20世纪初，物理学发生了一系列危机，像恒星这样的放射物在每个波长发出的能量是有限的、明确的，但这与当时最佳理论相违背。当物体的移动速度接近光速时，牛顿的运动定律就不再适用了。在引力场最强的地方，比如离太阳最近的地方，从行星运动到星光的弯曲，都与万有引力定律的预测不同。
图为1920年的阿尔伯特·爱因斯坦。尽管爱因斯坦本人在物理学方面取得了许多成就，从狭义相对论和广义相对论到光电效应和统计力学，但他的一生中仍有许多问题无法解决。人工智能比爱因斯坦做得更好吗？
科学家们通过发展量子力学和广义相对论作出了解释，也彻底改变了我们对的宇宙的看法。像普朗克、爱因斯坦、海森堡、薛定谔、狄拉克等人常常被誉为最伟大的科学天才。毫无疑问，他们解决了一些极其复杂的问题，而且做得非常出色。但是人工智能（AI），很有可能会做得更好？
1919年爱丁顿远征观测结果表明，广义相对论描述了在大质量物体周围恒星光的弯曲，推翻了牛顿。图片：The Illustrated London News, 1919
爱因斯坦并不喜欢这个想法，他在1931年写的一本书中回顾了他最伟大发现时说到：有时我觉得自己是对的，却不知道原因。当1919年的日食证实了我时，我一点也不惊讶。事实上，如果不是这样，我会很诧异。想象力比知识更重要。
因为知识是有限的，而想象力可以拥抱整个世界，激励进步，孕育进化。严格地说，这是科学研究真正的关键因素。人类的大脑似乎天生就具有跨学科的联系，使我们能够以绝地反击的方式前进。科学上的突破——那些“我发现了”的时刻似乎一直都是人类独有的成就。但也许这并不是真的。
基普·索恩，罗恩·德雷弗和罗比·沃格特，是LIGO的第一任负责人，在巴里·巴瑞斯接管和改造LIGO之前，他们已经把LIGO变成了一套令人难以置信的天文观测台。第一个引力波探测器成功的想法、设计和执行是人类的一大努力，但它是人类独有的，还是人工智能已经达到了(甚至是高级的)设计？图片：the Archives, California Institute of Technology
在某些方面机器比人类做得更好。一台机器可以执行的计算数量，以及执行速度，远远超过了天才。几十年来，计算机程序已经能够解决人类无法解决的计算密集型问题。这不仅仅是为了解决像计算更多π的位数那样的蛮力问题，而是为了解决那些对于机器来说是难以想象的复杂问题。
在十多年的时间里，没有任何一位高手在国际象棋中击败顶尖的计算机程序。苹果的Siri是基于一个由darpa资助的计算机项目开发，该项目原本可以预测9/11事件的发生。全自动汽车正在取代人力驾驶汽车。在每一个案例中，曾经被认为是最好的解决方案，现今都被一个能更好地完成工作的人工智能所取代。
一辆被改装过的大众帕萨特汽车在自动驾驶汽车的测试中，人工智能完全取代了人类。图片：Alexander Koerner/Getty Images
人工智能并不只是一个你告诉它做什么它就做什么的简单计算机程序，相反，它是可以自主学习和适应环境。它可以在足够高级水平上编写自己的代码。我们在计算机视觉、语言翻译和自主机器人领域看到了具体案例。在科学领域，看到新的论文一直都在利用人类做不到而人工智能能做到的优势。
那些潜伏在NASA开普勒数据中的行星是人工智能发现的，人为编程的技术错过了它们。机器学习限制可能出现在大型强子对撞机上的新物理学。它让人怀疑是否人类能解决的任何问题，人工智能最终能否做的比人类更好。
随着第八颗行星的发现，开普勒-90系统是第一个与太阳系在行星数量上有联系的系统。最外层的行星（第八颗）是使用机器学习技术发现的，目前人类还无法做到。图片：NASA / W. Stenzel
