模式過時了——今天，一個具有機器學(xué)習(xí)和云計算背景的天才科學(xué)家只需要花費一個下午就能完成這個工作。

在 2016 年，Schawinski 把目光投向了生成模型，這個強大的新工具。本質(zhì)上來說，生成模型是在求解，當(dāng)給定條件 X 和觀測結(jié)果 Y 時，概率 P(X,Y) 有多大。這個方法已經(jīng)被證明是非常有效的。

生成模型中最為著名的就是生成對抗網(wǎng)絡(luò)（GAN）。經(jīng)過充分的訓(xùn)練后，GAN 模型能夠修復(fù)損壞和像素缺失的圖像，也能讓模糊的圖像變得清晰。該模型通過競爭（對抗）來學(xué)習(xí)推斷缺失的信息，這個神經(jīng)網(wǎng)絡(luò)的一部分被稱作生成模型（generator）：生成虛擬的數(shù)據(jù)；另一部分被稱為判別模型（discriminator）：把生成出來的虛假數(shù)據(jù)和真是數(shù)據(jù)分割開來。兩個部分交替訓(xùn)練，逐步優(yōu)化（類似于博弈）。

或許，你已經(jīng)看過最近流傳甚廣的GAN生成的假面孔。正如那個標(biāo)題所言“這些人并不存在卻又真實得嚇人”。

上面看到的臉孔都不是真實的，上面的 A 列，和左側(cè)的 B 列都是由生成對抗網(wǎng)絡(luò)（GAN）使用真實的面部元素構(gòu)建的。然后，GAN 將 A 中的面部的基本特征（性別，年齡和臉形）與 B 中的面部的精細(xì)特征（頭發(fā)顏色、眼睛顏色）相結(jié)合，構(gòu)建出了上圖表格中的所有人臉圖像。

潛在空間

概括地說，生成模型獲得數(shù)據(jù)（大多數(shù)是圖像），并把他們分解成抽象的基本要素——科學(xué)家將其稱為數(shù)據(jù)的“潛在空間”。算法能控制潛在空間中的元素，以此來探究這些元素如何影響原始的數(shù)據(jù)。這個方法有助于揭示該系統(tǒng)運作的物理過程。

潛在空間是一個抽象的難以想象的概念。不過我們可以做一個類比：當(dāng)你在試圖確定一個人臉的性別時，你的大腦可能在做什么呢？也許會注意到人的發(fā)型、鼻子的形狀，甚至在運用一些你無法用言語描述的判斷模式。同樣的，計算機程序也在數(shù)據(jù)中尋找顯著的特征。即便計算機并非不知道什么是性別，什么是小胡子，但如果我們提供給機器學(xué)習(xí)系統(tǒng)的數(shù)據(jù)集標(biāo)注了“男性”和“女性”，并且一部分人還有一個標(biāo)簽叫“小胡子”，計算機能快速地推斷出其中的關(guān)聯(lián)性。

生成模型與星系演化

12月發(fā)表在《天文學(xué)與天體物理學(xué)》（Astronomy & Astrophysics）上的一篇論文中，Schawinski 與他在蘇黎世聯(lián)邦理工學(xué)院的同事 Dennis Turp 和 Ce Zhang 使用生成模型來研究星系在演化過程中所經(jīng)歷的物理變化。

因為他們使用的軟件與 GAN 相似，但其在對潛在空間處理的技術(shù)與 GAN 有所差異，所以從技術(shù)角度來說這不是 GAN。他們的模型創(chuàng)建了人工數(shù)據(jù)集，去測試假設(shè)的物理過程。比如說，他們想知道恒星形成的“淬熄”（形成速率快速下降）與星系環(huán)境密度的增加之間的關(guān)系。

對 Schawinski 來說，關(guān)鍵問題是僅從數(shù)據(jù)中能挖掘出多少和恒星與星系演變相關(guān)的信息?！白屛覀兺鼌s所有的關(guān)于天體物理學(xué)的知識。僅依靠數(shù)據(jù)本身，我們能在多大程度上重新發(fā)現(xiàn)這些知識？”

首先，星系的圖片被壓縮至他們的潛在空間，然后 Schawinski 在這個空間中調(diào)整元素，使其能對應(yīng)上星系的特定環(huán)境變化，比如周圍物質(zhì)的密度。這樣就有了一個假設(shè)生成器。通過重構(gòu)這個星系，讓大量原本處于低密度環(huán)境中的星系處于高密度環(huán)境中以此來看看帶來了什么不同。

這三位研究者注意到隨著星系從低密度環(huán)境走向高密度環(huán)境，它們的顏色會變得更紅，恒星也變得更加集中。Schawinski 指出這一點與現(xiàn)有的星系觀測相吻合，問題是，為什么會這樣？

