中國科學(xué)院國家天文臺 茍利軍 編譯自 Tara Shears.

Physics World

本文選自《物理》2025年第10期

人工智能在物理學(xué)中的應(yīng)用已屢見不鮮，但物理學(xué)是否也能反過來幫助人工智能？英國物理學(xué)會最近發(fā)布了一份調(diào)研與報告，塔拉·謝爾斯(Tara Shears)在這份報告中探討了這兩個領(lǐng)域之間的關(guān)系。

套用簡·奧斯汀(Jane Austen)的名言：凡是擁有龐大數(shù)據(jù)集的科研項目，必定“渴望”人工智能(artificial intelligence，AI)的助力。

費米實驗室對撞機探測器(CDF)是一個大型國際合作項目，聚集了來自15個國家約60家機構(gòu)的科學(xué)家。其中一支團隊來自德國的卡爾斯魯厄大學(xué)(現(xiàn)為卡爾斯魯厄理工學(xué)院)，他們試圖在對撞機的數(shù)據(jù)中分辨出底夸克(譯者注：bottom quark，又被稱為美夸克，beauty quark)的物質(zhì)與反物質(zhì)類型。這項任務(wù)出了名的困難——背景噪聲極高，信號極其微弱，而數(shù)據(jù)量龐大。更棘手的是，在許多變量上，信號與背景之間僅存在細微差異。

面對這樣的數(shù)據(jù)挑戰(zhàn)，該團隊的Michael Feindt教授開發(fā)了一種神經(jīng)網(wǎng)絡(luò)算法來解決問題。這類算法模仿人腦中神經(jīng)元的學(xué)習(xí)方式，能夠通過訓(xùn)練識別數(shù)據(jù)中的模式。Feindt的神經(jīng)網(wǎng)絡(luò)在使用合適的信號與背景樣本進行訓(xùn)練后，能夠有效地區(qū)分二者，并以最優(yōu)方式結(jié)合變量，從而識別出物質(zhì)與反物質(zhì)的底夸克。

在當時，這項工作之所以引人注目，僅僅是因為它提供了一種全新的思路：如何在龐大的噪聲背景中提取微弱信號。然而事實證明，這一神經(jīng)網(wǎng)絡(luò)成為對撞機探測器諸多物理成果的重要基石，其中就包括具有里程碑意義的發(fā)現(xiàn)——Bs介子(由反底夸克與奇異夸克組成的粒子)在物質(zhì)與反物質(zhì)形態(tài)之間的振蕩。

此后，該算法的改進版本被廣泛應(yīng)用于其他場合，包括歐洲核子研究中心大型強子對撞機(LHC)的四大實驗中的三項。在每一個案例中，這種方法都讓研究人員能夠以更少的數(shù)據(jù)提取更多的信息，從而加快了科學(xué)進展的步伐。

更有意思的是，這種神經(jīng)網(wǎng)絡(luò)方法的受益范圍遠不止粒子物理學(xué)，它還曾短暫地被應(yīng)用于對沖基金管理以及汽車保險費率預(yù)測。后來，一家名為菲-T(Phi-T，之后改名為藍色遠方，BlueYonder)的公司從卡爾斯魯厄大學(xué)孵化出來，并將該算法應(yīng)用于供應(yīng)鏈物流優(yōu)化。經(jīng)過幾輪收購，這家公司如今已成為屢獲殊榮的全球性企業(yè)。而這套神經(jīng)網(wǎng)絡(luò)卻依然免費供粒子物理學(xué)家們使用。

雙向大道。機器學(xué)習(xí)算法在分析大型物理實驗產(chǎn)生的海量數(shù)據(jù)時極為寶貴。但與此同時，物理學(xué)也推動了許多人工智能技術(shù)的發(fā)展

從實驗室到客廳

如今，許多類型的神經(jīng)網(wǎng)絡(luò)和其他人工智能方法已被常規(guī)地用于獲取和分析粒子物理數(shù)據(jù)。事實上，我們的數(shù)據(jù)集龐大到必須依賴計算機的幫助，它們的使用已經(jīng)從“新奇之舉”變?yōu)椤氨夭豢缮佟薄?/p>

可以讓你感受一下數(shù)據(jù)規(guī)模之大，在LHC的下一輪運行期間，其實驗預(yù)計每年會產(chǎn)生約2000拍字節(jié)(2×1018字節(jié))的真實與模擬數(shù)據(jù)，從而供研究者分析。這一數(shù)據(jù)量幾乎是YouTube上一年上傳視頻總量的10倍，是谷歌年度網(wǎng)頁數(shù)據(jù)集的30倍，相當于Outlook一年郵件流量的三分之一以上。這樣的數(shù)據(jù)規(guī)模，毫無疑問需要人工智能來進行分析。

