西安知名的集团门户网站建设企业,家装公司名称取名参考,男女做暧昧试看网站,wordpress离线字体导语一个能正确预测每个粒子物理实验结果、每个可能的化学反应产物或每个蛋白质的功能的先知将彻底改变科学和技术。然而#xff0c;科学家们不会完全满意#xff0c;因为他们想了解先知是如何做出这些预测的。这就是科学理解#xff08;scientific understanding#xff0…导语一个能正确预测每个粒子物理实验结果、每个可能的化学反应产物或每个蛋白质的功能的先知将彻底改变科学和技术。然而科学家们不会完全满意因为他们想了解先知是如何做出这些预测的。这就是科学理解scientific understanding科学的主要目标之一。随着可用计算能力的增加和人工智能的进步一个自然的问题出现了先进的计算系统特别是人工智能如何能够促进新的科学理解或自主地获得科学理解为了回答这个问题我们采用了科学哲学中对“科学理解”的定义这使我们能够概述关于这个主题的零散文献并结合科学家的几十个轶事绘制出计算机辅助科学理解的三个维度。对于每一个维度我们都回顾了现有的技术状况并讨论了未来的发展。我们希望这个观点能够启发和关注这个多学科的新兴领域的研究方向。AI for Science量子物理学物理化学科学哲学人工智能来源集智俱乐部作者Mario Krenn, Robert Pollice, Si Yue Guo, Matteo Aldeghi等译者刘志航审校梁金编辑邓一雪论文题目On scientific understanding with artificial intelligence论文链接https://www.nature.com/articles/s42254-022-00518-3目录1. 引言2. 科学理解3. 科学发现与科学理解4. 计算机辅助理解的三个维度5. 结语1. 引言人工智能AI被称为科学的革命性工具[1,2]并被预测将在未来的研究中发挥创造性作用[3]。例如在理论化学的背景下科学家认为人工智能可以以一种方式帮助解决问题使得人类无法区分是这种 [AI] 还是与人类专家交流[4]。然而并非所有科学家都认同人工智能带来的改变。有些人质疑先进的计算方法是否可以超越“数字”[5-9]并在根本层面上为获得新的科学理解scientific understanding做出贡献[10-12]。在本文中我们将讨论先进的计算系统尤其是人工智能如何为科学理解做出贡献我们概述了目前的可能性以及未来可能出现的情况。除了对文献的回顾我们还调查了数十名在生物学、化学或物理学交叉领域工作的科学家。这些个人叙述见补充资料集中于思想的具体发现过程是对科学文献的重要补充。我们在 Dennis Dieks 和 Henk de Regt 最近提出的科学理解的哲学理论背景下讨论了文献概览和个人叙述[12,13]。然后我们确定了人工智能有助于新的科学理解的三个基本层面图1。我们将所有先进的人工计算系统都囊括在人工智能这个术语之下与它们的工作原理无关。这样一来我们关注的是方法的目标而不是方法论本身。首先人工智能可以作为工具揭示物理系统的属性然后人类将这些洞察力提升到科学理解。第二人工智能可以作为新概念和想法的灵感来源随后被人类科学家理解和概括。第三人工智能可以充当理解的媒介。人工智能达到了新的科学见解而且重要的是可以将其理解传递给人类研究人员。尽管还没有任何例子表明人工智能在科学中充当了真正的“理解主体”agent of understanding但我们概述了这样一个系统的重要特征并讨论了实现它的可能途径。在前两个方面人工智能使人类获得新的科学理解而在最后一个方面机器自己获得理解。对这些类别的区分使我们能够描绘出一个充满活力且大多未被探索的研究领域并希望能够为自然科学中未来的人工智能发展指引方向。 图1. 计算机辅助科学理解的三个维度。目前最先进的计算显微镜可以用更复杂的系统进一步发展由于算法和硬件的进步这些系统可以被模拟并且有更先进的数据表示左侧面板。作为灵感的来源计算系统可以通过识别数据中的异常a识别科学文献中的出乎意料的发现b通过检查模型找到意外的概念c探索人工主体的行为d或者从可解释的解决方案中提取新概念e来帮助人类科学家。正文中讨论的科学理解测试在右边的面板上进行了说明。本文的重点是先进的计算系统和人工智能如何具体促进新的科学理解。有许多相关的、有趣的话题我们在这里无法涉及。例如我们将不讨论科学理解与认知科学之间的关系而是向读者推荐一个很好的概述[14]。此外我们将只讨论自然科学背景下的“理解”在自然科学中我们可以使用科学哲学中的具体标准因此我们不会触及更广泛背景下的“理解”比如婴儿和动物的理解人工智能中的语义理解以及相关话题。许多其他作品对相关问题有所贡献在此应该提及。人工智能的一个重要研究领域是可解释人工智能其目的是解释和说明先进的人工智能算法如何得出它们的解决方案例如见参考文献[15-18]。虽然没有必要而且我们认为也不足以解释人工智能的内部运作来获得新的科学理解但许多这些工具和技术可能非常有用。我们将在下面用自然科学中的具体例子来简要解释它们。人工智能先驱 Donald Michie 将机器学习ML分为三类弱人工智能、强人工智能和超人工智能其中超人工智能需要机器来教人[19]。超人工智能的机器学习与理解主体的概念有关我们将在下文中进行定义和详细介绍。一个非常有用的、可理解的科学计算和人工智能方法的集合可以在参考文献[20]中找到。参考文献[21]中描述了分子设计的不同自动化水平最后一步是由计算机来选择最初的想法。其他作品研究了基于特定科学方法的完全自动化可能是什么样子从而产生了“诺贝尔图灵挑战”[22]的想法即开发一个能够做出诺贝尔奖级别科学发现的人工智能系统。我们注意到我们的观点有目的地不依赖于任何特定的科学方法以避免基础层面的问题[23]。相反我们专注于科学家如何获得“科学理解”以及先进的人工智能如何帮助人类获得新的科学理解。2. 科学理解想象一个先知可以提供永远正确的重要预测。尽管这样一个假设的存在会产生重大的科学影响但科学家们并不满足。他们希望“能够掌握预测是如何产生的并对具体情形下的后果产生感觉”[13]。通俗地说我们把这个目标称为“理解”但这到底是什么意思呢为了找到科学理解的标准我们从科学哲学中寻求指导。尽管几乎没有科学家会反对将“理解”作为科学的基本目标与解释、描述和预测并列[24]但这种观点并不总是被哲学家所接受。卡尔·亨普尔Carl Hempel对澄清“科学解释”的含义做出了基础性的贡献他认为“理解”是主观的只是科学活动的心理副产品因此与科学哲学无关[25]。众多哲学家批评了这一结论试图正式确定“科学理解”的实际含义。这些提议表明“理解“与建立因果模型的能力有关例如开尔文勋爵说“在我看来‘我们是否理解物理学中的某一主题’的检验标准是‘我们能否为它建立一个机械模型’”[13]与提供可视化或明确表达正如其坚定的支持者埃尔温·薛定谔所称[26,27]有关或者理解对应于提供思想的统一性[28,29]。最近Henk de Regt 和 Dennis Dieks 发展了一种新的科学理解理论它既是背景性的也是实用性的[12,13,24]。他们发现诸如可视化或统一化的技术是“理解的工具”从而将以前的想法连接到一个总体框架中。他们的理论对正在使用的具体“工具”是不可知的这使得它在各种科学学科中的应用特别有用。de Regt 和 Dieks 扩展了海森堡Werner Heisenberg的见解[30]他们的理论背后的主要动机是“令人满意的科学理解概念应该反映科学的实际当代和历史实践”而不是仅仅引入理论或假设的想法。简单地说他们认为“如果存在一个关于 P 的可理解的理论 T使科学家能够在不进行精确计算的情况下认识到T的定性特征后果那么一个现象 P 就可以被理解”[12,13]。de Regt 和 Dieks 定义了两个相互关联的标准。理解现象的标准如果存在一个关于 P 的可理解的理论 T那么现象 P 就可以被理解。理论的可理解性标准一个科学理论 T 对科学家来说是可理解的在背景 C 中如果他们能够认识到T的定性特征后果而不进行精确计算。我们决定使用这个具体的理论因为它可以用来“实验”评估科学家是否“理解”了新的概念或想法而不是通过检查他们的方法论只看科学结果和后果。这种方法也与 Angelika Potochnik 的论点相吻合即“理解需要在某种意义上成功掌握理解的目标”[11]。3. 科学发现与科学理解科学理解和科学发现都是科学的重要目标。两者的区别在于没有新的科学理解科学发现是可能的我们在参考文献[12,13]中使用了精确的术语。让我们来研究三个例子。首先为了设计新的有机激光二极管的高效分子利用机器学习和量子化学的见解[31]探索了160万的搜索空间。排名第一的候选分子被实验合成并进行了研究。因此本研究的作者发现了具有非常高量子效率的新分子。尽管这些发现可能会产生重要的技术后果但这些结果并没有提供新的科学认识。从结果本身来看如果不进行进一步的详细计算就不能得出定性的结果。第二最近在蛋白质折叠方面由机器学习促成的突破[32,33]无疑将改变生物化学的面貌。