AI学会宇宙运作方式后，给物理学家带来一个惊人缺陷

一项新研究揭示了一个耐人寻味的困境：当人工智能（AI）先在宇宙学标准模型上完成学习，再去探索更前沿的物理问题时，它反而可能产生偏见，错过真正的发现。 本月早些时候发表于《Journal of Cosmology and Astroparticle Physics》的研究中，宇宙学家训练了一个AI神经网络，使用的数据来自宇宙学标准模型（ΛCDM）的模拟。研究团队随后测试了这种预训练，对AI后续探索其他宇宙学和天体物理学难题究竟是帮助还是阻碍。 结果显示，虽然AI展现出一定前景，但它形成的偏见最终不利于寻找新物理。 研究的合著者、Flatiron Institute和普林斯顿大学的宇宙学家Adrian E. Bayer告诉科技媒体Gizmodo，这项研究是“AI在以结构化方式使用时如何帮助科学更快发展的一个很好的例子”。他同时表示，这一结果也提醒人们“加速和理解必须齐头并进”。 研究团队采用的是机器学习中的“迁移学习”策略。模型首先从标准模型的模拟中学习，再将知识应用到包含新物理思想的扩展版本上。Bayer此前一直在寻找“能够高效学习而无需为每个场景提供庞大新模拟套件的方法”，因为涉及大质量中微子、演化的暗能量或修改引力等超出标准模型的模拟，成本极为昂贵。 实验发现，AI在利用更少、更低成本的模拟理解标准模型方面表现相当不错。然而，当新物理与标准模型参数空间中已学习的方向发生重叠时，AI开始挣扎。这种现象被称为“负迁移”。AI变得有偏见，无法区分产生相似数据模式的两种不同物理效应，最终依赖已学到的旧知识，错过了暗示标准模型之外物理学的潜在线索。 “负迁移结果很迷人，因为它表明模型并非随机失败，”Bayer补充道。他强调，“理解迁移学习何时有帮助、何时强化那些简并，对于未来宇宙学分析中可靠使用AI非常重要。” 这一发现肯定了AI的效用，但重申了一个并非新颖的观念：人类专家必须仔细跟踪AI的计算过程，才能理解并追问相关问题。Bayer认为，迁移学习可以给AI强大的先机，使我们能够测试比实际可行多得多的宇宙学想法。但他警告说，“如果一个模型将知识从一个环境带到另一个环境，我们需要理解它携带了什么——这些知识何时有帮助，何时可能误导。”

EntAI观察

这项研究触及了将AI引入基础科学探索的核心张力。AI带来的效率提升是真实的：它有可能让我们在有限资源下，扫描更广阔的理论空间。但“负迁移”现象意味着，预训练赋予AI的“先验知识”可能变成有色眼镜。如果科学发现越来越依赖AI对数据的初步筛选，那么这种机制性偏见可能导致我们系统性地错过最颠覆性的信号。理解AI在何时产生偏见，并将这种理解转化为工程约束，其价值不亚于提升模型本身的性能。加速与理解必须齐头并进，正是这个时代科学AI最关键的工程与认识论挑战。