人工智能与宇宙：意想不到的偏见问题

人工智能与宇宙：意想不到的偏见问题

(视频)

当 AI 开始“先入为主”：为什么人工智能在破解宇宙奥秘时遇到了意外麻烦？

计算的狂欢与理性的余地：速度并非一切

在现代宇宙学的研究前沿，科学家们正陷入一场与海量数据的苦战。为了破译宇宙的运行密码，研究人员往往需要耗费数月甚至数年的时间来构建模拟宇宙、生成星系数据集，并进行复杂的“常识检查（sanity checks）”。正如暗能量光谱仪（DESI）联合发言人威尔·珀西瓦尔（Will Percival）所言，这一过程是得出任何严肃科学结论的必经之路，却也成了限制发现速度的瓶颈。

为了打破僵局，人工智能（AI）被作为“加速器”引入了实验室。这种能够自动识别模式并进行高维模拟的技术，最初被寄予厚望：人们希望它能超越人类的认知局限。然而，一项发表在《宇宙学与天体粒子物理学杂志》（Journal of Cosmology and Astroparticle Physics）上的最新研究却揭示了一个极具讽刺意味的真相——AI 在学习了宇宙的运行规律后，竟然产生了一种让物理学家措手不及的“副作用”。它变得和人类科学家一样“先入为主”，这种根深蒂固的偏见正成为它探索未知领域的绊脚石。

权威的告诫：在提速的同时拥抱深度

物理学家之所以如此依赖 AI，是因为探索“标准模型”之外的未知——例如大质量中微子、演变的暗能量或修正引力——其计算成本极其昂贵。普林斯顿大学和熨斗研究所（Flatiron Institute）的宇宙学家艾德里安·E·拜尔（Adrian E. Bayer）指出，虽然测试这些替代方案对理解宇宙至关重要，但为每一种假设都从头构建庞大的模拟套件在现实中是无法实现的。

然而，拜尔在研究中发出警告：单纯的“提速”绝非科学探索的终点。如果失去了对物理本质的深刻把握，速度将毫无意义。

“[该]研究提醒我们，加速与理解必须齐头并进。” —— 艾德里安·E·拜尔

“捷径”的诱惑：迁移学习的双刃剑

为了在减少模拟次数和降低成本的前提下给 AI 一个“强大的领先优势（head start）”，研究团队采用了机器学习中经典的**“迁移学习”（Transfer Learning）**策略。

这一逻辑非常直观：首先让 AI 神经网络在“标准模型”（/LambdaCDM，目前宇宙学的主流框架）的海量数据上进行预训练，使其掌握宇宙的基本运作规律；随后，再让它去处理更复杂的物理问题或学习标准模型的扩展版本。这种方法的初衷是让 AI 带着“现成的知识”进场，从而更高效地捕捉新物理学的蛛丝马迹。然而，正是这种“现成的知识”，最终成了 AI 的认知牢笼。

负迁移：当“经验主义”沦为认知的陷阱

研究团队发现了一个令人警醒的现象：“负迁移”（Negative Transfer）。当 AI 试图将其在标准模型中学到的知识应用到新领域时，它表现出了明显的认知偏差。

我们可以通过一个直观的类比来理解这种复杂的失效：这就好比一个在古典乐理中浸淫多年的学生，在初次聆听现代爵士乐时，会下意识地将那些特意设计的不和谐音符解释为“演奏失误”，因为它总是试图用古典乐的框架去强行修正它眼中的“异常”，而不是承认这是一种全新的音乐流派。

在物理宇宙中，这种偏差更为致命。AI 因为过度依赖已有的“经验”，导致它倾向于将新物理学的微小扰动误判为已知规律的变体。它宁愿躲在舒适区内强化旧逻辑，也无法识别出那些真正指向科学突破的线索。

参数空间的“迷雾”：逻辑严密的系统性错误

这种困境源于物理学中的**“简并性”（Degeneracies）**——即两种完全不同的物理效应可能在观测数据中产生极其相似的模式。

拜尔的研究强调，AI 在此时的失效并非“随机的混乱”，而是一种逻辑严密的系统性错误。当新物理效应在参数空间中与 AI 已经习得的标准模型方向发生重叠时，AI 会陷入挣扎。它并不是在胡乱猜测，而是因为它太过于“理性”地遵循了预训练时的逻辑，从而陷入了思维定势。如果 AI 不能可靠地从简并效应中剥离出真实的物理差异，那么在未来的大规模巡天数据分析中，我们将无法对它委以重任。

人类专家：算法时代的航行舵手

这项研究为我们敲响了警钟：AI 虽然是强大的工具，但它绝不能在缺乏人类监督的情况下“自动驾驶”。拜尔认为，人类专家必须紧密追踪 AI 的每一个计算步骤，明确它何时提供了真正的助力，又在何时因为背负了过重的“知识包袱”而误导了研究。

目前，团队正计划将实验推向更接近真实观测的复杂场景，包括引入星系形成的不确定性、巡天掩模（survey masks）以及噪声。通过这些更具挑战性的实验，科学家们希望摸清迁移学习在哪些宇宙学课题中收益最高，而在哪些领域则需要时刻警惕其“先入为主”的危险。

结语：在算法与真理之间

AI 确实拥有带我们跑赢时间的能力，但如果它跑错了方向，所有的速度都将化为泡影。我们曾寄希望于算法能帮我们跳出人类认知的樊篱，结果却发现，AI 同样会陷入我们常犯的错误——被已有的知识蒙蔽双眼。

在追求标准模型之外的真理时，一个发人深省的问题摆在所有科学家面前：如果我们训练的 AI 只是在不断强化我们已有的认知偏见，我们是否还能指望它带领我们走向标准模型之外的未知领域？