Современный искусственный интеллект уже умеет решать сложнейшие математические задачи, предсказывать структуру белков и поведение физических систем. Но способен ли он сделать нечто гораздо более значимое открытие — увидеть за известными фактами новый закон природы, которого до него не замечал никто?

Представим, что на дворе начало XX века. Эйнштейн ещё не создал теорию относительности. У нас есть результаты экспериментов, астрономические наблюдения, работы Максвелла и Ньютона — но нет готового ответа. Если дать всё это современному ИИ, сможет ли он сам пройти путь от известных фактов до совершенно новой картины пространства и времени?

Именно этот вопрос разбирают физики Майкл Шалит, Натан Регев, Марин Солячич и Идо Каминер в свежем препринте Can AI Follow In Einstein's Footsteps?. И проблема, по их мнению, заключается не столько в вычислительных способностях современных машин, сколько в самом способе, которым они ищут ответы.

«ИИ ускоряет открытия в физике, но, возможно, уводит нас от построения теорий уровня Эйнштейна», — пишут авторы работы.

Предсказать движение планеты — ещё не значит понять физику

Разница между хорошим прогнозом и настоящим научным открытием может показаться незначительной, но история науки показывает обратное.

Иоганн Кеплер сумел чрезвычайно точно описать движение планет математическими законами. Ньютон сделал следующий шаг: предложил универсальную механику, которая объясняла не только орбиты планет, но и падение предметов на Земле, движение маятника или полёт пушечного ядра.

Машина же, по данным наблюдений, с легкостью может вычислить, где окажется планета через некоторое время. Но означает ли это, что она самостоятельно открыла законы Ньютона?

Проверить это попыталась другая группа исследователей. Их работа What Has a Foundation Model Found? Using Inductive Bias to Probe for World Models была представлена на международной конференции ICML.

Учёные обучили модель на траекториях движения небесных тел. С прогнозированием она справлялась хорошо. После этого исследователи дали ей новые физические задачи и проверили, использует ли она тот же фундаментальный принцип, который объясняет исходные данные.

И вот здесь возникла проблема.

Как сообщают авторы в материалах ICML, модель, обученная на орбитальных траекториях, при переходе к новым задачам не стала применять ньютоновскую механику. Вместо универсального физического закона она, по всей видимости, сформировала набор частных приёмов, которые хорошо работали в знакомых ситуациях, но плохо переносились на новые.

Получается, машина может рассчитать куда движется планета, но при этом не обязательно понимает закон, заставляющий её двигаться именно так.

Кеплер или Ньютон?

Кейон Вафа, один из авторов работы, сравнивает эту проблему именно с переходом от Кеплера к Ньютону.

«Оба могли прекрасно работать в одной задаче. Но идеи Ньютона позволяли переходить к совершенно новым задачам», — объясняет исследователь.

В этом и заключается один из возможных тестов на настоящее «понимание физики» для ИИ. Недостаточно проверить, насколько хорошо алгоритм предсказывает результат на знакомых данных. Нужно посмотреть, способен ли он самостоятельно выделить лежащий в их основе принцип и использовать его там, где условия уже совсем другие.

Именно такой переход постоянно совершала человеческая наука.

Почему Эйнштейн оказался сложнее

Но даже открытие закона Ньютона — не самый трудный вариант задачи.

Авторы работы Can AI Follow In Einstein's Footsteps? предлагают условно разделить научные открытия на несколько уровней. На одном можно найти закономерность или формулу, описывающую данные. На другом — построить более общую теорию. А самые крупные научные революции требуют чего-то ещё: открыть новый фундаментальный принцип или даже новый математический язык.

Именно к последней категории исследователи относят общую теорию относительности.

Эйнштейн не просто перебрал огромную таблицу наблюдений и обнаружил наиболее подходящую формулу. Он исходил из фундаментальных принципов — например, эквивалентности гравитации и ускорения — и пытался понять, какой должна быть физическая теория, если эти принципы верны.

Затем из новой теории уже следовали проверяемые предсказания.

Авторы называют такой способ поиска одним из слабых мест нынешнего ИИ. Современные системы очень сильны в индукции — поиске закономерностей в данных — и всё лучше справляются с дедукцией, то есть вычислением следствий из уже заданной теории. Но великие физики зачастую делали ещё один шаг: сначала предлагали новый принцип, а затем строили вокруг него теорию и искали способы её опровергнуть или подтвердить. 

ИИ и человеческая физика словно идут в противоположные стороны

Исследователи обращают внимание на любопытный исторический парадокс.

Человеческое познание природы в очень грубом приближении двигалось от наблюдения повторяющихся явлений к формулам, а затем — к универсальным теориям.

То есть примерно так:

наблюдение → закономерность → математический закон → фундаментальная теория.

А наиболее заметные достижения ИИ последних лет, считают авторы, демонстрируют движение в другом направлении.

Ранние алгоритмы научного поиска пытались получать из данных явные математические уравнения. Новейшие нейросети всё чаще работают как исключительно мощные предсказатели, которым для точного результата вообще не обязательно выдавать понятную человеку формулу.

AlphaFold, например, способен с высокой точностью предсказывать структуру белков. GraphCast — прогнозировать погоду. Это невероятно полезные инструменты. Но выдающаяся способность предсказывать ещё не означает, что система самостоятельно создала новую фундаментальную теорию природы.

Поэтому авторы называют происходящее своего рода «обратной эпистемической траекторией»: физика человека веками стремилась от прогнозирования к объяснению, тогда как центр развития современных ИИ-систем всё сильнее смещается к прогнозированию без обязательного создания понятной теории.

Как научить машину думать как физик

Исследователи не считают проблему безнадёжной. Наоборот, они предлагают изменить саму цель обучения научного ИИ.

Машине можно давать возможность не только искать ответы, но и самостоятельно формулировать вопросы и гипотезы. Затем — проверять эти предположения при помощи симуляций и математических инструментов, отбрасывать противоречивые идеи и оставлять наиболее простые и универсальные.

Ещё один возможный путь — заставлять одну систему одновременно работать с несколькими областями физики. Например, модель могла бы изучать и ньютоновское движение планет, и гравитационное линзирование в одном общем внутреннем представлении мира.

Авторы предполагают, что необходимость объяснять разные явления одним набором принципов может подтолкнуть ИИ к поиску более фундаментальных закономерностей — именно так, как физики стремятся объединять разрозненные наблюдения в единую теорию.

Значит, нового Эйнштейна среди машин пока не будет?

ИИ уже используется для поиска новых материалов, анализа результатов экспериментов, решения математических задач и обнаружения закономерностей, которые человеку было бы чрезвычайно трудно найти вручную.

Более того, авторы препринта подчёркивают, что нет оснований считать творческие открытия принципиально недоступными для искусственного интеллекта. Проблема в другом: сегодняшние системы в основном создавались для получения хороших ответов на поставленные перед ними задачи.

А Эйнштейн прославился не тем, что нашёл правильные ответы. Он сумел поставить перед физикой вопросы, которых до него почти никто не задавал в такой форме.

Возможно, поэтому настоящий тест для будущего научного ИИ будет заключаться не в том, сможет ли машина решить очередную невероятно сложную задачу. А в том, сможет ли она однажды посмотреть на хорошо знакомые человеку факты и спросить: «А что, если мы всё это время неправильно представляли себе, как устроен мир?»