然而到目前为止AlphaFold 一直是一个黑盒子一个神谕因此它并没有直接提供 de Regt 和 Dieks 意义上的新的科学理解。第三物理学中的许多发现是在提供科学理解的理论或解释被发现之前有时是很久之前发生的。例子包括超导的发现及其高温版本、宇宙微波背景的发现、中微子振荡以及在夸克模型发明之前发现的粒子动物园。这些例子表明科学发现可以导致科学和技术的破坏而不直接促进科学理解[11,24]。在过去的几年里在人工智能和自然科学之间工作的科学家们一直试图用机器来重新发现物理规律或概念。例子包括日心世界观[34]、时间之箭[35]或运动的机械方程[36,37]。这些应用是很好的基准表明这些算法在原则上是可行的。然而问题是一个能够重新发现物理规律和概念的人工智能是否也能够为新的科学理解做出贡献。我们认为这并不能保证。这些人工智能系统的人类创造者知道他们在这些案例研究中寻找的是什么。因此目前还不清楚如何防止代码或数据中的有意识和无意识的偏见在最广泛的意义上例如通过选择特定的代表。因此即使算法能够重新发现有趣的物理现象也不清楚是否以及如何通过发现新的科学思想来推动科学发展。为了超越重新发现的任务人们需要明确地关注如何获得“新的”科学理解的问题。宽泛地说从先进的计算系统中获得新的理解意味着发现新的想法、原则、概念甚至理论科学家们可以在不同的情况下应用和使用这些想法、原则、概念或理论而不需要完整的计算。在接下来的章节中我们将概述如何做到这一点以前的方法已经取得了哪些成果以及我们如何能走得更远。4. 计算机辅助理解的三个维度正如在引言中已经提到的我们调查了科学文献并使用了几十位科学家的个人轶事。然后在科学哲学提供的框架内我们对人工智能对科学理解的贡献进行了新的分类这有助于描绘出未来研究的不同方向。我们称这种分类为“维度”因为它们是独立的、非排他的。一个人工智能系统可以通过三种方式对新的科学理解做出贡献。首先作为一个“计算显微镜”它可以提供尚无法通过实验手段获得的信息。第二作为一个“灵感来源”或人工缪斯扩大人类想象力和创造力的范围。在这两个方面人类科学家对于识别和完善新的洞察力和灵感并将其发展到充分理解是必不可少的。对于前者机器创造了新的数据并可能以先进的方式表示从而人类科学家从其中提取她的新理解。对于后者机器明确地寻找令人惊讶或有趣的新想法或意想不到的联系并将其呈现给人类科学家后者利用它们来达到新的科学理解。即使没有先进的计算系统或人工智能这两个层面也可以存在。然而人工智能可以大大促进和扩展它们的机会。第三个维度是人工智能作为“理解主体”代替人类对观察结果进行归纳并将这些新的科学概念转移到不同的现象中而且——重要的是——将这些见解传达给人类科学家。由于本视角的重点是人工智能辅助的新的科学理解我们强调这样一个理解主体必须能够将其见解传递给人类。我们将简要讨论一个不能传达其见解的主体的情况。上述的三个维度不应该被教条式地理解而是提供一个框架来指导未来的方向。在下面的章节中基于具体的例子我们更详细地讨论每个维度并提出推动目前可能的边界的途径。3.1 计算显微镜显微镜也许是最著名的仪器类型它可以考查肉眼看不见的物体和现象。同样地计算显微镜能够考查无法以任何其他方式可视化或探测的物体或过程例如在实验中无法获得的长度和时间尺度上发生的生物、化学或物理过程。在“理解”的背景下由计算显微镜产生的新的计算机数据需要在不完全计算的情况下被推广到其他环境中[13]。我们用两个具体的例子来说明这一点。第一个例子是 SARS-CoV-2 的分子动力学模拟。参考文献[38]的作者发现了新的生物功能这些功能在穗状蛋白的开放和封闭构象中表现出不同的行为。这一解释改变了人们对生物系统中糖类的看法并启发了分析这些系统的新方法而不需要进行全面计算。在第二个例子中参考文献[39]的作者描述了分子动力学模拟如何帮助他们发现称为糖块的基本模式。系统地使用糖块既可以用来理解生物大分子的序列-结构-属性关系又可以为设计具有所需功能的合成结构提供信息而不需要模拟整个系统。计算显微镜可以进一步改进吗我们讨论了两个充满活力的方向。首先更先进的计算系统将允许对越来越复杂的物理系统进行分析。第二以更可解释的方式表示信息将促进科学洞察力的提取。越来越复杂的系统一个明显的但也是重要的研究方向是提高计算机模拟的复杂性和准确性[40]。例如增加模拟系统的规模、模拟的时间尺度和可模拟的相互作用的数量将大大增强研究复杂动态系统的能力。一般来说这种进步可以通过算法或硬件的改进来实现或者两者都有。在这方面我们预计人工智能技术与先进的硬件如 GPU、TPU 甚至 OPU [41,42]将产生巨大的影响。此外用于量子化学[43]和物理学[44-46]的实验性量子计算的进展表明基于量子力学的全新算法将在这个领域发挥重要作用[47,48]。算法的改进可能涉及到模拟过程中的自适应和智能解析以及先进的可视化方法[13]这直接导致了未来发展的第二个方向。先进的数据表示在计算机辅助理解的第一个维度中人类科学家应该对来自计算显微镜的新数据进行概括。因此我们认为数据表示的进步可以极大地帮助人类掌握基础结构促进新的科学理解。科学家们目前主要是在可能是动画的二维图形表示中分析数据。我们相信真正的 3D 环境通过虚拟或增强现实眼镜或全息技术实现将大大有助于对复杂系统或复杂数据的理解。这方面的初步进展已经在化学[49-51]和天体物理学[52]中得到证明我们期望这将成为科学家的标准工具。此外时间维度可以用来表示更多的结构化数据例如通过视频 3D 视频。另外声音也可以作为一个额外的数据维度因为人类的听觉在检测周期性时间相关数据的结构或对称性方面非常出色。这个机会已经在高能物理学[53]和天文学[54]的几十个项目中得到了探索。一个强大的算法也许能够识别基础数据中的对称性并将其投射到带有声音的三维视频中这可能有助于人类识别并随后理解计算显微镜所产生的数据中的新属性。3.2 灵感的来源令人惊讶和有创意的想法是科学进步的基础。计算机算法可以系统地激发这种想法从而大大加快科技进步。早在 70 年前阿兰·图灵就指出“机器让我吃惊的频率很高”[55]。最近的一项研究[56]收集了几十位人工生命和进化研究者的故事。这些轶事展示了计算机算法如何“产生令人惊讶和创造性的解决方案”。因此我们认为人工智能在隐喻意义上可以成为科学的人工缪斯。接下来我们将概述计算机算法可以为新的科学思想提供灵感来源的若干方式。识别数据中的异常从实验或模拟中获得的特殊数据点或意外的规律性可以引发新的想法和概念。我们的调查显示这些例外点通常是由人类来识别的比如以下两个例子它们使用的是化学[57]和量子光学[58,59]中的高通量计算。第一个例子涉及到高压物理学中晶体结构的一个意外相。在参考文献[60]中作者发现了一个意外的 NH2 和 NH4 层交替的稳定构型而不是密集的 NH3 相。他们将这一现象概念化为自发电离这是酸碱化学中的一个常见过程现在在 NH3 的高压相图中是一个被广泛接受的现象。物质高压行为中的自发电离已经成为一个比较普遍的原则不需要进行任何模拟就可以使用。在第二个例子中寻找新的量子实验发现了一个具有比预期大得多的量子纠缠的解决方案[58]。该研究的作者理解了基本原理从而发现了纠缠产生的新概念[61,62]。该原理可以在没有任何计算的情况下使用例如现在作为更先进的人工智能系统中的量子物理学的新代表[63]证明了计算机启发的想法在更普遍的不同背景下的应用。与这些例子相比数据异常可能表现为更多的变量组合这对人类来说可能是非常难以把握的。因此将先进的统计方法和机器学习算法例如参考文献[64]应用于这种类型的问题将是未来的一个重要研究方向。在自主异常检测方向上令人振奋的工作已经被应用于欧洲核子研究中心的大型强子对撞机LHC的科学数据[65-67]见最近关于这个主题的评论[68]。这种技术有可能识别新的物理学特征然后由人类物理学家进行概念化和理解[69,70]。一种有趣的检测异常值的技术以前曾用于发现量子相就是撇开一个或一些训练实例观察神经网络的后果[71]。通过 Hessians 的计算引入影响函数是识别单个训练实例影响的一种计算效率高的方法[72]。自主发现对称性的神经网络可以成为科学数据中异常值的有效发现工具因为其中的基本规则可能事先并不知道[73,74]。估计预测的置信度将是另一种直接搜索数据中异常点的方法[75]。揭开隐藏的规律性的能力在数学中得到了证明其中一个人工智能暗示了纽结理论中以前没有联系的不变量之间的关系这使得数学家能够猜想并证明新的定理[76]。另外一个能够构建新的科学假设的人工智能可以发现标准统计方法无法辨别的异常值或意外模式。看到人工智能发现以前被人类忽视的科学数据中隐藏的模式或不规则现象这将是真正令人兴奋的这可能导致新的想法并最终导致新的概念理解。截至目前我们还没有意识到这样的案例。最后我们注意到这些分析的数据点可以从计算方法涉及上一节所述的方法中获得这对数学或理论物理学来说是令人兴奋的机会[77]。或者这些数据可以直接从实验中获得。在这里我们可以想象一个闭环的方法其中一个算法试图探索环境并引导探索进入意外的区域。