研究人员创造了一个可以在虚构宇宙中推导出物理定律的“人工智能物理学家”。
教学AI如何结合较小的模型来理解复杂的情况一直是机器学习研究的主要障碍。
麻省理工学院的两位研究人员创造了一个“AI物理学家”，能够产生关于虚构宇宙物理定律的理论。它标志着创建机器学习算法迈出了重要一步，这些算法不仅能够找到模式，而且可以从这些模式中进行推断，以预测未来。这将为完全由人工智能完成的科学发现奠定基础。
当为AI提供数据集时，它会分析此数据集以创建模型。该模型的性质取决于任务。例如，如果我想训练AI来识别猫，我可以为它提供数千张猫图片，这样算法可以从每张照片中的类似特征推广出来，以创建猫的模型。
人工智能创建模型的方式类似于科学家使用理论从现象的特定实例推广到类似环境中的所有实例的方式。然而，有一个至关重要的区别。
在上面的例子中，人工智能被喂食已经聚焦在猫身上的照片。一个更艰巨的任务，一个类似于科学进程的任务，就是在相似的环境中喂养猫的AI图片，例如森林。使用此数据集，创建猫模型的AI将不得不忽略不相关的细节（例如所有植物）并且只关注猫。或者，它可能会到达一个模型，描绘所有猫生活在森林中。如果你然后给你的AI喂了一张睡在你床上的猫的图片，它将无法识别它，因为它的模型有问题。
尽管人工智能并非完全错误 － 但是有许多猫科动物只生活在森林中 － 它错误地创建了一个大型模型并试图将该模型与所有数据相匹配。一种更富有成效的方法，也就是科学家所使用的方法，是创建适用于观测数据子集的小模型或理论，然后将这些小理论加在一起，直到你希望得到“ 一切理论”。
教学AI如何划分数据以创建可以添加到一起以创建更大模型的小模型已被证明对于机器学习研究人员来说是非常具有挑战性的。然而，正如上周发给arXiv 的一篇论文所详述的那样，来自麻省理工学院的两位物理学家Tailin Wu和Max Tegmark已经向他们的“AI物理学家”迈出了重要的一步。
为了实现这一目标，Tegmark和Wu赋予他们的机器学习算法四种策略，这些策略也被人类科学家使用，因此它可以产生关于复杂观测的理论。这些策略是分而治之的（产生多种理论，每种理论只适合数据的一部分），Occam的剃刀（使用最简单的理论），统一（结合理论）和“终身学习”（尝试应用对未来问题的理论）。
在将这些策略编码到机器学习算法之后，Tegmark和Wu向它展示了一系列日益复杂的虚拟环境，这些虚拟环境由奇怪的物理定律控制，并且要求AI理解它。特别地，AI的目标是尽可能准确地预测物体在二维中的运动。这将要求AI为每个“神秘环境”生成独特的物理理论，以了解对象在该环境中的移动方式。
一个示例环境供给AI物理学家。这里，视场被分成四个象限，每个象限由不同的物理效应控制，例如重力或电磁场。点和线代表球在环境中的轨迹。根据球在环境中的移动方式，AI必须使用它所描述的策略来描述控制球运动的物理定律。
正如Tegmark和Wu发现的那样，随着环境变得更加复杂，AI物理学家越来越难以理解物理定律。总而言之，AI物理学家接触了40个不同的神秘环境，能够在超过90％的案例中产生关于管理它们的物理定律的正确理论。此外，Tegmark和Wu的AI物理学家能够将预测误差减少到比传统机器学习算法“十亿倍”。
这项工作可能会对人类未来科学的方式产生重大影响。特别是，它对于理解大量复杂的数据集尤其有用，例如气候建模或经济学中使用的数据集。实际上，世界上的下一个牛顿或爱因斯坦可能只是一些计算机代码。
