中国研究人员在创造“真实AI科学家”方面取得突破

近日，来自北京大学和东方理工学院（EIT）的中国研究人员公布了一项开创性的框架，旨在利用先验知识训练机器学习模型，这有别于传统的仅依赖数据的方法。研究人员强调了深度学习模型对科学研究的变革性影响，突出了其从海量数据中提取有意义关系的能力。该框架解决了现有模型的局限性，例如OpenAI的Sora，由于缺乏对重力等物理定律的理解，难以准确模拟某些现实世界的互动。

深度学习模型以彻底改变科学研究而闻名，主要依赖大量数据进行训练，而非纳入物理定律或数学逻辑等先验知识。然而，来自北京大学和东方理工学院的研究人员提出了一种范式转变。该团队建议，在训练过程中将数据与先验知识相结合，可能会产生更准确、更明智的机器学习模型。

挑战在于确定应整合哪些先验知识方面（包括函数关系、方程和逻辑），以促进更好的预学习，同时避免模型崩溃。陈云田教授强调，用大量知识和规则淹没模型，往往会导致当前的知情机器学习模型出现困难或失败。

评估规则重要性的框架

为了克服这一挑战，研究人员开发了一个框架，用于评估规则的价值并确定最佳组合，以增强深度学习模型的预测能力。北京大学研究员、第一作者徐浩解释说，他们的框架通过分析特定规则或组合如何影响模型的预测准确性来计算“规则重要性”。

这种方法旨在平衡数据和知识的影响，提高深度学习模型的效率和推理能力。该团队设想，将人类知识嵌入AI模型可以显著提高其现实反映能力，使其在科学和工程领域更具适用性。

研究人员通过优化一个用于求解多元方程的模型和另一个用于预测化学实验结果的模型来测试他们的框架。陈表示，在短期内，该框架将在那些与物理规则的一致性对于避免潜在不利后果至关重要的科学模型中找到最有用的应用。

尽管结果令人鼓舞，但团队承认存在一个挑战。随着模型中数据的增加，通用规则变得比特定的局部规则更重要。然而，这一观察结果在生物学和化学等领域并未带来显著益处，因为这些领域通常缺乏通用规则。

迈向自主AI科学家

展望未来，研究团队希望将其框架再推进一步，使AI能够直接从数据中识别其知识和规则，而无需人工干预。最终目标是创建一个闭环，将模型转变为真正的AI科学家。陈认为，这一发展是AI迈向自主性的重大一步，团队正在积极开发一个开源插件工具，供AI开发人员使用，以促进这一过渡。