粒子物理或許是人工智能的早期應(yīng)用者，但如今AI已經(jīng)廣泛滲透到整個物理學(xué)領(lǐng)域。這并不令人意外。物理學(xué)本身數(shù)據(jù)量巨大、計算密集，因此在數(shù)據(jù)分析、物理系統(tǒng)模擬，以及復(fù)雜實驗的自動化控制等方面，都能顯著受益于人工智能帶來的速度提升和計算能力。

例如，在天文巡天中，人工智能已被用于對引力透鏡圖像進行分類。它幫助研究人員在不同的暗能量模型下，對觀測到的物質(zhì)分布進行解釋。實際上，2024年時，AI讓暗能量巡天的研究成果有了相當于數(shù)據(jù)樣本量翻四倍的提升(詳見“AI宇宙”)。

人工智能甚至幫助設(shè)計了新材料。2023年，谷歌DeepMind發(fā)現(xiàn)了數(shù)百萬種可能支撐未來技術(shù)發(fā)展的新晶體，這一成果相當于800年的研究積累。而且還有許多類似的突破——AI已成為加速科學(xué)進展的一股強大力量。

但人工智能并不局限于復(fù)雜的實驗。事實上，我們每天都在使用它。AI為網(wǎng)絡(luò)搜索提供動力，幫助人們理解概念，甚至有時通過傳遞錯誤信息讓人們產(chǎn)生誤解。如今，AI已經(jīng)滲透到生活的方方面面，每一次出現(xiàn)都同時帶來挑戰(zhàn)與機遇。

AI 宇宙

暗能量巡天合作項目已經(jīng)使用AI方法來研究暗能量(被認為是驅(qū)動宇宙膨脹的神秘現(xiàn)象)。

此前，暗能量巡天研究人員通過分析來自星系光線的畸變，來推斷光在抵達觀測者之前所經(jīng)過物質(zhì)的引力效應(yīng)，從而繪制出宇宙中的物質(zhì)分布。這種分布既依賴于可見物質(zhì)和暗物質(zhì)(它們將星系彼此吸引)，也依賴于暗能量(它使星系相互遠離)。

在2024年的一項研究中，研究人員利用AI技術(shù)模擬了一系列物質(zhì)分布，每一種分布對應(yīng)著暗物質(zhì)、暗能量及其他宇宙學(xué)參數(shù)的不同取值。隨后，他們將這些模擬結(jié)果與實際觀測到的物質(zhì)分布進行比較。通過判斷哪些模擬結(jié)果與數(shù)據(jù)相符，得以提取出相應(yīng)的暗能量參數(shù)數(shù)值。

由于AI方法能夠利用比傳統(tǒng)手段更多的信息進行對比，結(jié)果也更加精確。研究人員的精度提升了一倍，相當于用以往方法增加四倍數(shù)據(jù)量才能達到的效果。

用深度學(xué)習(xí)解析黑暗宇宙。這是一個由名為“高爾街(GowerStreet)”的AI工具生成的暗物質(zhì)模擬圖

物理學(xué)家的聲音

正是這種挑戰(zhàn)與機遇并存的局面，讓當下成為審視物理與人工智能關(guān)系的關(guān)鍵時刻，思考兩者能夠如何互相賦能。事實上，英國物理學(xué)會最近就此主題發(fā)布了一份“先導(dǎo)”研究報告，謝爾斯也擔任了顧問。所謂“先導(dǎo)研究”，是對某一主題進行全景式的探索，明確后續(xù)更深入、更詳細的“影響”研究應(yīng)當拓展的方向。

這份先導(dǎo)研究的標題是《物理與AI：物理學(xué)界的視角》。它基于對英國物理學(xué)會會員的調(diào)查(調(diào)查他們對AI及其用途的態(tài)度)，以及一次專家研討會(討論未來的創(chuàng)新潛力)。最終形成的報告于2025年4月發(fā)布，揭示了人工智能在物理學(xué)中已是如此廣泛的應(yīng)用現(xiàn)狀。

在約700名調(diào)查參與者中，約有三分之二的人表示在某種程度上使用過AI，而且在物理學(xué)的各個分支領(lǐng)域，都有相當一部分人對其有所了解。最常見的是與各種機器學(xué)習(xí)方法或生成式AI相關(guān)，但也有人接觸過AI倫理與政策、計算機視覺和自然語言處理。這表明AI的用途極其廣泛，從非常具體的模式識別和圖像分類任務(wù)，到理解它更廣泛的社會影響與監(jiān)管需求。