Schawinski 說，后續(xù)的工作還沒有實現(xiàn)自動化，“人類必須參與其中，那么，什么樣的物理原理可以解釋這種效應(yīng)？”對于這個過程，可能有兩種解釋，一是在高密度環(huán)境中，星系更紅是因為其中包含了更多的塵埃；或者是因為恒星的形成減少了（換句話說，恒星更老了）。

現(xiàn)在有了生成模型，這兩種思路都能接受檢驗。改變與與塵埃和恒星形成率相關(guān)的潛在空間元素，就能觀測這種改變對星系顏色的影響。Schawinski 說：“答案很顯然，星系更紅是因為恒星形成率在下降，而不是因為塵埃。因此，我們應(yīng)該采納這個解釋?！?/p>

利用生成模型，天體物理學(xué)家可以研究星系如何從低密度環(huán)境走向高密度環(huán)境，以及這些變化背后的物理原理。

生成模型相較于傳統(tǒng)方式的優(yōu)勢

這種方法與傳統(tǒng)的模擬方法相近，但與之有關(guān)鍵的差別。Schawinski 表示：“模擬本質(zhì)上是由假設(shè)驅(qū)動的。也就是說，我們自認(rèn)為已經(jīng)洞悉了觀測現(xiàn)象背后的物理法則。所以，我們把恒星形成規(guī)律、暗物質(zhì)行為的原理等等這些我們自認(rèn)為正確的假設(shè)放在一起，模擬運行。但是，模擬環(huán)境真的與實際情況吻合嗎？”。他用生成模型所做的事情與模擬完全相反，“我們不知道任何事情，不做任何假設(shè)，我們希望數(shù)據(jù)本身能告訴我們可能會發(fā)生什么?！?/p>

生成模型在這項研究中取得的成功并不意味著天文學(xué)家和研究者就是多余的。但這似乎提醒研究者們——僅僅掌握了大量數(shù)據(jù)的人工智能系統(tǒng)就能夠完成對天體物理學(xué)的學(xué)習(xí)。Schawinski 說：“這不是完全自動化的科學(xué)，但這意味著我們至少有能力去構(gòu)建部分工具，使科學(xué)過程自動化。”

雖然生成模型非常強大，但這是否真的代表了一種新的科學(xué)研究方法還有待商榷。

對于紐約大學(xué)和 Flatiron 研究所的宇宙學(xué)家 David Hogg 來說，這項技術(shù)令人印象深刻，但充其量也只是一種從數(shù)據(jù)中提取模式特征的復(fù)雜方法——這是天文學(xué)家?guī)讉€世紀(jì)以來都在做得事情。換而言之，這是觀測、分析的高級形式。

和 Schawinski 相同，Hogg 的工作也充分應(yīng)用人工智能；他一直在利用神經(jīng)網(wǎng)絡(luò)來對恒星進(jìn)行基于光譜特征的分類，并使用數(shù)據(jù)啟動的模型來推斷恒星的其他物理屬性。但是他認(rèn)為他的工作和 Schawinski 的一樣，都是經(jīng)過檢驗的科學(xué)。Hogg 表示：“我不認(rèn)為這是第三種方法。只是我們這個社群在對數(shù)據(jù)處理的方法上更加復(fù)雜而已。特別的是，我們越來越善于將數(shù)據(jù)與數(shù)據(jù)進(jìn)行比較。但是依我看來，我的工作仍然是在做觀測?！?/p>

人工智能：

勤奮而“難以捉摸”的科研助手

無論在概念上是否有創(chuàng)新性，人工智能和神經(jīng)網(wǎng)絡(luò)已經(jīng)顯然在當(dāng)代天文學(xué)和物理學(xué)研究中發(fā)揮了關(guān)鍵作用。在海德堡理論研究所工作的物理學(xué)家 Kai Polsterer 領(lǐng)導(dǎo)著一個天體信息學(xué)小組，這個小組主要關(guān)注以數(shù)據(jù)為中心的天體物理學(xué)研究新方法。從星系數(shù)據(jù)集中提取紅移信息曾經(jīng)是一項艱巨的任務(wù)，而現(xiàn)在他們小組使用機器學(xué)習(xí)算法就能解決這個問題。

Polsterer 認(rèn)為這些基于基于人工智能的新系統(tǒng)是“勤奮的助手”，可以連續(xù)處理數(shù)據(jù)數(shù)個小時而不抱怨單調(diào)無聊，不抱怨工作條件。這些系統(tǒng)可以完成所有枯燥乏味的繁重工作，研究者就能脫身去做“又酷又有趣的科學(xué)工作”。

