阿里達摩院印臥濤：數學家如何與AI合作？

最新發布的《達摩院2022十大科技趨勢》將AI for Science列為重要趨勢，認為“人工智能成為科學家的新生產工具，催生科研新范式”，引起學界熱議。AI究竟對傳統科研意味著什么？我們做好迎接準備了嗎？以下為阿里達摩院城市大腦實驗室負責人華先勝的觀點。

DeepMind與合作者最近在Nature發表論文，AI幫助解決了數學難題，引起很多人的關注。大家關心得不是結果，而是AI在數學研究中如何發揮作用。

先介紹下背景，這篇文章是關于低維拓撲，里面有十幾個數學量，其中關鍵量是通過神經網絡擬合在做分析得到。作者猜測低位拓撲中存在未知的非線性關系，作者產生了很多數據并用神經網絡擬合了近似函數，發現其中三個量在擬合過程中起到了很重要的作用，并且只用這三個量也擬合得非常好。通過反正做擬合實驗，產生新的數據，得到新的觀察模型，最終數學家利用智慧猜出了一個不等式結構，并進一步給了嚴格的證明。

大家關心的是人機互動的過程，大量神經網絡實驗和兩個數學家之間多輪的互動，Nature描述了互動過程。自古以來，比如開普勒和其他應用科學家反復地做實驗觀察，從中尋找規律，現在AI算法和AI專家扮演了這個角色。這次創新主要用了神經網絡的技術，包括多元非線性函數進行遞進的技術和黑盒解釋的技術。

總結來說，這個成功案例會激發純數學家和AI合作證明一些新的猜想或者發現新結構。

延伸到AI for Science，我的看法是，AI的確可以加速科學實驗。除了做計算機模擬之外，AI還可以告訴大家實驗的方向。在最近的天體物理中，AI優化太空望遠鏡的指向，同時搜集更多更有趣的數據，有點像自動駕駛，用AI做自動駕駛望遠鏡，加快規律的發現速度。

其次，AI推動人機結合。當然說起來簡單，具體操作要復雜得多，科學家和AI專家必須緊密互動，比如數據生成、作圖、構建神經網絡和訓練、利用神經網絡進行結果驗證等解決問題高度相關。

最后非常重要的一點是發展可解釋的AI工具。AI產生的結論需要易于理解、能夠溯源，這樣才能建立與科學之間的橋梁，獲得科學家的信任。