謹慎前行

盡管人工智能確實能夠顯著加速物理研究，但我們必須保持謹慎。正如許多調(diào)查參與者指出的那樣，AI是一種強有力的輔助工具，但如果僅僅把它當作黑箱來用，并想當然地認為它會給出正確結(jié)果，這是非常危險的。AI工具本身及我們賦予它們的任務(wù)都十分復(fù)雜——我們必須確保理解它們在做什么、效果如何，才能對其結(jié)果有足夠信心。

關(guān)于AI使用不當導(dǎo)致結(jié)果失真，有數(shù)不清的警示案例。美國麻省理工學(xué)院的Joy Adowaa Buolamwini在2017年的碩士論文中，分析了三種商用的人臉識別技術(shù)，揭示出這些算法因訓(xùn)練集不完整而存在性別與種族偏見。訓(xùn)練數(shù)據(jù)集中以白人男性面孔為主，導(dǎo)致有色人種女性被誤判的比例高達35%，而白人男性的識別準確率卻高達99%。這一發(fā)現(xiàn)促使IBM和微軟對其算法進行了修正。

謹慎的理由。基于人工智能的人臉識別技術(shù)在黑人女性群體中的表現(xiàn)最差，這種偏差可能帶來嚴重的現(xiàn)實負面后果。其根源在于訓(xùn)練數(shù)據(jù)集嚴重偏向白人男性

即便只是評估機器學(xué)習(xí)應(yīng)用中的不確定性，也充滿了復(fù)雜性。訓(xùn)練數(shù)據(jù)從來都不完美。例如，模擬數(shù)據(jù)可能無法完全準確地描述實驗中設(shè)備的響應(yīng)，或者如前例所示，若訓(xùn)練數(shù)據(jù)集不完整，真實數(shù)據(jù)中的關(guān)鍵過程就可能被遺漏。而算法的表現(xiàn)也從不完美，訓(xùn)練方式和參數(shù)選擇本身都會帶來不確定性。

事實上，在這份先導(dǎo)研究的調(diào)查中，有69%的受訪者認為人工智能對物理學(xué)帶來了多重風(fēng)險，其中主要擔憂之一就是訓(xùn)練數(shù)據(jù)質(zhì)量差或錯誤導(dǎo)致的結(jié)果不準確(詳見“對不確定性的‘不確定’”)。物理研究中若出現(xiàn)結(jié)果錯誤，可能會“發(fā)現(xiàn)”一個并不存在的粒子，或錯過一個真正的新粒子，這已足夠嚴重。試想一下，如果未經(jīng)充分理解的AI方法被用于解讀醫(yī)學(xué)影像，作出醫(yī)療決策，或被用于金融投資的模型建議，其風(fēng)險之大可想而知。然而，盡管后果嚴重，在這些現(xiàn)實場景中應(yīng)用的AI方法往往校準不足，其不確定性也并未被清晰界定。

物理學(xué)界正考慮一些新方法，試圖將源于模擬訓(xùn)練數(shù)據(jù)的不確定性與算法性能相關(guān)的不確定性區(qū)分開來。然而，這并不容易。美國勞倫斯伯克利國家實驗室的Aishik Ghosh和Benjamin Nachman在2022年的一篇論文中指出，設(shè)計出一種方法，使其對“你認為訓(xùn)練數(shù)據(jù)中存在的不確定性”不敏感，并不等同于真正對“實際存在的不確定性”不敏感。如果情況如此，不僅測量不確定性會被低估，而且根據(jù)訓(xùn)練數(shù)據(jù)與現(xiàn)實之間的差異，還可能得到錯誤的結(jié)果。

人工智能能夠、也確實在推動物理學(xué)發(fā)展，但我們必須投入時間正確地使用它，確保結(jié)果可靠。只有這樣，其他領(lǐng)域的人們也才能從我們的工作中受益。

對不確定性的“不確定”

英國物理學(xué)會的“先導(dǎo)研究”調(diào)查向其成員提問：“在物理學(xué)研究與創(chuàng)新中，您對人工智能的最大潛在擔憂是什么？”受訪者可以選擇多個答案，而最普遍的擔憂是人工智能的不準確性。

物理學(xué)如何幫助人工智能

物理學(xué)是一個對精確度要求極高的領(lǐng)域，我們在理解結(jié)果中的偏差和不確定性時力求嚴謹。事實上，先導(dǎo)研究報告強調(diào)，我們量化不確定性的方法同樣是能夠推動和強化人工智能的方法。這對于未來的創(chuàng)新以及提升人們對人工智能應(yīng)用的信任至關(guān)重要。

