没有人或人类团队能够跟上今天许多物理和天文学实验产生的大量信息。其中一些每天记录万亿字节的数据——洪水只会增加。平方公里阵列是一个计划于20世纪20年代中期开放的射电望远镜，每年将产生与整个互联网一样多的数据流量。

洪水导致许多科学家求助于人工智能。人工智能系统，如人工神经网络(人工神经网络-模拟大脑功能的神经元的计算机模拟网络)，可以用最少的人工输入浏览大量数据，突出异常，检测人类永远找不到的模式。

当然，利用计算机辅助科学研究可以追溯到大约75年前，人工研究数据寻找有意义模式的方法起源于几千年前。但是一些科学家认为机器学习和人工智能的最新技术代表了一种新的科学方法。其中一种方法，生成建模，可以帮助找到最合理的理论在竞争解释的观察数据的基础上的数据，最重要的是，没有预先编程的知识的物理过程，可以发挥作用的研究系统。生成模型的支持者认为它足够新颖，被认为是学习宇宙的潜在“第三条道路”。

传统上，我们通过观察了解自然。想想约翰尼斯开普勒对第谷布拉尼行星位置表的仔细研究，以及他识别潜在模式的尝试。他最终推断行星在椭圆轨道上运动。科学也因模拟而进步。一位天文学家可能会模拟银河系及其邻近星系仙女座的运动，并预测它们将在数十亿年后发生碰撞。观察和模拟帮助科学家做出假设，然后可以通过进一步的观察进行检验。生成建模不同于这两种方法。

“这基本上是介于观测和模拟之间的第三种方法，”天体物理学家凯文沙文斯基(Kevin Schawinski)说，他是模型生成最热情的支持者之一，最近在瑞士联邦理工学院(苏黎世联邦理工学院)工作。“这是解决问题的另一种方式。”

一些科学家将生成建模和其他新技术视为传统科学的动力工具。但是大多数人认为人工智能正在产生巨大的影响，它在科学中的作用只会越来越大。费米国家加速器实验室的天体物理学家布莱恩诺德利用人工神经网络研究宇宙。他们担心人类科学家没有东西可以自动化。“这是一个令人不寒而栗的想法，”他说。

一代一代地发现。

Schawinski从研究生院毕业后就被评为数据驱动科学。在他的博士研究期间，他面临着根据外观对成千上万个星系进行分类的任务。因为这项工作没有现成的软件，他决定众包——于是银河动物园公民科学项目诞生了。自2007年以来，普通计算机用户通过记录他们对哪个星系属于哪个类别的最佳猜测来帮助天文学家。大多数规则通常导致正确的分类。该项目取得了成功，但正如Schawinski指出的那样，人工智能已经过时：“如今，具有机器学习和云计算接入背景的天才科学家可以在一个下午内完成全部工作。”

2016年，Schawinski转向了一个强大的生成建模新工具。本质上，生成建模询问的是你在x条件下观察到结果y的可能性，这种方法被证明是非常有效和通用的。例如，假设您为生成模型提供了一组人脸图像，并且每个人脸都标有一个人的年龄。当计算机程序梳理这些“训练数据”时，它开始在较老的面孔之间建立联系，增加皱纹的可能性。最终，它可以“老化”它给出的任何面孔——也就是说，它可以预测任何年龄的特定面孔可能经历的身体变化。

郑重声明：本文版权归原作者所有。转载文章只是为了传播更多的信息。如果作者信息标注有误，请第一时间联系我们修改或删除。谢谢你。

免责声明： 本文由用户上传，如有侵权请联系删除！

标签：