摘要：DeepMind强化学习专家David Silver提出：“AI要像婴儿一样，通过“体验”，主动学习。”

在海德堡获奖者论坛上，人工智能与物理科学的交汇引发关注。

DeepMind强化学习专家David Silver提出：“AI要像婴儿一样，通过“体验”，主动学习。”

这会是人工智能摆脱人类经验依赖、进军自然科学的转折点吗？

物理实验代价高昂，强化学习“试错”的代价是否太大？

粒子物理学家西娅·克莱博·奥雷斯塔德（Thea Klaeboe Åarrestad）在论坛上提到，当大型强子对撞机（LHC）运行时，AI如果用于控制质子的路径，一旦出错，可能会导致粒子撞击异常，带来不可逆的后果。

这样的风险，显然不是强化学习可以随意“尝试”的场景。

这也正是强化学习在实际物理系统中应用的一大“坑”。

不像围棋或电子游戏，物理实验的代价是时间和金钱，甚至是实验设备的安全风险。

现有的物理理论已经非常精确，例如在高能物理中，许多物理量的预测误差已控制在极小范围内。

那么，强化学习从零学起，意义何在？

凯尔·克兰默（Kyle Cranmer）认为，在大气流体动力学这些缺乏完善的理论模型的系统，强化学习可能比传统方法更有效率。

不是所有地方都需要AI去“重建理论”，但在建模困难、系统复杂的领域，强化学习可能补上那些人类无法精确描述的“空白”。

强化学习需要大量交互数据来训练模型。

而物理实验的特点恰恰相反，数据获取成本高，实验周期长。

Silver提出的解决方案是——先在仿真环境中训练AI，再将其策略迁移到实际系统。

在模拟环境中，AI可以持续优化控制策略，等到足够成熟，再用于真实系统。

这种方式降低了试错带来的风险，也提升了算法的可控性。

在论坛的小组讨论中，大卫·西尔弗、克兰默和奥雷斯塔德等人，都强调了跨学科合作的重要性。

AI科学家和物理学家在方法论、问题定义、数据处理等方面都有不同视角，而正是这种差异，产生了新的研究方式。

AI的参与，帮助物理学家从庞杂的数据中，找出那些被忽略的“异常信号”。

高风险实验、数据成本、理论精度这些问题，使得强化学习并不容易在物理科学中的落地。

但Silver提出的“体验式学习”，正在提供一种新视角：不是让AI替代科学，而是让AI参与探索。

正如西尔弗所说：“AI像婴儿一样学习”，通过探索、试错、反馈，走出一条新的发现之路。

在探索未知的路上，AI不是主角，但它，可能是那个意外带路的人。

来源：妇产科医生小永