如果数据源是一个实验未来的人工智能系统将需要进入复杂的实验室自动化有大的参数空间可以探索这在生物学[78]、化学[79-84]或物理学[85,86]中得到了证明。识别科学文献中的惊喜基本上每个科学领域的科学论文数量都在大量增长[87,88]。因此研究人员不得不专注于狭窄的子学科这使得寻找新的跨学科思想变得困难。在未来我们相信计算机将能够以自动化的方式使用科学文献[89-92]并识别出特殊和令人惊讶的现象以便进一步调查。虽然据我们所知对科学文献的大规模自动分析还不能诱发新的科学理解但该领域有重大进展。实现这一目标的一个有希望的方法是对大型科学论文语料库进行无监督的词嵌入。在该技术中科学文献的内容被转化为一个高维矢量空间。这种方法已被用于材料科学领域[93]并重新发现了核心科学概念如元素周期表。此外这些结果还表明存在以前未发现的结构-性能关系。这方面的例子包括热电材料的新候选材料。此外材料科学领域正在开发其他一些先进的计算技术以从科学文献中提取知识并通过人工智能技术对其进行系统的研究[94]并且可以得出复杂的科学结论例如关于不同晶体结构之间的关系[95]。另一种方法旨在从大量的科学文献中建立语义知识网络。在这些网络中科学概念是节点而边则承载着关系信息。在最简单的情况下这意味着两个科学概念在同一篇科学论文中被提及[96,97]。因此科学知识被表示为一个不断发展的网络它可以被用来识别科学文献中的岛屿和未开发的区域。这种类型的网络被用于生物化学以确定有效的全球研究策略[96]并用于量子物理学以预测和建议未来的研究方向[97]。人工智能技术的进步可以大大改善这种类型的系统。例如自然语言处理架构如 BERT[98]或 GPT-3参考文献[99]可以帮助从研究论文中提取更多的科学知识而大型基于图的神经网络可以改善从语义网络中预测新的研究主题[100]。通过检查模型获得意外的概念我们还期望通过合理化人工智能算法为解决特定问题而学到的东西以取得相当大的进展换句话说可解释的人工智能[101-103]。实现这一目标的一个想法是受到 DeepDreaming 的启发这是一种首次用于计算机视觉的方法[104,105]。简单地说这个想法是反转一个神经网络并探测其行为。这种方法已被应用于重新发现热力学特性[35]和功能分子的设计原则[106]。另一个显著的应用是神经网络中的“变量分解”[107]。其目的是了解神经网络已经学会的内部表征。以地心坐标表示的天文数据被用来训练一个神经网络而变量的分离使得通过模型的内部表示重新发现了日心坐标[34]。对称性或其守恒量也可以通过使用一对神经网络[108,109]来自主提取。然后这对神经网络被训练来识别两种不同的物理情况在某种未知的对称性下是否相等。最后一层是一个信息瓶颈只由一个神经元组成。这样一来神经网络就学会了识别保护属性并将整个信息压缩到一个神经元的输出中。然后输出可以很容易地被比较而且很容易被人类研究者解释。参考文献[109]的作者展示了这一想法如何被用来重新发现经典力学能量和角动量或电磁学如洛伦兹不变量中的守恒属性。在一项相关的研究中利用决策树的梯度提升特征重要性被用来解释分子和量子光学电路的特性[110]。与此相关的一项研究检查了量子实验的无监督深度生成模型的内部表示以了解该模型的内部世界观[111]。在化学中机器学习模型的反事实解释已经被证明可以产生模型预测背后的原理。反事实的解释说明了事件或实例中的哪些差异会产生结果的变化。参考文献[112]展示了如何以独立于模型的方式实现这一点它已被证明适用于随机森林、序列模型和图神经网络表明未来在科学中打开人工智能黑箱的巨大潜力。尽管不是在科学领域一项研究调查了下棋的人工智能 AlphaZero 对国际象棋的了解以及类似人类的知识是如何在内部表示中编码的[113]。所有这些作品中重新发现的概念都不是新的因此未来最重要的挑战是学习如何提取以前未知的概念。从可解释的解决方案中获得新概念与其说从人工智能算法中获得灵感不如说科学家们也能从他们提供的解决方案中获得惊喜。当解决方案以可解释的方式表示时它们可以带来新的想法和概念。可解释性表示法的一个例子是数学公式。因此科学家可以检查计算机算法得出的公式直接解决数学问题并得出更普遍的解决策略。一些研究证明了从机械系统[36,114]、量子系统[115]和天文学[116]的实验数据中提取符号模型也见文献[117]。这些方法例如与因果推理[118]等方法相结合可以改进为未知系统提出合理的物理模型促进科学理解这将是令人激动的。总的来说数学领域已经取得了令人振奋的进展[119、120]我们可以预见类似的方法将对物理科学产生重大影响。天文学中最近的一个具体例子是从过去30年对太阳系行星和卫星的实际观测数据中重新发现了牛顿的引力定律参考文献[37]。图神经网络的应用允许对物体的运动进行高质量的预测。此外一种称为 PySR 的符号回归技术在参考文献[116]中介绍能够为学习到的行为提取合理的数学表达式。有趣的是除了运动方程该方法还同时正确预测了行星物体的质量。该技术需要假设几个对称性和其他物理规律。这些先决条件是否可以进一步减少以及相关方法如何应用于现代物理问题还有待观察。这种方法的另一个例子已经在量子光学领域展示出来了[63]。在那里一个人工智能算法用图论表示量子光学设置为以前未知的量子系统设计配置。最终的解决方案被表示在一个物理上可解释的图论表示中。从那里人类科学家可以快速解释解决方案工作的根本原因并将其应用于其他环境而无需进一步计算。因此开发可解释的表示和方法来提取其他领域的基本概念将是未来的一个重要研究方向。探测人工主体的行为另一个很少被探索的机会是解释机器在被赋予解决科学问题的任务时的行为[121]。采取行动的算法如遗传算法或强化学习主体采取政策来导航问题空间。人类科学家可以观察它们如何导航这个空间。与其遵循严格的外部奖励例如最大化一个物理系统的特定属性不如实施内在的奖励如人工好奇心[122,123]。与其直接最大化某些功能人工主体artificial agent试图学习和预测环境的行为。然后它选择导致它不能很好预测的情况的行动从而使它自己对环境的理解最大化。在模拟的虚拟宇宙[124]中使用好奇心强的主体和在真实实验室[84]中使用机器人主体已经表明好奇心是一种有效的探索策略。人工主体的其他内在奖励是“计算创造力”[125、126]和“惊喜”[127]。这些内在奖励可以产生特殊的和意想不到的解决方案和主体行为最终激发人类科学家。3.3 理解主体我们考虑的第三个也是最后一个维度是能够自主地获得新的科学理解并最终向人类解释这些见解的算法。我们调查的受访者和科学文献中都没有描述过这种壮举。因此我们将通过列出这些主体的要求提出检测其成功实现的测试并推测这种系统可能是什么样子的来接近这一类。唐纳德·米奇Donald Michie在 1988 年的开创性工作“未来五年的机器学习”[19,128,129]中已经讨论了机器向人类翻译见解的想法。Michie 将人工智能算法分为三类弱机器学习、强机器学习和超强机器学习。弱机器学习通过大量的训练数据实现了预测质量的提高。可以说今天的大多数机器学习方法都属于这一类其中的算法被当作一个黑盒子。强机器学习方法类需要提供其假设的符号表示例如通过布尔逻辑表达式或数学方程。最后超强机器学习方法要求算法教给人类操作者从而使人类的表现与人类单独从数据中学习相比得到改善。有趣的是关于某些逻辑任务的实验表明超强机器学习算法可能已经存在从而证明了“存在一类关系概念这些概念对人类来说很难掌握但在抽象的解释下很容易理解”[129]。超强机器学习的想法与我们的第三个维度即理解主体有关。两者都要求机器获得新的洞察力并将其传授给人类。除了我们对自然科学的限制外还有其他不同之处Michie 要求以符号的方式传递见解而理解主体则更加灵活允许任何教学方法例如通过自然语言的讨论如 GPT-3。此外该主体需要提供新的科学理解在 de Regt 的严格意义上而不仅仅是解释或诠释。因此理解主体在技术实现方面更加灵活但在教给人类的东西方面更加严格。我们将在下文中更详细地讨论。首先重要的是要认识到找到新的科学理解是取决于背景的。什么是新的取决于我们是否考虑一个科学家个人和他们的专业领域、一个科学领域、整个科学界甚至整个历史上的科学努力。因此真正的理解者必须能够评估洞察力是否是新的至少在需要获得该科学领域的知识的特定科学领域的背景下。其次de Regt 强调了基础科学理论的重要性这些理论使我们能够认识到有质量特征的后果[12]。仅仅使用机器学习等高级统计方法对数据点进行插值或预测新的数据点是不够的。因此即使这种方法可以近似于复杂而昂贵的计算神经网络的天真应用也不能成为理解的媒介。科学理解需要的不仅仅是计算。为了进一步说明这一点让我们考虑文献中量子物理学的一个具体例子一种计算方法解决了一个关于量子计算重要资源状态的生成的公开问题。然后它以新的量子干涉效应的形式提取了解决方案的概念核心这种方式使人类科学家既能理解结果又能在不同的背景下应用获得的理解[63]。