Polsterer 警告說，這些系統(tǒng)并不是完美的，算法只能去做他們被訓(xùn)練過的事情，系統(tǒng)對輸入的數(shù)據(jù)是“無感覺的”。給 AI 系統(tǒng)一張星系圖片它可以估算其紅移和年齡，但是你給同一個系統(tǒng)一張自拍照或者一張臭魚爛蝦的照片，它也會照方抓藥估算出一個（錯誤的）年齡。Polsterer 認(rèn)為，人類科學(xué)家的監(jiān)督工作非常重要。工作還是要回到研究者身上，研究者才是要負(fù)責(zé)解釋這些現(xiàn)象的人。

就這一點而言，費米實驗室的 Nord 警告道，神經(jīng)網(wǎng)絡(luò)不僅要給出結(jié)果，也要給出相關(guān)的誤差線，如果在科學(xué)研究中，你做了一個測量但沒有報告相關(guān)的誤差估計，就沒有人會認(rèn)真對待這個結(jié)果。

就像許多的人工智能研究員一樣，Nord 也關(guān)注神經(jīng)網(wǎng)絡(luò)給出的結(jié)果的可解釋性，通常來說，一個 AI 系統(tǒng)在給出結(jié)果時無法明確地表示出這個結(jié)果是如何獲得的。

然而，并不是每個人都覺得結(jié)果不透明是一個必須關(guān)注的問題，法國CEA Saclay理論物理研究所的研究員 Lenka Zdeborová 指出，人類的直覺同樣難以捉摸，給你看一張貓的圖片，你能立刻認(rèn)出這是一只貓，但是你并不知道你是怎樣做到這一點的，從這個角度上來說，人的大腦就是個黑盒。

并不僅僅是天體物理學(xué)家和宇宙物理學(xué)家在向人工智能助力、數(shù)據(jù)驅(qū)動的科學(xué)研究發(fā)展。Perimeter 理論物理研究所和安大略滑鐵盧大學(xué)的量子物理學(xué)家 Roger Melko 已經(jīng)使用神經(jīng)網(wǎng)絡(luò)來解決該領(lǐng)域中的一些最棘手最重要的問題，例如多粒子系統(tǒng)的波函數(shù)的數(shù)學(xué)表示。

因為波函數(shù)的數(shù)學(xué)形式可能會隨著它所描述的系統(tǒng)中的粒子數(shù)量呈指數(shù)級增長，這被 Melko 稱為是“指數(shù)維度詛咒”，在這樣的工作中 AI 就是不可缺少的組成部分了。

這個困難類似于在國際象棋和圍棋中找到最好的走法：玩家會試圖多看一步，想想對手會出什么招，然后再選擇自己的最佳應(yīng)對策略。但是隨著思考步數(shù)的增加，復(fù)雜性也大為增加。

當(dāng)然， AI 已經(jīng)攻克了這兩個領(lǐng)域。 1997 年 5 月 11 日，深藍(lán)計算機在國際象棋領(lǐng)域戰(zhàn)勝了人類；2017年4月10日，AlphaGo 戰(zhàn)勝了柯潔，AI 在圍棋領(lǐng)域戰(zhàn)勝了人類。Melko 認(rèn)為，量子物理學(xué)也面臨同樣的問題。

機器的思想

無論是 Schawinski 所聲稱的他找到的是科學(xué)研究的“第三方法”，還是如 Hogg 所說的這“僅僅是傳統(tǒng)上的觀測和數(shù)據(jù)分析”。我們可以明確的是， AI 正在改變科學(xué) 探索的方式并且在加速科學(xué)發(fā)現(xiàn)，值得探討的是，這場 AI 革命在科學(xué)領(lǐng)域能走多遠(yuǎn)？

有時候，人們會對“人工智能科學(xué)家”的成就大肆褒獎。十年前，一個名叫亞當(dāng)?shù)?AI 機器人化學(xué)家研究了面包師傅的酵母的基因組，并找出了負(fù)責(zé)制造某種特定氨基酸的是哪些基因。（亞當(dāng)觀察缺少某些特定基因的酵母菌落，并與擁有這些基因的菌落的行為進(jìn)行比較，由此找到差異完成研究。）

當(dāng)時Wired雜志的標(biāo)題是：機器人獨立完成科學(xué)發(fā)現(xiàn)。

最近，格拉斯哥大學(xué)的化學(xué)家 Lee Cronin 在使用機器人去隨機混合化學(xué)物質(zhì)，由此來觀測會形成什么樣的化合物，并通過質(zhì)譜儀、核磁共振機和紅外分光計實時監(jiān)控反應(yīng)，這個系統(tǒng)最終能學(xué)會預(yù)測哪些組合的化學(xué)反應(yīng)最為劇烈。Cronin 表示即使這個系統(tǒng)不能帶來新的發(fā)現(xiàn)，機器人系統(tǒng)也能讓化學(xué)家的研究效率提高 90%。

