【儀器網 時事聚焦】一直以來，人工智能(AI)都是一個熱門的話題，尤其“Alpha GO”的出現，更是改變了人類對“計算機自我學習”這一領域認知，也是從那一刻開始，，AI在爭議中迎來了多方面的發展。如今無論是AI作曲、AI繪畫還是AI語音、AI客服，AI把它的可能展現在我們面前，成為了我們工作生活的工具，甚至大學生在完成課題報告的時候也會使用AI，AI似乎已經開始慢慢滲透到學術領域中。那么會不會有一天，科研也會在AI的介入下發生改變呢？
這并非天方夜譚，目前已經有不少國家開始嘗試將AI與傳統科研工作聯系起來，有的科研學者更是直接開始挑戰編寫可用于研發活動的AI，不少企業也慢慢嘗試將AI作為智能化儀器的下一個發展方向。事實上僅從原理上來看，這種模式也是十分值得期待的。
人工智能的目的性簡單的說是獲得能夠以與人類智能相似的方式做出反應的智能機器，而過程簡單的來說是樣本學習。目前大部分的人工智能，差異其實在于內部學習以及重組樣本的邏輯。但無論是誰制造的人工智能，它們幾乎最終都會出現一個共性——學習的內容越多，準確性和自洽性就越強。當然近幾年已經有了改變這種情況的新方向出現，不過今天暫且不提。
而之前引起軒然大波的“Alpha GO”，其實就是通過樣本學習，在數學模型層面建立一個龐大的計算邏輯，從而計算圍棋在應對棋局時候的所有可能性，當然事實上，即便如此，“Alpha GO”也沒有把圍棋的所有可能計算出來，這也反應了計算機技術其實還有很大的發展空間。
我們都知道，計算是許多科研工作的基礎，事實上，許多的科研工作本身也是來自于規律的發現、歸納、對照。因此，在條件的允許下，如果人工智能可以才遇到這個過程中，理論上也可以實現科研結果的推算。不過想要完成正義點，僅僅依靠深度學習就不夠了，而這也涉及到了人工智能另一個研究課題“因果推論”。
從現在的研究結果來看，即便是再怎么復雜的AI，其工作的過程依舊是在比對模型，數據庫根本上決定了AI的上限，但人類的科研許多時候追尋的是“靈光乍現”之后的原理探究。
這么說可能有些抽象，簡單的說，目前的AI終究還是與人腦的機制不同，人們使用AI的過程其實和使用傳統儀器是類似的。AI如果真的融入到儀器之中，短時間能夠給科研帶來的，或許是更高效的實驗過程以及更直觀的結論統計。但是隨著AI的研究不斷深入，或許在未來的某一天，AI也能實現溯因、反推理，并能夠開始推算一些數據庫之外的邏輯，從而以科學研究的姿態探索出新的成果。
浙公網安備 33010602002722號
昵稱 驗證碼 請輸入正確驗證碼
所有評論僅代表網友意見，與本站立場無關