|
人工智能不仅在互联网和工业界被越来越多的提及，从物理学、社会学、天文学、医学到化学，人工智能也改变着科学界。 粒子物理学家们从上个世纪80年代就开始捣鼓人工智能。为了解宇宙的奥秘，粒子物理学家们需要粉碎亚原子粒子，同时用巨大的力量炸出新的异常物质（物理学中，异常物质指的是与普通物质不同，具有奇异特性的物质的统称）。 比如，在2012年，科学家使用世界上最大的质子对撞机发现了传说中的希格斯玻色子。这颗稍纵即逝的粒子正是物理学家们解释其他所有基本粒子如何获得其质量的关键。 然而，这种异常物质很难定性。在对撞机中，大约每10亿个质子碰撞中才会出现一个希格斯玻色子，而且在十亿分之一皮秒内，它会衰变成其他颗粒。 一次碰撞将在瞬间产生数量十分巨大的数据，就像大海捞针，所以从数据中提取最多的有效信息非常重要。 机器学习尚未攻克这一领域。物理学家们仍主要靠对隐含物理学的理解来找出与新粒子相关的数据。但AI很可能变得愈来愈重要，在这一点上，机器学习对于能否跟上数据大潮至关重要。 算法如何分析大众情绪 社交媒体每年数以十亿计的用户以及数以千亿计的推特和帖子为社会科学带来海量数据。 心理学家 Martin Seligman 认识到这也为利用人工智能研究大众传播的走向提供了前所未有的机会。在宾夕法尼亚大学正面心理学中心进行的世界福祉项目（World Well-Being Project）中，他与20 多位心理学家、医生和计算机科学家使用机器学习和自然语言处理方法来筛选数据，以检测公众身心健康状况。 这通常是由调查问卷来完成的。这些数据当然首先需要大量预处理，但 AI 同时也提供了强大的可视化工具。 在最近的一项研究中，Seligman和他的同事们对 29,000 位参与了抑郁自我评估的脸书用户的日常更新进行了跟踪。使用其中的 28,000 个用户的数据，机器学习算法发现了更新所用的词汇与抑郁水平之间的联系。然后可以根据其更新内容成功预测其他用户的抑郁情况。
「语言与心理学的交叉分析注定会有一场革命。」德州大学奥斯丁分校的社会心理学家 James Pennebaker 说，他关注的重点不是内容而是行文风格。「现在我们可以对你之前发布和撰写过的所有内容进行分析。」Pennebaker说，结果就是，「越来越多的图片拼凑出一个原本的你。」 梳拢自闭症基因 对于基因学家来说，自闭症是一项恼人的挑战。 遗传图谱表明它具有很强的先天性遗传因素。但已知的在自闭症中发挥一定作用的数十种基因的变体只能解释约 20％ 的病例的病因。在其他 25，000 种人类基因和相关DNA数据中找到其他的变体或许可以对完整解释自闭症有一定帮助。 但是基因学家们近期才意识到，基因并不是孤立的。它们的行为是由数百万附近的非编码基因联合造成的，而且与 DNA 结合蛋白以及其他因素相互作用。识别哪些非编码变体可能影响附近的自闭症基因是比找到病变基因本身更难的问题，研究者们正在试图用 AI 解决这个问题。 通达天意的机器 今年 4 月，天体物理学家Michael Schawinski在 Twitter 上发了几张模糊的星系图片，并问有没有同仁能帮他区分出这四个星系。同事们说，这些图像看起来很像与银河类似的椭圆螺旋星系。 一些天文学家怀疑这是Schawinski的小把戏，直截了当地问，这些是真正的星系还是在计算机上模拟建模出来的？事实上都不是。瑞士苏黎世理工学院的Schawinski，以及其他合作者，用对物理学一无所知的神经网络造出了这些星系。 Schawinski 只想通过这条 Twitter 来表明神经网络生成的东西有多么逼真。但他更大的目标是创造一些类似电影中的技术，可以神奇地使模糊的监控图像变得清晰。 神经网络可以使一张模糊的星图看起来像是用一台高性能望远镜拍摄的，这也能够让天文学家从中观测出更精细的细节。 这只是越来越多的天文学认知的一部分。人工智能提供了一种强大的方法在 PB 级数据中查找和分类有趣的对象。 对Schawinski 来说，「我认为这个时代真的会变成一个‘哦，上帝，数据太多了’的时代。」 神经网络学习化学合成之道 有机化学家是一切向后看的专家。像大厨从考虑成品菜的样子开始然后研究具体做菜步骤一样，许多化学家从他们想要造的分子的合成开始，然后考虑如何组装。 德国明斯特大学研究生赛格勒说：「你需要合适的食材和菜谱来组合它们。」他和其他人正将人工智能引入他们的分子厨房。 他们寄望 AI 可以助其应对分子生成的关键挑战：从数百个潜在的模块中精挑细选，并连接以数千个化学规则。 几十年来，化学家们呕心沥血地攒出具有预装响应能力的计算机，希望能够创建一个能快速计算出最简分子配方的系统。然而，塞格勒说，化学「非常微妙，二进制很难覆盖所有规则。」 所以塞格勒，明斯特大学的电脑科学家Mike Preuss 及其导师Mark Waller 都转向了 AI 。他们通过深度神经网络模型替代了生硬快速的化学反应规则进行编程，从数百万的例子中自行学习化学反应的过程。 「提供的数据越多越好」赛格勒说。 随着时间的推移，模型学会了预测合成所需步骤的最佳反应。 最终，它可以从零开始自己制造分子。 三人用 40 个不同的分子测试了机器学习程序，将结果与传统的分子生成程序进行了比较。 即将前往伦敦制药公司工作的塞格勒希望采用这种方法来改善制药环节。 斯坦福大学的有机化学家Paul Wender表示，现在对塞格勒方法下结论还为时尚早。 但是，他认为「可能会产生深远的影响」，不仅仅在构合成已知的分子方面，而是在生成新的分子方面。 |
|
|
