科学创造了不可思议的现代文明。每次坐飞机，大部分人都惊叹于这项让人类在云端之上翱翔的技术。人类绘制了基因组图谱，建立了超级计算机和互联网，对彗星进行了探测，在粒子加速器中以接近光速的速度粉碎了原子，并把人送上了月球。我们是怎么做到的呢?
我们的大脑只有3磅，看看我们已经取得的这些成就，这是相当了不起的。科学方法可能是人类有史以来最强大的想法，自启蒙运动以来取得的进步简直令人震惊。但我们现在正处于一个关键时刻，从气候变化到宏观经济问题，再到老年痴呆症这许多的系统问题都极其复杂，很难掌握。我们能否解决这些挑战，以及我们能以多快的速度实现，这两个问题将影响数十亿人未来的福祉，以及我们所将要生活的环境。
问题在于，这些挑战如此复杂，以至于即便是世界顶尖的科学家、临床医生和工程师也难以掌握所有必要的复杂情况，而只有掌握了这些，问题才能取得突破。据说，达芬奇可能是最后一个能够完全理解他们那个年代的知识范围的人。从那时起，我们就开始了专门的研究。
今天，要完全掌握哪怕是一个领域，如天体物理学或量子力学，也需要一辈子的时间。我们现在想弄明白的系统是由大量的数据支撑的。这些数据通常是高度动态的、非线性的，并且具有突现的特性，因此很难找到结构和连接，从而揭示隐藏在其中的见解。开普勒和牛顿可以用方程式来描述地球上的行星和物体的运动，但是今天的问题很少可以简化成简单的一套简洁的公式。这是当今时代最伟大的科学挑战之一。
现代计算机时代的创始人艾伦·图灵、约翰·冯·诺伊曼、克劳德·香农，他们都明白信息理论的核心重要性，如今大部分人也都已经意识到几乎所有事情都可以用这种范式来思考或表达。这在生物信息学中是最明显的，基因组实际上是一个巨大的信息编码模式。相信有一天，信息会被视为基本的能源和物质。从本质上来说，智能可以被视为一个将非结构化信息转化为有用和可操作的知识的过程。很多人愿意用尽一生为人工智能的科学愿景而努力钻研，人工智能的愿景是人类可以人工合成、自动化和优化这一过程，利用技术，把它作为工具帮助在那些对人类毫无帮助的领域获得快速的新知识。
如今，人工智能已经变得非常流行。然而，“人工智能”一词的含义还要取决于语境。AlphaGo之父Demis Hassabis 与人联合创办的DeepMind公司采取的方法侧重于学习和一般性的概念，目的是开发其所需要的人工智能。如果想要计算机去发现新的知识，那么必须让他们有能力真正地为自己学习。他们研究出来的算法会直接从原始经验中进行学习，掌握规律，从而完成任务，这意味着他们所掌握的知识并不是抽象的符号，而是最终以某种形式的感官现实为基矗
他们进一步要求将这种算法一般化，因为相同的系统具有相同的参数，可以在广泛的应用中都能表现出色。这两项原则都是在DeepMind 2015年的自然杂志上展示的，在这篇论文中，一个单一的程序可以让自己学会玩几十个经典的雅达利游戏，除了屏幕上的像素和跑步的得分外，并不需要其他的输入。他们还将系统级别的神经科学作为新算法和建筑理念的灵感来源。毕竟，大脑是唯一存在的证据能证明一种通用的基于经验的学习系统是可能的。这与许多前辈的做法完全不同。
这种差异有一个例子可以很好的进行解释：那就是两项在游戏领域取得世界第一的突破性项目:IBM的深蓝（在1997年击败了国际象棋冠军Garry Kasparov），以及他们最近的AlphaGo程序，去年在世界上最复杂的围棋比赛中，击败了世界上最顶尖的选手之一。“深蓝”使用的是所谓的“专家系统”方法：一组程序员与一些国际象棋大师们坐下来，明确地提炼并将他们的知识编写成一套复杂的试探法。一台强大的超级计算机随后使用这些手工制作的规则来评估大量可能的变化，用蛮力计算出正确的移动方式。深蓝对Kasparov的胜利是人工智能历史上的一个重要里程碑。但它的胜利更多地证明了它的程序员和大师团队的聪明才智，以及当代硬件的计算能力，而不是程序本身的内在智力。