即使计算机本身能够将概念核心应用于其他情况也不能先验地说明计算机是否真正获得了科学理解。现在还缺少的是在科学理论的背景下对所发现的技术的解释。在这个特定的例子中人工智能和人类科学家将需要在量子物理学理论的背景下认识到潜在的量子干扰。因此我们可以提出理解主体的第一个充分条件。科学理解的条件一如果一个人工智能能够在不进行精确计算的情况下认识到一个理论的定性特征后果并在新的背景下使用它们那么它就获得了科学理解。这个条件紧跟 de Regt 和 Dieks 的想法[13]。让我们再往前走一步想象有一个人工智能能够在科学理论的背景下解释各种发现。人类科学家如何能认识到机器获得了新的科学理解我们认为人类科学家会以与认识其他人类科学家获得新的科学理解完全相同的方式来做这件事。也就是说让其他人类科学家把新获得的理解传达给其他人。这就提出了理解主体的第二个充分条件。科学理解的条件二如果一个人工智能获得了科学理解它可以把它的理解传递给人类专家。我们认为人们只能间接地识别计算机或人类是否获得了科学理解。因此最后我们提出了一个符合图灵测试[55]或费根鲍姆测试[130]或其在自然科学中的改编如化学图灵测试或费曼测试[4]精神的测试。科学理解测试一个人学生与一个老师互动这个老师可以是人也可以是人工科学家。老师的目标是向学生解释一个科学理论及其定性的、特征性的后果。另一个人裁判员独立地测试学生和老师。如果裁判员不能区分他们在各种情况下的非琐碎解释的质量我们就认为老师有科学理解力。原则上学生或裁判员没有理由不成为人工智能。然而为了使测试尽可能的简单我们限制了可能的变化数量。该测试的表述意味着人类需要理解人工智能设计的新概念。如果一台机器真正理解了什么它应该能够解释它并将理解转移给其他人。(我们撇开人工智能的解释是真的还是假的问题。有人认为错误的理论也可以导致真正的理解[131]。我们认为这应该总是可能的即使理解远远超出了人类专家此时的认识。请注意随着人类和人工科学家的能力之间的差距越来越大人工智能将其理解转移给人类将变得越来越有挑战性和耗时。我们设想计算机将使用先进的人机交互技术与我们描述的下一级计算显微镜的工具一起。此外人和计算机之间的科学讨论可以使用自然语言处理工具中的高级查询来实现如 BERT[98]或 GPT-3参考文献[99]。这样一来科学家就可以用科学问题来探测计算机。假设科学家通过与算法的交流获得了新的科学理解正如我们的科学理解测试所判断的那样。在这种情况下他们可以确认计算机真正获得了理解。我们想指出我们的测试就像图灵和费根鲍姆发起的测试一样并不是一目了然的为不允许作出明确判断的情况留下了空间。我们乐观地认为更多的努力将被用于开发必要的技术这将导致未来人工科学家作为理解的真正主体的越来越有说服力的演示。4. 结语毫无疑问一般来说先进的计算方法特别是人工智能的计算方法将进一步革新科学家研究我们世界的秘密的方式。我们概述了这些新方法如何能够直接有助于获得新的科学理解。我们猜想未来在使用人工智能获得科学理解方面的重大进展将需要自然科学家、计算机科学家和科学哲学家之间的多学科合作。因此我们坚信这些研究工作可以——在我们的有生之年——将人工智能转变为真正的理解媒介直接促进科学的主要目标之一即科学理解。参考文献1. Zdeborová, L. New tool in the box. Nat. Phys.13, 420–421 (2017).2. Fösel, T., Tighineanu, P., Weiss, T. Marquardt, F. Reinforcement learning with neural networks for quantum feedback. Phys. Rev. X8, 031084 (2018).3. Melnikov, A. A. et al. Active learning machine learns to create new quantum experiments. Proc. Natl Acad. Sci. USA115, 1221–1226 (2018).4. Aspuru-Guzik, A., Lindh, R. Reiher, M. The matter simulation (r)evolution. ACS Cent. Sci.4, 144–152 (2018).5. Hoffmann, R. Malrieu, J.-P. Simulation vs. understanding: a tension, in quantum chemistry and beyond. Part A. Stage setting. Angew. Chem.132, 12690–12710 (2020).6. Hoffmann, R. Malrieu, J.-P. Simulation vs. understanding: a tension, in quantum chemistry and beyond. Part B. The march of simulation, for better or worse. Angew. Chem. Int. Ed.59, 13156–13178 (2020).7. Hoffmann, R. Malrieu, J.-P. Simulation vs. understanding: a tension, in quantum chemistry and beyond. Part C. Toward consilience. Angew. Chem. Int. Ed.59, 13694–13710 (2020).8. Marcus, G. The next decade in AI: four steps towards robust artificial intelligence. Preprint at arXiv 2002.06177 (2020).9. Thaler, J. Designing an AI physicist. CERN Courier, https://cerncourier.com/a/designing-an-ai-physicist/ (2021).10. Potochnik, A. The diverse aims of science. Stud. Hist. Philos. Sci. A53, 71–80 (2015).11. Potochnik, A. Idealization and the Aims of Science (Univ. Chicago Press, 2017).12. de Regt, H. W. Understanding Scientific Understanding (Oxford Univ. Press, 2017).13. De Regt, H. W. Dieks, D. A contextual approach to scientific understanding. Synthese144, 137–170 (2005).14. Boden, M. A. Mind as Machine: A History of Cognitive Science (Oxford Univ. Press, 2008).15. Doran, D., Schulz, S. Besold, T. R. What does explainable AI really mean? A new conceptualization of perspectives. Preprint at arXiv 1710.00794 (2017).16. Tjoa, E. Guan, C. A survey on explainable artificial intelligence (XAI): toward medical XAI. IEEE Trans. Neural Netw. Learn. Syst.32, 4793–4813 (2020).17. Burkart, N. Huber, M. F. A survey on the explainability of supervised machine learning. J. Artif. Intell. Res.70, 245–317 (2021).18. Samek, W., Montavon, G., Vedaldi, A., Hansen, L. K. Müller, K.