相關(guān)進展已經(jīng)在展開。其中之一是2017年首次提出的“物理約束神經(jīng)網(wǎng)絡(luò)”。這種方法不僅利用與特定應(yīng)用相關(guān)的訓(xùn)練數(shù)據(jù)，還要求模型結(jié)果必須與物理定律保持一致。引入物理規(guī)律有助于彌補訓(xùn)練數(shù)據(jù)的不足，并能防止出現(xiàn)違反物理規(guī)律的解，從而提高結(jié)果的準確性。雖然這一領(lǐng)域還相對年輕，但發(fā)展極為迅速，已經(jīng)在計算流體力學(xué)、傳熱學(xué)、結(jié)構(gòu)力學(xué)、期權(quán)定價以及血壓估算等領(lǐng)域得到了應(yīng)用。

另一項進展是貝葉斯神經(jīng)網(wǎng)絡(luò)的應(yīng)用，它能夠在預(yù)測中引入不確定性估計，從而讓結(jié)果更穩(wěn)健、更具意義。這種方法已經(jīng)在醫(yī)療診斷和股市預(yù)測等決策至關(guān)重要的領(lǐng)域中進行試驗。

但這對物理學(xué)來說并不陌生。早在2000年代，對撞機探測器實驗中開發(fā)的神經(jīng)網(wǎng)絡(luò)就是一種早期的貝葉斯神經(jīng)網(wǎng)絡(luò)。它被設(shè)計用來抵抗數(shù)據(jù)中的離群點，避免因統(tǒng)計波動引起的訓(xùn)練問題，并以可靠的概率基礎(chǔ)來解釋結(jié)果。正是這些特性，使得這種方法在分析物理學(xué)以外的許多系統(tǒng)時也同樣具有不可替代的價值。

因此，物理學(xué)既從人工智能中獲益，也能推動人工智能的進步。這是一種獨特的關(guān)系，理應(yīng)得到更廣泛的認可，而現(xiàn)在正是將其凸顯出來的好時機。英國政府已經(jīng)表示，它認為人工智能是“我們這一代人決定性的機遇”，能夠驅(qū)動增長和創(chuàng)新，并希望讓英國成為全球人工智能強國。相關(guān)行動計劃和戰(zhàn)略已經(jīng)在實施。物理學(xué)可以提供獨特的視角來助力實現(xiàn)這一目標，現(xiàn)在正是將其納入討論的時刻。

用先導(dǎo)研究報告中的話來說，我們需要清晰闡釋并展示人工智能能為物理學(xué)做些什么，以及物理學(xué)能為人工智能貢獻什么。讓我們從這里出發(fā)，把物理學(xué)真正放上人工智能的地圖，為所有人所知。

人工智能術(shù)語與定義

以下是人工智能領(lǐng)域一些關(guān)鍵術(shù)語的定義。

人工智能(AI)

由機器展現(xiàn)出的智能行為。但“智能”的定義頗具爭議，因此一個更普遍、更容易被接受的定義是：人工智能是指系統(tǒng)能夠根據(jù)環(huán)境和既往經(jīng)驗調(diào)整自身行為的能力。

機器學(xué)習(xí)

作為賦予機器人工智能的一類方法，機器學(xué)習(xí)本身是一個廣泛的范疇。本質(zhì)上，它是一個系統(tǒng)通過訓(xùn)練集進行學(xué)習(xí)，從而能夠在面對新數(shù)據(jù)時自主做出恰當反應(yīng)的過程。

訓(xùn)練數(shù)據(jù)

一組真實或模擬數(shù)據(jù)，用來訓(xùn)練機器學(xué)習(xí)算法，使其能夠識別數(shù)據(jù)中表征信號或背景的模式。

人工神經(jīng)網(wǎng)絡(luò)

機器學(xué)習(xí)的一個分支，其學(xué)習(xí)機制仿照生物大腦的運作方式。輸入信號在通過層層相互連接的神經(jīng)元時會被不斷調(diào)整，最終輸出結(jié)果?！敖?jīng)驗”通過改變網(wǎng)絡(luò)中神經(jīng)元之間連接強度的方式被“編碼”。

生成式人工智能

一種機器學(xué)習(xí)算法，它能夠基于訓(xùn)練數(shù)據(jù)生成新的內(nèi)容，如圖像或文本。

計算機視覺

人工智能的一個分支，通過分析、解讀和提取圖像中的有用信息來識別和分類對象與模式。

自然語言處理

人工智能的一個分支，負責(zé)分析、理解和生成自然語言。

《物理》50年精選文章