象棋破解后，围棋成为人工智能研究的新圣杯。围棋有3000多年的历史，在亚洲有着深厚的文化意义，它被认为不仅是一种游戏，而且是一种艺术形式，围棋职业冠军受到公共的认可。在170种可能的围棋结构中，有惊人的10种（超过了宇宙中原子的数量）无法通过强力的方法来解决。
事实上，即使是编写一个函数来确定哪一方在某一特定的围棋位置上获胜也被认为是不可能的，因为单块位置的微小变化可以从根本上改变整个棋局状态。顶尖的人类围棋棋手会严重依赖直觉和直觉来处理这种巨大的复杂性，通常把动作描述为简单的“感觉正确”，而国际象棋选手则更依赖于精确的计算。对于AlphaGo来说，他们意识到，要想抓住这个游戏的这个直观的方面，必须采取一种与深蓝等国际象棋程序截然不同的方法。他们没有人工编写人类专家策略，而是使用包括深度神经网络在内的通用技术来构建一个学习系统，并向它展示了数以千计的业余游戏，以帮助它发展自己对人类游戏的合理的理解。然后，他们让它对不同版本的自己进行了数千次的攻击，每次都从错误中学习，不断地改进，直到它变得非常强大。
2016年3月，机器人准备迎接终极挑战:扮演传奇的Lee Se-dol，他曾得过18个世界冠军，被广泛认为是过去10年最伟大的球员。超过2亿人在网上观看了比赛，AlphaGo以4比1意外胜出。专家们一致认为，这一突破比想象中提前了10年。更重要的是，在比赛中，AlphaGo玩了几次非常有创意的获胜动作，其中一项在第二场比赛中移动了37次，这让人意外的是，它颠覆了数百年来获得的智慧，从那时起，玩家们就一直在仔细地研究它。在获胜的过程中，AlphaGo以某种方式向世人传授了这项算得上是史上最受研究的游戏的全新知识。
这些“算法灵感”让人们得以一窥为何人工智能对科学如此有利:机器辅助科学发现的可能性。他们相信，支持AlphaGo的技术是通用的，可以应用于其他领域，特别是那些有明确目标功能的、可以被优化的、可以被精确模拟的环境，从而实现高效的高速实验。例如，在能效方面，他们又使用了这些算法的一种变体，找到了一套新技术，能够把用于冷却谷歌数据中心的能量降低40%，他们现在正在整个车队中进行推广，这将带来巨大的成本节约，并对环境产生巨大影响。相信在未来的几年里，科学家和研究人员会使用类似的方法，从超导材料的设计到药物发现等众多领域产生深刻的见解。在很多方面，人们认为人工智能与哈勃望远镜类似（这是一种科学工具，可以让我们看到更远，更好地了解我们周围的宇宙）。
当然，就像任何强大的技术一样，人工智能的使用必须对这个社会负责任，同时必须是道德的，造福人类。人类还必须继续高度认识人工智能算法的实用性和局限性。但是，在对项目能力的严格关注和对数据质量的影响进行更多的研究之后，我们可能会发现人工智能在支持所有类型的专家方面发挥着至关重要的作用。在人类和算法之间的这种协作下，科学在未来几十年会有不可思议的进步。
相信人工智能将成为科学家们的得力助手、也会成为提升日常生活质量、让所有人更快、更有效地工作的一种元解决方案。如果我们能够广泛而恰当的利用这些工具，营造一个人人都能参与并从中受益的环境，就有机会丰富和推进人类整体的发展。
人们一直认为，物理学和神经科学在某些方面是最基本的学科：一个是关注外部世界，另一个是人类头脑中的内部世界。因此，他们之间就涵盖了一切。人工智能有可能帮助人类更好地理解它们。当我们对于学习过程本身研究越来越深入，同时将其与人类大脑进行比较时，有一天人类会更好地理解人类独一无二的原因，理解现在无法解释的未解之谜，例如：人类的梦境、创造力甚至是意识。如果人工智能可以帮助我们的社会，不仅是拯救环境、治愈疾并探索宇宙，而且还能更好地理解人类自己，那么，这可能是所有发现当中最伟大的发现之一。
（英文来源/ft 编译/机器/小易 审校/Brittany）
