陶哲轩谈人工智能、开普勒与数学发现的演进
世界顶尖数学家之一陶哲轩在一次访谈中，揭示了开普勒和牛顿历史性科学突破与人工智能影响下数学研究即将到来的变革之间深刻的相似之处。在与德瓦尔凯什·帕特尔（Dwarkesh Patel）的对话中，陶哲轩分析了人工智能如何加速假说生成、重塑数据分析方法，并从根本上重新定义科学探究过程本身。
科学方法的起源：开普勒、牛顿与经验发现
开普勒制定行星运动定律的历程，是经验主义坚持不懈的典范。最初，开普勒依赖哥白尼的日心说模型，并坚信柏拉图多面体的几何完美性，试图将行星轨道纳入这些理想形式。他最初的假说，尽管具有美学吸引力，却与现实不符。转折点出现在他获得了第谷·布拉赫（Tycho Brahe）精心收集的天文数据之后。尽管最初有所抵触，开普勒最终还是利用这份前所未有的精确数据集，艰苦地推导出了他的三定律：椭圆轨道定律、等面积定律以及行星轨道周期与它到太阳距离之间的关系。这一过程强调了准确、可验证数据以及在面对矛盾证据时放弃既定理论的意愿所扮演的关键角色。
一个世纪后，艾萨克·牛顿（Isaac Newton）提供了理论框架，解释了开普勒的经验观测结果。如果说开普勒描述了行星“如何”运动，那么牛顿则解释了“为何”运动。他的万有引力定律和运动定律提供了一个统一的、演绎的解释，将一系列观测到的规律转化为连贯的物理理论。这种从通过数据分析进行的归纳式发现到通过基本原理进行的演绎式解释的转变，凸显了科学进步的两个互补支柱。
人工智能作为假说加速器
陶哲轩将开普勒迭代的、试错的方法与现代人工智能系统，特别是大型语言模型（LLMs）的能力，进行了引人注目的类比。他将开普勒比作一个“高温”语言模型——一个能够生成大量假说的系统，其中许多可能看起来是随机或不正确的，但有时会从中涌现出深刻的见解。陶哲轩指出，关键因素是存在一个可靠的、可验证的数据集，类似于第谷·布拉赫的观测数据，可以据此严格检验这些人工智能生成的假说。这表明人工智能有望彻底改变科学发现的初始探索阶段，快速筛选出人类需要数百年才能分析的可能性。
传统的科学方法通常始于观察，接着是假说形成和实验验证。然而，陶哲轩指出，现代科学，特别是随着“大数据”的出现，发生了重大转变。如今，这一过程越来越多地涉及首先收集海量数据集，在其中识别模式，然后才形成假说。从某种意义上说，开普勒预见到了这一点，他从最初的理论偏见转向了经验性的、数据驱动的方法。这种演变意味着，人工智能凭借其处理和分析海量信息的无与伦比的能力，非常适合在这种以数据为中心的新范式中推动科学进步。挑战在于如何从大量人工智能生成的关联中提取有意义的、可推广的见解，避免陶哲轩所说的“糟粕”。
科学方法的演进可以追溯到几个关键范式：
- 理论： 制定通用原理和模型来解释现象。
- 实验： 通过受控观察来检验理论假说。
- 数值模拟： 使用计算机建模来测试理论和预测系统行为。
- 大数据分析： 基于海量数据集识别模式并形成假说。
挑战与协同：人工智能在数学研究中的未来
尽管人工智能在假说生成和数据分析方面提供了前所未有的强大能力，但访谈也探讨了关键挑战。其中之一是“演绎悬空”的概念——即人类是否能真正理解并从人工智能解决的问题中提取有意义的见解，特别是当解决方案不透明或基于复杂、非直观的模式时。另一个挑战是已发表的人工智能发现中的“选择偏差”，即只突出成功的结果，这可能会扭曲对整体进展的认知。
陶哲轩强调，数学和科学发现的未来很可能由“人类+人工智能混合体”主导。这种协作模型利用人工智能的计算能力进行探索和验证，而人类的直觉、创造力以及将不同概念综合成连贯理论的能力仍然不可或缺。开发一种“半形式化语言”来弥合人类理解与人工智能操作逻辑之间的沟通鸿沟变得至关重要。这预示着一个人工智能补充而非取代人类科学努力的未来，从而带来更深广的科学理解，尽管在传统意义上不一定更“深刻”。
关键要点：
- 人工智能作为假说生成器： 人工智能，很像开普勒，可以快速生成并测试大量假说，在可验证数据可用时加速科学发现。
- 科学方法的转变： 现代科学越来越多地在形成假说之前进行大数据分析，这一过程非常适合人工智能的能力。
- 验证的必要性： 大量人工智能生成的想法需要严格检验，以将有价值的发现与“糟粕”区分开来。
- “演绎悬空”： 人类理解复杂人工智能解决方案的挑战凸显了开发解释人工智能驱动发现方法的重要性。
- 未来是混合智能： 最富有成效的前进道路是人类与人工智能之间的协同作用，两者都为科学探究过程贡献独特的才能。
— Editorial Team
暂无评论。