-R. Explainable AI: Interpreting, Explaining and Visualizing Deep Learning (Springer, 2019).19. Michie, D. in Proc. 3rd European Conference on European Working Session on Learning, 107–122 (ACM, 1988).20. Lavin, A. et al. Simulation intelligence: Towards a new generation of scientific methods. Preprint at arXiv 2112.03235 (2021).21. Goldman, B., Kearnes, S., Kramer, T., Riley, P. Walters, W. P. Defining levels of automated chemical design. J. Med. Chem.65, 7073–7087 (2022).22. Kitano, H. Nobel Turing Challenge: creating the engine for scientific discovery. NPJ Syst. Biol. Appl.7, 29 (2021).23. Feyerabend, P. Against Method (Verso, 1993).24. De Regt, H. W. Understanding, values, and the aims of science. Philos. Sci.87, 921–932 (2020).25. Hempel, C. G. Aspects of Scientific Explanation (Free Press, 1965).26. Schrödinger, E. ‘Nature and the Greeks’ and ‘Science and Humanism’ (Cambridge Univ. Press, 1996).27. De Regt, H. W. Visualization as a tool for understanding. Perspect. Sci.22, 377–396 (2014).28. Friedman, M. Explanation and scientific understanding. J. Philos.71, 5–19 (1974).29. Kitcher, P. Explanatory unification. Philos. Sci.48, 507–531 (1981).30. Heisenberg, W. Über den anschaulichen Inhalt der quantentheoretischen Kinematik und Mechanik. Z. Phys.43, 172–198 (1927).31. Gómez-Bombarelli, R. et al. Design of efficient molecular organic light-emitting diodes by a high-throughput virtual screening and experimental approach. Nat. Mater.15, 1120–1127 (2016).32. Jumper, J. et al. Highly accurate protein structure prediction with AlphaFold. Nature596, 583–589 (2021).33. Tunyasuvunakool, K. et al. Highly accurate protein structure prediction for the human proteome. Nature596, 590–596 (2021).34. Iten, R., Metger, T., Wilming, H., Del Rio, L. Renner, R. Discovering physical concepts with neural networks. Phys. Rev. Lett.124, 010508 (2020).35. Seif, A., Hafezi, M. Jarzynski, C. Machine learning the thermodynamic arrow of time. Nat. Phys.17, 105–113 (2021).36. Udrescu, S.-M. Tegmark, M. AI Feynman: A physics-inspired method for symbolic regression. Sci. Adv.6, eaay2631 (2020).37. Lemos, P., Jeffrey, N., Cranmer, M., Ho, S. Battaglia, P. Rediscovering orbital mechanics with machine learning. Preprint at arXiv 2202.02306 (2022).38. Casalino, L. et al. Beyond shielding: the roles of glycans in the SARS-CoV-2 spike protein. ACS Cent. Sci.6, 1722–1734 (2020).39. Fogarty, C. A., Harbison, A. M., Dugdale, A. R. Fadda, E. How and why plants and human n-glycans are different: Insight from molecular dynamics into the “glycoblocks” architecture of complex carbohydrates. Beilstein J. Org. Chem.16, 2046–2056 (2020).40. Friederich, P., Häse, F., Proppe, J. Aspuru-Guzik, A. Machine-learned potentials for next-generation matter simulations. Nat. Mater.20, 750–761 (2021).41. Gigan, S., Krzakala, F., Daudet, L. Carron, I. Artificial intelligence: from electronics to optics. Photoniques104, 49–52 (2020).42. Xu, X. et al. 11 TOPS photonic convolutional accelerator for optical neural networks. Nature589, 44–51 (2021).43. Quantum, G. A. et al. Hartree-Fock on a superconducting qubit quantum computer. Science369, 1084–1089 (2020).44. Zhang, J. et al. Observation of a discrete time crystal. Nature543, 217–220 (2017).45. Schweizer, C. et al. Floquet approach to Z2 lattice gauge theories with ultracold atoms in optical lattices. Nat. Phys.15, 1168–1173 (2019).46. Martinez, E. A. et al. Real-time dynamics of lattice gauge theories with a few-qubit quantum computer. Nature534, 516–519 (2016).47. Cao, Y. et al. Quantum chemistry in the age of quantum computing. Chem. Rev.119, 10856–10915 (2019).48. Gross, C. Bloch, I. Quantum simulations with ultracold atoms in optical lattices. Science357, 995–1001 (2017).49. O’Connor, M. et al. Sampling molecular conformations and dynamics in a multiuser virtual reality framework. Sci. Adv.4, eaat2731 (2018).50. Probst, D. Reymond, J.