AI快速学会宇宙法则，反而看不见新物理现象？

发表于《宇宙学与天文粒子物理期刊》的最新研究指出，人工智能有望大幅加速人类寻找宇宙新法则的脚步，但也带来出乎意料的难题：AI有时懂太多，反而学不了新事物。

宇宙的标准答案还不够完整

目前科学家描述宇宙的主流理论为“ΛCDM模型”，它能解释宇宙膨胀、星系分布等大范围现象，是当代宇宙学的基石。然而，科学家认为这个模型并非最终答案，近年天文观测暗示，巨质量微中子、重力修正效应、随时间变化的暗能量，都可能指向超越现有理论的新物理。

问题在于：要探索这些可能性，研究员必须建立数量庞大的“虚拟宇宙”电脑模拟，每个都对应不同物理假设，运算资源耗费量极其惊人，往往需要超大型电脑丛集跑好几周。

“迁移学习”：让AI先读入门书

普林斯顿大学与弗莱特隆研究所尝试用称之为“迁移学习”（transferlearning）的机器学习突破这道瓶颈。概念很直接：不要让AI一开始就硬啃最复杂的教材，而是先用相对简单的ΛCDM模拟训练它打好基础，再逐步让它学习包括新物理的复杂模型。

共同作者、宇宙学家AdrianBayer生动比喻：“就像你要学一门困难学科，会先读入门书建立概念，再去读真正艰深的专门著作。”第一作者、普林斯顿大学大学部学生VeenaKrishnaraj也说，这能避免AI一次“消化太多东西”。

但结果相当惊人：某些情形，迁移学习让团队昂贵模拟数量减少超过十倍，大幅降低运算成本与时间。

懂太多的代价：“负迁移”问题

然而，研究揭示一个隐藏陷阱，研究员称之为“负迁移”（negativetransfer）。还是用Bayer的比喻：想象从入门课本学医的学生，某天遇到一种罕见疾病，症状和常见病极为相似。过去累积的知识通常有帮助，但有时反而让人做出错误判断，先入为主将罕见病当成常见病处理。

AI也会犯同样毛病。团队测试包含巨质量微中子模拟时就发现，微中子质量在宇宙留下的观测讯号，和ΛCDM模型名叫“σ8”的参数（衡量物质在宇宙聚集程度的指标）效果非常相似。由于两者“长相”几乎一样，预训练过的神经网络起初根本分不清楚，常把新物理的讯号误判为已知现象。

Krishnaraj解释：“负迁移并非随机发生，而是源自模型背后的物理缩并性（degeneracy）。”换句话说，不同物理过程可能留下几乎相同的宇宙印记，让AI很难正确辨认哪个才是真正的原因。“这是我们必须留意并设法解决的问题。”

谨慎使用，因潜力巨大

此研究也像双面刃，迁移学习确实能让AI更快学习新宇宙模型，但如果运用不当，却让AI被旧知识束缚，错过真正的新发现，正如论文所述：“预训练能加速推理，但也可能阻碍学习新物理。”

这套方法仍在模拟阶段验证。团队下步是用于真实天文观测数据。下代宇宙巡天计划即将生产前所未有的海量精确数据，若能谨慎运用迁移学习，科学家或许能用更少资源、更快速度，在浩瀚宇宙找到超越现有理论的新物理。