机器学习的出现，是否意味着“古典科学”的过时？( 二 ) 作者丨LauraSpinney译者丨刘媛媛

Griffiths认为，这些反例反映的信息量更大，因为它们揭示了现实生活中存在的更多复杂性。例如，正如前景理论所描述的那样，人类不断地根据传入的信息权衡概率。但是，当大脑要计算的竞争概率太多时，他们可能会转向不同的策略。例如，受经验法则的指导，股票经纪人的经验法则，可能与青少年比特币交易员的经验法则不同，因为它来自不同的经验。
“我们基本上是在使用机器学习系统，来识别那些观察与理论不一致的情况” ， Griffiths说。
数据集越大，人工智能学习的不一致就越多。最终得到的结果，不是传统意义上的关于人们如何做出决定的精确主张的理论，而是一组受某些约束的主张。
一种描绘它的方式可能是“如果...那么...”类型规则的分支树，这很难用数学来描述，更不用说用语言描述了。
2可理解和预测性之间的权衡
人类也不是第一次面临这种局面了。
1980年代，语音识别软件先驱FrederickJelinek曾说说：每解雇一名团队中的语言学家，语音识别器的性能就能获得提高。
他的意思是，对理论的执着某种程度上阻碍了实践上的进步。
以预测而蛋白质结构的例子来说明。蛋白质的功能很大程度上取决于它的结构，因此，如果你想设计一种药物来阻断或增强给定蛋白质的作用，你需要了解它的结构。
AlphaFold使用X射线晶体学等技术，对实验推导的结构进行了训练，目前它对于有一些实验数据的蛋白质的预测，比那些没有实验数据的蛋白质的预测更可靠。
【机器学习的出现，是否意味着“古典科学”的过时？】欧洲生物信息学研究所(EMBL-EBI)前主任JanetThornton说：”模型的可靠性是一直在提高的。缺少理论并不会阻止药物设计师使用它，这只会增进我们对生命和治疗的理解。 ”

文章图片
图3由AlphaFold程序模拟的蛋白质结构
同时，也有一部分人显然对这种科学发展方向不太满意。
例如，批评者指出，神经网络可能会产生虚假的相关性，尤其是在训练数据集很小的情况下。
而且所有数据集都是有偏见的，毕竟科学家们收集数据的方式不是均匀或中立的，而是始终考虑某些假设，这些假设对谷歌和亚马逊的人工智能造成了破坏性影响。
正如科学哲学家SabinaLeonelli解释的那样：“我们使用的数据环境非常扭曲。 ”
虽然这些问题确实存在，但计算神经科学家Dayan并不认为它们是不可克服的。
他指出，人类也有偏见，而且与人工智能不同，人类是以非常难以审视或纠正的方式。
AI新科学面临的一个更大的障碍，可能是人类需要解释这个世界——用因果关系来讨论。
2019年，西雅图华盛顿大学的神经科学家BingniBrunton和MichaelBeyeler写道:“这种对可解释性的需求，可能阻碍了科学家们对大脑产生新的见解，这种见解只能从大型数据集中出现” 。
但他们对此也表示同情。他们说：“如果要将这些见解转化为药物和设备等有用的东西，计算模型必须产生对临床医生、最终用户和行业可解释和信任的洞察力。 ”
解决如何弥合可解释性差距的——可解释人工智能，已成为热门话题。但这种差距只会越来越大，我们可能会面临权衡取舍：愿意为可解释性放弃多少可预测性？
对AI驱动的科学，还有最后一个反对意见是，人们对旧理论方法仍有待发现，其中可能存在有用的地方（即从离散示例中提取的概括）。而且只有人类才能做到这一点，因为它需要直觉。