-L. Exploring DrugBank in virtual reality chemical space. J. Chem. Inf. Model.58, 1731–1735 (2018).51. Schmid, J. R., Ernst, M. J. Thiele, G. Structural chemistry 2.0: combining augmented reality and 3D online models. J. Chem. Educ.97, 4515–4519 (2020).52. Foley, M. et al. A 3D view of Orion: I. Barnard’s Loop. Authorea. https://doi.org/10.22541/au.165540488.82174026/v1 (2022).53. Hill, E., Cherston, J., Goldfarb, S. Paradiso, J. A. in Proc. 38th International Conference on High Energy Physics, 1042 (2016).54. Zanella, A. et al. Sonification and sound design for astronomy research, education and public engagement. Nat. Astron.https://doi.org/10.1038/s41550-022-01721-z (2022).55. Turing, A. M. Computing machinery and intelligence. Mind50, 433–460 (1950).56. Lehman, J. et al. The surprising creativity of digital evolution: a collection of anecdotes from the evolutionary computation and artificial life research communities. Artif. Life26, 274–306 (2020).57. Pickard, C. J. Needs, R. Ab initio random structure searching. J. Phys. Condens. Matter23, 053201 (2011).58. Krenn, M., Malik, M., Fickler, R., Lapkiewicz, R. Zeilinger, A. Automated search for new quantum experiments. Phys. Rev. Lett.116, 090405 (2016).59. Krenn, M., Erhard, M. Zeilinger, A. Computer-inspired quantum experiments. Nat. Rev. Phys.2, 649–661 (2020).60. Pickard, C. J. Needs, R. Highly compressed ammonia forms an ionic crystal. Nat. Mater.7, 775–779 (2008).61. Krenn, M., Hochrainer, A., Lahiri, M. Zeilinger, A. Entanglement by path identity. Phys. Rev. Lett.118, 080401 (2017).62. Krenn, M., Gu, X. Zeilinger, A. Quantum experiments and graphs: multiparty states as coherent superpositions of perfect matchings. Phys. Rev. Lett.119, 240403 (2017).63. Krenn, M., Kottmann, J., Tischler, N. Aspuru-Guzik, A. Conceptual understanding through efficient automated design of quantum optical experiments. Phys. Rev. X11, 031044 (2021).64. Malhotra, P., Vig, L., Shroff, G. Agarwal, P. in Proc. European Symposium on Artificial Neural Networks (ESANN), 89–94 (2015).65. Collaboration, A. Dijet resonance search with weak supervision using s√13TeV pp collisions in the ATLAS detector. Phys. Rev. Lett.125, 131801 (2020).66. Collaboration, C. Probing effective field theory operators in the associated production of top quarks with a Z boson in multilepton final states at s√13TeV. J. High Energy Phys.2021, 83 (2021).67. Park, S. E., Rankin, D., Udrescu, S.-M., Yunus, M. Harris, P. Quasi anomalous knowledge: searching for new physics with embedded knowledge. J. High Energy Phys.2021, 30 (2021).68. Karagiorgi, G., Kasieczka, G., Kravitz, S., Nachman, B. Shih, D. Machine learning in the search for new fundamental physics. Nat. Rev. Phys.4, 399–412 (2022).69. Schwartz, M. D. Modern machine learning and particle physics. Preprint at arXiv 2103.12226 (2021).70. Kasieczka, G. et al. The LHC Olympics 2020: a community challenge for anomaly detection in high energy physics. Rep. Prog. Phys.84, 124201 (2021).71. Dawid, A., Huembeli, P., Tomza, M., Lewenstein, M. Dauphin, A. Hessian-based toolbox for reliable and interpretable machine learning in physics. Mach. Learn. Sci. Technol.3, 015002 (2021).72. Koh, P. W. Liang, P. in Proc. 34th International Conference on Machine Learning, 1885–1894 (PMLR, 2017).73. Yu, H., Mineyev, I. Varshney, L. R. A group-theoretic approach to computational abstraction: Symmetry-driven hierarchical clustering. Preprint at arXiv 1807.11167 (2018).74. Dehmamy, N., Walters, R., Liu, Y., Wang, D. Yu, R. Automatic symmetry discovery with lie algebra convolutional network. Adv. Neural Inf. Process. Syst.34, 2503–2515 (2021).75. Nigam, A. et al. Assigning confidence to molecular property prediction. Expert Opin. Drug Discov.16, 1009–1023 (2021).76. Davies, A. et al. Advancing mathematics by guiding human intuition with AI. Nature 600, 70–74 (2021).77. Douglas, M. R. Machine learning as a tool in theoretical science. Nat. Rev. Phys.4, 145–146 (2022).78. King, R. D. et al. The automation of science. Science324, 85–89 (2009).79. Bédard, A.