这一想法正是罗杰·梅尔科在“圆周理论物理研究院”公开演讲的主题。在许多方面，量子波函数描述了从自由粒子到原子到离子到分子到多体系统的任何物理场景是最终的“大数据”问题。人工智能已经成功地应用于许多科学问题和领域，包括错误校正算法、张量网络、寻找量子物质的新状态等。
在人工智能可以应用的地方，它不仅改变和放大了我们从数据中学能知道的东西，同时也提供了新颖的预测，这些预测常常是人类闻所未闻的。如果人工智能在新的研究中激发出新思路，那这与爱因斯坦对“想象力”的定义有什么不同，它的价值有多大呢？
我们所认为的人类专属的东西，大多是我们大脑中发生的事情。如果一台机器或一个计算机程序能做到这一点，甚至做得更好。那这意味着什么？我们又能获得什么呢？图片：Perimeter Institute
如果在一个世纪以前人工智能就已经出现，那么计算机可能已经研究出了量子力学和相对论，但这是有争议的。随着21世纪人工智能和机器自主学习的到来，我们将会获知什么？
所以，这是一个我（罗杰·梅尔科）希望得到回答的大问题：今天需要人类的是什么，未来需要人类的是什么样？现在，人工智能和机器学习能够发现的信息大部分是基于如何成功地编程。但是，机器能自己设计出一种强制定律吗？它能提出相对论或者薛定谔方程吗？如果不能，那么在将来它能做到吗？我迫不及待地想知道答案（或许你也想知道）！
这给许多人带来了生存危机。在什么时候，人类变得过于依赖机器，失去了使我们成为优秀物种的技能？如果我们了解这些基本问题的答案，同时一台机器也发现了，我们能在它到来之前理解答案吗？而且如果机器能够学会提出问题并回答它们，我们会成为科学的贡献品吗？我想这件大事值得深思！
粒子物理学的标准模型解释了四种力（除重力外）中的三种，全部发现的粒子及其所有相互作用，从相关的量子场论中，也可以找出量子真空的性质。图片：Contemporary Physics Education Project / DOE / NSF / LBNL
它和自然界一样复杂，这难道不奇怪吗？我们认为它是由一些基本的力、粒子和相互作用所支配，然而它们加起来形成了一组难以置信的复杂结构。 让我们来看看这个临界是什么样子…以及人工智能如何告诉我们复杂性的前沿问题。
第二次世界大战时，想想这个事实：我们只能在量子层面上预测会发生什么。有什么能比一台机器擅长模拟系统和各种可能的结果，反复地估计类似的情况和其他潜在的结果呢？当然，想象一下，那些“预测”的技术，人类会突然很擅长吗？ 使用密码学来做这件事，但我们知道机器在几代人以前就能比当时最聪明的人做得更好。
军事Enigma机器在20世纪30年代后期和战争期间使用，“Enigma I”模型在意大利米兰博物馆展出。图片：Alessandro Nassiri / Wikimedia Commons
这是“ENIGMA”机器，它用很多信息加密一条消息，而且人类真的无法破解。如果没有密码本告诉你这台机器在某一天是如何设置的，你就无法解码。但是一个智能的机器，可以帮助你确定答案！
罗杰说：恩尼格玛密码机可以设置出10 ^ 20种可能，这相当于地球上所有海滩海洋中沙粒的数量。这是就是77年前的“复杂性前沿”，打破这一前沿的人名字叫：艾伦·图灵。
这是盟军用来破译恩尼格玛计算机的那台机器。图片：Screenshot from PI Live talk
艾伦·图灵是如何破解密码机的？他通过建立另一台机器，每天计算所有的设置和可能性，最终找到破解代码的办法。当密码被破译时，盟军可以任意监听在潜艇上进行的对话。罗杰正在带领我们参观计算机的发展历史：ENIAC、贝尔实验室、晶体管、超导、BCS、集成电路。当然，摩尔定律使今天的机器变得更加强大！
伊森·西格尔的新书《Treknology》探究了星际迷航系列中的28种经典技术。图片：Quarto / Voyageur Press, CBS / Paramount, and E. Siegel
