當今物理和天文實驗所產生的海量信息，沒有任何一個人或者團隊可以完整的處理。有些實驗數據每天以千兆字節的規模在增加——而且這個趨勢只會越來越明顯。想象一下，一臺以平方公里為單位陣列的射電望遠鏡，預計將于2020年中開始進行科學觀測，每年將產生的信息數量可與整個互聯網相匹敵。面對如此信息洪流，許多科學家不得不求助于人工智能。這是一個研究者眼中神奇的工具。

只需少許人工輸入，包括人工神經網絡（計算機模擬人腦神經網絡）在內的人工智能系統就可以輕松處理成千上百萬條信息，并發現其中的異常和人類絕難識別的模式。利用計算機協助科學研究的歷史可以被追溯到75年前。早在幾千年前，人類就已經開始從數據中尋找有效信息。科學家認為機器學習和人工智能所運用的前沿技術，是一種研究科學的全新方法。

這種方法，即生成模型（generative modeling），僅基于數據就可以找到與觀測數據相關的諸多解釋中最為合理的理論。更重要的是，這一過程無需預先編程，對于系統可能產生作用。生成模型的支持者覺得它的創新程度可以被認為是了解宇宙的潛在的“第三種方法”。

通常，我們通過觀察來知曉萬物。約翰尼斯·開普勒就是通過研究第谷·布拉赫的星象圖來試圖找到天體運動的規律（所有行星都是橢圓軌道上運行的），建模同時也推動著科學進步。天文學家模擬銀河與其鄰近星系仙女座的移動軌跡后，預測兩星系將于幾百萬年之后相撞。觀察和建模都能幫助科學家建立假設，而用進一步的觀察來檢驗假設。相較之下，生成模型區別于以上兩種方法。

“這是第三種方法，介乎于觀察和建模之間。”天文學家Kevin Schawinski介紹說。他此前一直就職于蘇黎世聯邦工業大學(ETH Zurich)，同時也是當今生成模型最狂熱的支持者之一。“它提供了一種解決問題的新方法。”有些科學家將生成模型和其他新技術簡單地歸類為研究傳統科學的工具。但絕大部分人的共識則是人工智能能夠帶來巨大的影響，而且在科學研究領域的作用也將越發顯著。費米實驗室的天體物理學家Brian Nord以用人工神經網絡研究宇宙而聞名。

更寬泛的說法，生成模型吸收數據（通常為圖像，但也不完全是）并拆分成一組基本但抽象的構建模塊——科學家將其成為數據的“隱空間”。該算法操控隱空間的元素來探究其如何影響源數據，而這也能幫助發現系統中正在運行的物理變化。

隱空間的概念很抽象且難以用視覺表現，但假設用一個粗略的比方，想一想當你在判斷人臉對應的性別時你的大腦究竟在如何運轉。你可能會關注到發型、鼻子形狀等，以及難以用言語表達的其他特征。電腦程序也在相似地尋找數據中地顯著特征：雖然它不會知道什么是胡子或性別，但如果學習的訓練數據中有標記著“男性”、“女性”或“長著胡子”的照片時，電腦程序將會很快地推斷出兩者之間的相關性。

模擬的成功并不能取代天文學家和研究學者的地位，但這意味著在天體物理學域，對象和過程的學習程度的發生轉變：我們通過生成概率模型，從龐大的數據庫獲取信息變得唾手可得。Schawinski教授指出，雖然這不是完全自動化的科學，但表明我們有能力在一定程度上構建自動化科學過程的工具。生成概率模型顯然是強大的，但它是否真正代表了一種新的科學方法呢？

供職于費米實驗室Nord教授指出重要的一點：神經網絡方法不僅要提供計算結果，而且要提供誤差區間——這是每個大學生統計課上都學過的。在科學領域，如果只計算而不提供相關誤差估計，那么結果并不值得信任。和其他AI研究員一樣，Nord教授也擔心神經網絡系統結果的“不易解釋”這一缺陷，通常系統提供的僅是結果，而不顯示具體這些結果是如何得到的。

然而并不是所有人都認為這是一個問題。法國CEA Saclay理論物理研究所的研究員Lenka Zdeborová指出，人類的直覺也是如此“不易解釋”。比如你看一張照片后立即認出是一只貓，但事實上你不知道這是怎么回事，從某種意義上說，大腦就是一個黑盒子。

不僅是天體物理學家和宇宙學家向AI推動的數據驅動、數據推動科學遷移，量子物理學家也使用神經網絡來解決一些十分棘手且重要的問題。

供職于周界理論物理研究所和安大略省滑鐵盧大學的Roger Melkoof教授，使用神經網絡技術解決了描述多粒子系統的數學波函數問題。Melkoof教授將必不可少的AI技術稱為“維數的指數詛咒”,波函數形式的可能隨粒子數量呈指數增長。這一模擬過程的難點類似嘗試在象棋或圍棋游戲中找出最佳走法，即你在試圖走下一步前，會想象你的對手會如何應對，在這些走法中選擇最佳的一個，但每走一步，可能性就會呈指數激增。

當然，AI系統已經掌握了國際象棋和圍棋游戲的玩法，從十年前征服國際象棋，到2016年AlphaGo擊敗了人類頂級圍棋棋手。Melkoof教授由此認為，人工智能在量子物理學中同樣具有適用性。無論Schawinski教授認為AI是科學研究的“第三種方法”是否正確，或者如Hogg教授認為，這種方法只是傳統觀察和數據分析的“外掛”，但毫無疑問的是AI正在改變科學發現方法,并起到明顯的促進作用，那么AI革命將在科學研究上走多遠？

在可預見的未來，我們能否制造出一臺使用生物硬件的機器，能夠解決那些連世界上最聰明的人類也無法獨立完成的物理或數學問題。科學的未來最終是否有可能歸宿于機器驅動，令人期待。