去年，蘇黎世聯(lián)邦理工學(xué)院的另一組科學(xué)家們在訓(xùn)練神經(jīng)網(wǎng)絡(luò)從數(shù)據(jù)中推導(dǎo)物理定律。他們的系統(tǒng)類似于“機器人開普勒”，利用從地球上觀測到的太陽和火星的位置信息，重新發(fā)現(xiàn)了日心說；并且通過觀測小球碰撞模型發(fā)現(xiàn)了動能守恒。因為物理定律通常會有多種表述形式，科學(xué)家們想知道這個系統(tǒng)能否提供種更簡潔的方法來思考已知的物理定律。

這些都是 AI 啟動、助力科學(xué) 探索的例子。盡管在每一個例子中，這些新方法的革命性都會收到爭議。但在這個信息浩如煙海且高速增長的時代，最值得商榷的問題可能是：僅從數(shù)據(jù)中，我們能獲得多少信息？

在《The Book of Why: The New Science of Cause and Effect》一書中，計算機科學(xué)家 Judea Pearl 和科學(xué)作家 Dana Mackenzie 斷言到：數(shù)據(jù)“愚蠢至極”。他們寫到： 關(guān)于因果性的問題“永遠(yuǎn)不能僅憑數(shù)據(jù)去尋找答案”。

“每當(dāng)你看到以無模型的方式分析數(shù)據(jù)的論文或研究時，你可以肯定的是這項研究成果僅僅是總結(jié)，或許做了轉(zhuǎn)述，但絕對不是在解釋數(shù)據(jù)。”Schawinski 對 Pearl 的觀點抱有同感，“只使用數(shù)據(jù)”這個想法有點類似于“稻草人”。他也從未生成以這樣的方式做因果推斷。他想說的是：“和我們通常的工作相比，我們可以用數(shù)據(jù)多做點事。”

另一個經(jīng)常聽到的觀點是： 科學(xué)需要創(chuàng)造力。

可是到目前為止，我們還不知道，如何將創(chuàng)造力編入計算機。（Cronin 的機器人化學(xué)家只是在簡單地嘗試科研工作，似乎不能算是特別有創(chuàng)造力）Polsterer 認(rèn)為：“創(chuàng)建一套理論，有理有據(jù)的理論，我認(rèn)為需要創(chuàng)造力，而創(chuàng)造力離不開人類。”

然而，創(chuàng)造力來自何方呢？Polsterer 懷疑這和 不喜歡無聊 有關(guān)，這恐怕是機器所沒有的體驗?！耙獡碛袆?chuàng)造力，你必須厭惡無聊，然而我認(rèn)為電腦就永遠(yuǎn)不會感受到無聊?！比欢皠?chuàng)造力”、“靈感”卻常常用來描述深藍(lán)、AlphaGo 這樣的 AI 程序。我們在描述機器的思想時的困難映射出我們在描述自己思維過程時的困難。

Schawinski 最近離開了學(xué)術(shù)界，去了私人企業(yè)。他現(xiàn)在經(jīng)營著一家名為 Modulos 的初創(chuàng)公司，該公司雇傭了許多聯(lián)邦理工學(xué)院的科學(xué)家。根據(jù)該公司的網(wǎng)站介紹，該公司位于“人工智能和機器學(xué)習(xí)這股風(fēng)潮的風(fēng)眼中”。無論當(dāng)前人工智能技術(shù)和成熟的人工智能之間存在多大的差距，他和其他專家都認(rèn)為機器已經(jīng)準(zhǔn)備好了去完成更多的科學(xué)家的工作。不過，AI 的局限性還有待考證。

Schawinski 暢想道：“在可以預(yù)見的未來，有沒有可能去制造出一臺能過發(fā)現(xiàn)物理定律、數(shù)學(xué)原理的機器，甚至超越當(dāng)今最聰明的人類的能力極限？科學(xué)的未來終將被人力所不能及的機器所掌握么？這是一個好問題，但我不知道答案?！?/p>

推薦閱讀

Nature機器智能：破解因果推斷難題

物理學(xué)家要失業(yè)？機器學(xué)習(xí)能自學(xué)量子力學(xué)！

做科研做到絕望是一種什么樣的體驗？

科研投入越來越多，重大成果的產(chǎn)出卻越來越少？

要不要加入我們？一起影響世界！

集智俱樂部QQ群｜877391004

商務(wù)合作及投稿轉(zhuǎn)載｜swarma@swarma.org

搜索公眾號：集智俱樂部

加入“沒有圍墻的研究所”

讓蘋果砸得更猛烈些吧！