《星际迷航》带来了巨大的影响：科技将如何影响和改善我们的日常生活？这是一个很好的类比：电路印在10纳米上的厚度是指甲每秒增长的长度。只要刮下来，就可以创造出一台电脑了！
这里有一个有趣的应用：水分子（或其他任何）如何随着时间的推移而发生变化。这个量子化学问题让人眼前一亮，因为它介于量子微观和宏观世界之间，然而你可以得到实际的、深入的量子效应来产生老派的模拟经典行为。顺便说一下，能够在计算上做到这一点是让人振奋的！
在超级计算机上模拟水分子可以穿越时空路径。图片：Screenshot from PI Live talk
在可观测的宇宙中有10^80个粒子，这就是为什么选择了数字2 ^ 268。当然他不计算光子或中微子，这会使其达到约10 ^ 90，或约2 ^ 298个。罗杰说：只有人类才能写诗，创造一件艺术品，画一幅画。但这里有一部完全由人工智能撰写的科幻迷你电影。可能故事情节是一派胡言，但这一创造的行为很有趣。相比于乔治·卢卡斯它多久就能写出更好的剧本？不少人也迫不及待地想看看这是如何展开的！
来看看现代“我们能做什么”。我们可以识别图片中的事物，因为有大量的数据和算法来识别“这张图片里的事物”。这项技术适用于树木、码头、宠物、饼干、人、脸等等。这就是计算机视觉领域，老实说，深度学习算法正在扼杀它。
人工智能是如何进行深度学习。图片：Screenshot from PI Live talk
人工智能是一个广泛的概念，但更深层次的是机器学习，然后是神经网络，其中“深度学习”是最先进的。人工神经网络基本上就像一个原始的大脑，它是以经验为基础进行学习。这是在上世纪80年代听到的一个的想法。
当时有人建造了一个像蟑螂的六足机器人，人们并没有教它走路，而是让它用自身的神经网络技术学会“走路”。过了几个小时后它走路的方式和地上蟑螂走路的方式一模一样。30多年过去了，现今已经扩大了这个范围，以便在照片中识别人脸物景等。
人工智能学习技术应用于单个原子(在模拟和图像中)的实验。真正的物理学是让人振奋的；当人工智能的出现和发展，是值得关注的，说不定某天就抢了你的工作…当然人工智能只是和它训练的一样好。如果在一个领域里让人工智能“亲身体验”，然后把它送到另一个领域进行工作和创造，这时就会有一些可怕的图像生成。
模拟和真实单个原子系统。图片：Screenshot from PI Live talk
这就是你在互联网上看到的那些奇怪人工合成图像的来源。但是如果你正确地训练人工智能的神经网络，它就可以“深度创造”一个前所未有的新结构。这些应用程序很吸引人，但它们是真实的吗？我们必须与现实进行比较才能找出答案。但从现实的角度来看，这只是来自机器的想法或幻想！
罗杰提出了一个令人难以置信的观点：人工智能有可能制造出一个反乌托邦。因为人工智能在你横穿马路时识别出你的脸部，因此你理所当然的要缴纳罚款，但这是合乎道德吗？我们关心这些事吗？我们担心终结者式的未来的到来，但机器会成为我们今天所害怕的恶棍吗？一些公司诚恳地告诉你智能隐形眼镜是真实的。最后，你可以看到谷歌眼镜增强现实的效果，而你却不像一个戴着谷歌眼镜的人。
IBM四量子位平方电路是一种开创性的计算方法，它可以使计算机强大到足以模拟整个宇宙。但量子计算领域仍处于起步阶段。图片：IBM research
当把量子计算机和人工智能结合起来时，下一步的发展可能是人类和机器都无法预测的。开普勒是用Brahe的数据领先牛顿，巴尔默系列领先原子/量子物理学。现在有一套在模式匹配方面比人类做的更好的AI算法。但方程式和定律呢？对此表示怀疑和谨慎的态度吧！
博科园-科学科普｜文：Ethan Siegel/Forbes Science/S.W.A.B
发表于 2018-5-24 14:11
收藏
分享