-C. et al. Reconfigurable system for automated optimization of diverse chemical reactions. Science361, 1220–1225 (2018).80. Steiner, S. et al. Organic synthesis in a modular robotic system driven by a chemical programming language. Science363, eaav2211 (2019).81. Coley, C. W. A robotic platform for flow synthesis of organic compounds informed by AI planning. Science365, eaax1566 (2019).82. Burger, B. et al. A mobile robotic chemist. Nature583, 237–241 (2020).83. Chatterjee, S., Guidi, M., Seeberger, P. H. Gilmore, K. Automated radial synthesis of organic molecules. Nature579, 379–384 (2020).84. Grizou, J., Points, L. J., Sharma, A. Cronin, L. A curious formulation robot enables the discovery of a novel protocell behavior. Sci. Adv.6, eaay4237 (2020).85. Moon, H. et al. Machine learning enables completely automatic tuning of a quantum device faster than human experts. Nat. Commun.11, 4161 (2020).86. Dalgaard, M., Motzoi, F., Sørensen, J. J. Sherson, J. Global optimization of quantum dynamics with AlphaZero deep exploration. NPJ Quantum Inf.6, 6 (2020).87. Larsen, P. Von Ins, M. The rate of growth in scientific publication and the decline in coverage provided by Science Citation Index. Scientometrics84, 575–603 (2010).88. Reisz, N. et al. Loss of sustainability in scientific work. New J. Phys.24, 053041 (2022).89. Evans, J. A. Foster, J. G. Metaknowledge. Science331, 721–725 (2011).90. Clauset, A., Larremore, D. B. Sinatra, R. Data-driven predictions in the science of science. Science355, 477–480 (2017).91. Fortunato, S. et al. Science of science. Science359, eaao0185 (2018).92. Wang, D. Barabási, A.-L. The Science of Science (Cambridge Univ. Press, 2021).93. Tshitoyan, V. et al. Unsupervised word embeddings capture latent knowledge from materials science literature. Nature571, 95–98 (2019).94. Olivetti, E. A. et al. Data-driven materials research enabled by natural language processing and information extraction. Appl. Phys. Rev.7, 041317 (2020).95. Schwalbe-Koda, D., Jensen, Z., Olivetti, E. Gómez-Bombarelli, R. Graph similarity drives zeolite diffusionless transformations and intergrowth. Nat. Mater.18, 1177–1181 (2019).96. Rzhetsky, A., Foster, J. G., Foster, I. T. Evans, J. A. Choosing experiments to accelerate collective discovery. Proc. Natl Acad. Sci. USA112, 14569–14574 (2015).97. Krenn, M. Zeilinger, A. Predicting research trends with semantic and neural networks with an application in quantum physics. Proc. Natl Acad. Sci. USA117, 1910–1916 (2020).98. Devlin, J., Chang, M.-W., Lee, K. Toutanova, K. Bert: Pre-training of deep bidirectional transformers for language understanding. Preprint at arXiv 1810.04805 (2018).99. Brown, T. B. et al. Language models are few-shot learners. Preprint at arXiv 2005.14165 (2020).100. Hamilton, W. L., Ying, R. Leskovec, J. in Proc. 31st International Conference on Neural Information Processing Systems (NIPS 2017), 1025–1035 (2017).101. Montavon, G., Samek, W. Müller, K.-R. Methods for interpreting and understanding deep neural networks. Digit. Signal Process.73, 1–15 (2018).102. Roscher, R., Bohn, B., Duarte, M. F. Garcke, J. Explainable machine learning for scientific insights and discoveries. IEEE Access8, 42200–42216 (2020).103. Lundberg, S. M. et al. From local explanations to global understanding with explainable AI for trees. Nat. Mach. Intell.2, 56–67 (2020).104. Mahendran, A. Vedaldi, A. in Proc. IEEE Conference on Computer Vision and Pattern Recognition, 5188–5196 (2015).105. Mordvintsev, A., Olah, C. Tyka, M. Inceptionism: going deeper into neural networks. https://ai.googleblog.com/2015/06/inceptionism-going-deeper-into-neural.html (2015).106. Shen, C., Krenn, M., Eppel, S. Aspuru-Guzik, A. Deep molecular dreaming: