在教授了物理学家用来理解现实世界的AI技巧之后，这台极其强大的机器
关于伽利略如何观察比萨大教堂的一盏灯的摆动并根据其脉搏进行测量，这是一个著名的故事。 他得出的结论是，周期是恒定的，并且与振幅无关。
伽利略建议摆锤可以控制时钟，后来又开发了类似的装置，尽管
惠更斯在伽利略去世后15年建造了这种类型的第一个时钟。
发现后，伽利略的天才忽略了所有可以考虑的令人不快的细节-空气阻力，温度，闪烁的灯光，噪音，其他人等。 他考虑了最简单的摇头灯模型，仅使用其周期，专注于最引人注目的功能。
许多历史学家认为，伽利略方法代表了科学方法发展的最早阶段，这一过程为我们提供了飞行，量子理论，电子计算机，广义相对论和人工智能。
近年来，人工智能系统已开始在数据中找到有趣的模式，甚至独立地推导某些物理定律。 但是在这些情况下，AI一直在研究与现实世界分散干扰的特定数据集。 这些AI系统的功能远远不能达到像Galileo这样的人的能力。
这就提出了一个有趣的问题：像伽利略一样，是否有可能开发出一种能够发展理论的AI系统，从而专注于解释她所观察到的世界的各个方面所需的信息？
今天，由于麻省理工学院
的 Tylin Wu和Max Tegmark的工作，我们知道了答案。 他们开发了AI，复制了伽利略的方法以及物理学家们几个世纪以来学到的其他技巧。 他们的AI Physicist系统能够推导神秘世界中的几种物理定律，这些定律是专门为模拟宇宙的复杂性而创建的。
Wu和Tegmark首先确定了现代AI的显着弱点。 在大型数据集上，他们通常会寻找一个统一的理论来管理整个数据集。 但是，数据集越大，越分散，就越困难。 对于当前的AI，不可能在大教堂中搜索物理定律。
为了解决这个问题，物理学家使用各种简化方法的思维方法。 首先是发展描述一小部分数据的理论。 结果就是描述了数据各个方面的几种理论，例如量子力学或相对论。 Wu和Tegmark设计了AI Physicist，以相同的方法模拟大数据集。
物理学家的另一个基本规则是奥卡姆剃刀，即简单思想的优越性。 因此，物理学家摒弃了要求创造者创造宇宙或地球的理论：创造者的存在提出了关于其性质或起源的一系列问题。
众所周知，AI倾向于生成过于复杂的模型来描述对其进行训练的数据。 因此，Wu和Tegmark还对系统进行了训练，使其更喜欢简单理论而不是复杂理论。 他们根据理论涵盖的信息量使用了简单的复杂性度量。
物理学家的另一个著名技巧是寻找统一理论的方法。 如果一种理论能够应对两种理论的任务，那将是更好的选择。 这促使物理学家寻找一种支配一切的定律（尽管实际上并没有关于这种理论存在的真正证据）。
帮助物理学家进行研究的最后一条原则：如果某项工作较早进行，则可以处理未来的任务。 因此，来自Wu和Tegmark的AI物理学家会记住所获得的问题解决方案，并尝试将其应用于未来的任务。
有了这些技术，Wu和Tegmark派出了AI Physicist上班。 他们发展了40个受物理学定律控制的神秘世界，并且在各地发生变化。 在这些世界之一中，一个废弃的球会在重力的影响下掉入一个受电磁势控制的区域，然后掉入一个受谐波势控制的区域，依此类推。
Wu和Tegmark想知道他们的AI物理学家是否能够通过简单地研究球的运动来得出相应的物理定律。 他们使用类似的方法，将AI Physicist的行为与“新生物理学家”的行为进行了比较，但是没有学习机会，而且还与经典神经网络的工作进行了比较。
事实证明，AI物理学家和“新生物理学家”都可以得出正确的定律。 他们说：“两个实体都能理解所有40个神秘世界中90％以上的事物。”
与“新生儿”相比，AI Physicist的主要优势在于学习过程加快，并且需要较小的数据集。 Wu和Tegmark说：“似乎有经验的科学家可以比新手更快地解决新问题，这要依靠现有的类似问题知识。”
他们的系统比普通的神经网络要好得多。 他们说：“我们的AI物理学家通常学习速度更快，并且产生的预测标准误差比类似复杂性的标准直接作用神经网络小数十亿倍。”
这是一项令人印象深刻的工作，表明人工智能可以极大地影响科学进步。 当然，真正的测试是让AI Physicist成为现实，例如，将其放在比萨大教堂中，看看它是否显示了机械钟的工作原理。 或将其扔到其他复杂数据中，例如使经济学家，生物学家和气候学家感到困惑的数据。 对于这样的系统，这显然是容易的任务。
如果AI Physicist的工作取得成功，那么科学史学家将能够认为这是自伽利略及其同伴时代以来科学方法发展的新时代的第一步。 没有人知道她可以领导我们。