對于計劃舉辦夏日派對的人來說，天氣這個臭名昭著的混亂系統(tǒng)常常令人非常懊惱。在幾天內(nèi)，降雨、溫度、濕度、風速、風向等方面的任何微小變化都會衍生出全新的天氣狀況。這就是為什么在七天及更長時間內(nèi)，天氣預報都不準，而人們也因此需要為野餐安排備選方案。

試想，如果我們能很好地理解這個混亂的系統(tǒng)，從而預測其未來的走向，那會如何?

今年1月，科學家們做到了。在機器學習的幫助下，他們精準地預測了一項混亂的天氣系統(tǒng)，且預測的持久度超乎想象。機器只要觀察該系統(tǒng)的動態(tài)即可進行預測，無須理解任何化學反應式。

驚嘆、恐懼和興奮

不久以前，我們剛剛適應了人工智能的神奇能力。去年，一款名為AlphaZero的程序在一天內(nèi)從零起步自學了國際象棋，緊接著便打敗了世界上最好的國際象棋程序。此外，它還自學了圍棋，并勝過了上一屆硅谷冠軍——名為AlphaGo Zero的算法。AlphaGo Zero曾在輸入規(guī)則后，通過反復試驗自學成為圍棋大師。

很多的算法都是從全然無知的空白狀態(tài)開始，通過觀察某一特定過程或和自己比賽的方式，以每秒幾千步的速度進步，從而建立“知識”體系。這種能力在各種方面激起了人們的驚嘆、恐懼和興奮情緒。最近，我們也經(jīng)常聽到關于算法肆意破壞人性的傳聞。

在此，我關心的問題非常簡單：我想知道，人工智能對科學中“理解”的未來意味著什么?

完美的預測就是理解嗎?

大多數(shù)科學家可能都認為，預測和理解是兩碼事。這其中的原因是物理學的起源神話，或者說，是現(xiàn)代科學這一整體。

據(jù)說，在一千多年的時間里，人們都在用希臘羅馬數(shù)學家托勒密傳承下來的方法預測行星劃過天空的方式。

有趣的是，托勒密根本不知道重力理論，也不知道太陽其實位于太陽系的中心。不過，他的方法涉及了圓內(nèi)圓的復雜計算。雖然這種方法能很好地預測行星走向，但沒人知道它為何奏效，以及行星為什么會按照如此復雜的規(guī)律運動。

隨后，哥白尼、伽利略、開普勒和牛頓誕生了。牛頓發(fā)現(xiàn)了支配行星運動的基本微分方程，該微分方程可以描述太陽系中任一行星的運動軌跡。毫無疑問，這對人類是有利的，畢竟人們可以借此理解行星運行的原因。

在預測行星運動軌跡方面，相比于托勒密的算法，解微分方程是一個更高效的方法。更重要的是，有了對該方法的信任后，我們基于一項統(tǒng)一的原理發(fā)現(xiàn)了原來未曾見過的行星，該原理便是在火箭、掉落的蘋果、月球、宇宙等方面都適用的萬有引力定律。

在物理學界，這種基本模板多次獲得成功，即試著探索出一套描述統(tǒng)一原理的方程。在其幫助下，我們發(fā)現(xiàn)了標準模型，并達到了半個世紀以來粒子物理學的頂點——標準模型能精準地描述每一顆原子、原子核或粒子的潛在結構。在其幫助下，我們還試著理解了高溫超導性、暗物質和量子計算機。(因為該方法擁有難以理解的高效性，人們不禁懷疑，為什么宇宙看上去那么容易地被數(shù)學描述所控制?)

毋庸置疑的是，在所有科學中，對某物的理解都需要追溯到這一定律：如果你可以將一個復雜的現(xiàn)象歸結為一套簡單的原理，那你就算是理解它了。

頑固的例外項

然而，在這種美麗的描述中，也有令人煩惱的例外項。湍流——導致天氣預測困難的原因之一——是一個典型的物理學例外項。生物學中的絕大部分問題，及其錯綜復雜的結構也都非常頑固，拒絕服從簡單的統(tǒng)一原理。

雖然原子、化學及簡單原則都構成了這些體系的基礎，但通用有效的等式描述很難有效地進行預測。

同時，顯而易見的是，這些問題都終將輕易地受到機器學習的支配。人工智能可以識別出新的藥品，以治療克雷白氏桿菌等抗生素抗性細菌，而這種細菌是美國10%的醫(yī)院獲得性感染的致因。

正如古希臘人從神秘的特爾斐神使身上找到答案一樣，我們很快也可以通過人工智能神使的幫助，回答科學界內(nèi)最困難的問題。

目前，人工智能正在引導無人駕駛汽車和股市投資的發(fā)展。接下來，它還將預測藥品的抗菌有效性，以及未來兩周內(nèi)的天氣情況。在沒有數(shù)學模型和方程的情況下，人工智能也將達到史無前例的高度。

不難想象，有了大型強子對撞機中數(shù)十億次撞擊得來的數(shù)據(jù)，人工智能甚至可以超越物理學家所鐘愛的標準模型，并在預測粒子物理學結果的道路上做得更好。

就像特爾斐女祭司的晦澀難懂的語言一樣，人工智能特使也很難解釋預測的原因，畢竟其產(chǎn)物是基于進行所謂“實驗”的很多個微秒。這一切就像是一幅關于農(nóng)夫的漫畫：雖然沒上過學，但農(nóng)夫可以根據(jù)經(jīng)驗和直覺精準地預測天氣。

缺乏理解的科學?

對于科學實踐和科學哲學來說，機器智能的含義是深刻的。比如，面對越來越完美的預測，既然無法理解其預測方式，那人們還能繼續(xù)否認機器無法掌握更好的知識嗎?

如果預測是科學的基本目標，那我們該如何修改科學方法，修改那些數(shù)百年來幫助我們發(fā)現(xiàn)、改正錯誤的算法呢?

如果我們放棄理解科學，那我們還有必要追求我們所知的科學知識嗎?

對此，我無法給出答案。除非我們能明確地解釋為什么科學不只關乎良好預測的能力，否則科學家們將很快發(fā)現(xiàn)：“受過訓練的人工智能也可以完成他們的工作。”