Inverse machine learning for de-novo molecular design and interpretability with surjective representations. Mach. Learn. Sci. Technol.2, 03LT02 (2021).107. Burgess, C. P. et al. Understanding disentangling in β-VAE. Preprint at arXiv 1804.03599 (2018).108. Wetzel, S. J. Scherzer, M. Machine learning of explicit order parameters: From the Ising model to SU (2) lattice gauge theory. Phys. Rev. B96, 184410 (2017).109. Wetzel, S. J., Melko, R. G., Scott, J., Panju, M. Ganesh, V. Discovering symmetry invariants and conserved quantities by interpreting siamese neural networks. Phys. Rev. Res.2, 033499 (2020).110. Friederich, P., Krenn, M., Tamblyn, I. Aspuru-Guzik, A. Scientific intuition inspired by machine learning-generated hypotheses. Mach. Learn. Sci. Technol.2, 025027 (2021).111. Flam-Shepherd, D. et al. Learning interpretable representations of entanglement in quantum optics experiments using deep generative models. Nat. Mach. Intell.4, 544–554 (2022).112. Wellawatte, G. P., Seshadri, A. White, A. D. Model agnostic generation of counterfactual explanations for molecules. Chem. Sci.13, 3697–3705 (2022).113. McGrath, T. et al. Acquisition of chess knowledge in AlphaZero. Preprint at arXiv 2111.09259 (2021).114. Schmidt, M. Lipson, H. Distilling free-form natural laws from experimental data. Science324, 81–85 (2009).115. Gentile, A. A. et al. Learning models of quantum systems from experiments. Nat. Phys.17, 837–843 (2021).116. Cranmer, M. et al. Discovering symbolic models from deep learning with inductive biases. In 34th Conference on Neural Information Processing Systems (NeurIPS 2020) (NeurIPS, 2020).117. Georgescu, I. How machines could teach physicists new scientific concepts. Nat. Rev. Phys.https://doi.org/10.1038/s42254-022-00497-5 (2022).118. Cranmer, K., Brehmer, J. Louppe, G. The frontier of simulation-based inference. Proc. Natl Acad. Sci. USA117, 30055–30062 (2020).119. Raayoni, G. et al. Generating conjectures on fundamental constants with the Ramanujan Machine. Nature590, 67–73 (2021).120. Wagner, A. Z. Constructions in combinatorics via neural networks. Preprint at arXiv 2104.14516 (2021).121. Rahwan, I. et al. Machine behaviour. Nature568, 477–486 (2019).122. Schmidhuber, J. in Workshop on Anticipatory Behavior in Adaptive Learning Systems, 48–76 (Springer, 2008).123. Pathak, D., Agrawal, P., Efros, A. A. Darrell, T. in Proc. 34th International Conference on Machine Learning, 2778–2787 (PMLR, 2017).124. Thiede, L. A., Krenn, M., Nigam, A. Aspuru-Guzik, A. Curiosity in exploring chemical spaces: intrinsic rewards for molecular reinforcement learning. Mach. Learn. Sci. Technol.3, 035008 (2022).125. Varshney, L. R., Rajani, N. F. Socher, R. Explaining creative artifacts. Preprint at arXiv 2010.07126 (2020).126. Varshney, L. R. et al. A big data approach to computational creativity: The curious case of Chef Watson. IBM J. Res. Dev.63, 7:1–7:18 (2019).127. Itti, L. Baldi, P. Bayesian surprise attracts human attention. Vision Res.49, 1295–1306 (2009).128. Schmid, U., Zeller, C., Besold, T., Tamaddoni-Nezhad, A. Muggleton, S. in Proc. International Conference on Inductive Logic Programming, 52–67 (Springer, 2016).129. Muggleton, S. H., Schmid, U., Zeller, C., Tamaddoni-Nezhad, A. Besold, T. Ultra-strong machine learning: comprehensibility of programs learned with ILP. Mach. Learn.107, 1119–1140 (2018).130. Feigenbaum, E. A. Some challenges and grand challenges for computational intelligence. J. ACM50, 32–40 (2003).131. de Regt, H. W. Gijsbers, V. in Explaining Understanding: New Perspectives from Epistemology and Philosophy of Science (eds Grimm, S. R., Baumberger, C. Ammon, S.) 50–75 (2017).参考文献可上下滑动查看未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市大脑研究计划构建互联网城市大脑技术和企业图谱为提升企业行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
