AI 科學家的覺醒：杜克大學新 AI 如何破解自然的「隱藏法則」
利創智能圖靈學院
科楠老師
2025-12-19
在科學發展的長河中，我們一直依賴天才的直覺來洞察混亂表象下的秩序。從牛頓被蘋果砸中而悟出萬有引力，到克卜勒在第谷繁雜的星圖數據中提煉出三大定律，科學發現的本質往往是「化繁為簡」將複雜的自然現象壓縮成優雅、簡潔的數學方程式。然而，隨著人類探索的領域從簡單的單擺運動拓展到氣候變遷、神經網路甚至量子力學，變數之多、非線性關係之複雜，早已超出了人腦的處理極限。我們進入了大數據時代，雖然擁有海量數據，卻往往「知其然而不知其所以然」。2025年12月17日，杜克大學（Duke University）的研究團隊在《自然》旗下的 npj Complexity 期刊發表了一項突破性成果。他們開發了一種新型人工智慧框架，不僅能精準預測複雜系統的演變，更能像當年的牛頓一樣，從數據中「蒸餾」出人類可理解的簡潔物理定律。這不僅是 AI 技術的勝利，更標誌著「機器科學家」（Machine Scientist）時代的正式來臨。
第一章：現代科學的困境與「黑盒子」的侷限
在介紹這項新技術之前，我們必須先理解現代科學面臨的根本困境。過去十年，深度學習（Deep Learning）席捲了科學界。從預測蛋白質結構的 AlphaFold 到模擬核融合的 AI 模型，神經網路展現了驚人的預測能力。然而，這些傳統 AI 模型往往存在一個巨大的缺陷：它們是「黑盒子」（Black Box）。想像一下，你訓練一個 AI 預測天氣。它可能告訴你「明天會下雨」，準確率高達 99%。但當氣象學家問：「為什麼？」AI 卻無法給出解釋。它只是在其數以億計的參數中找到了一種統計相關性，而沒有真正理解背後的物理機制。這種「只求結果，不求甚解」的模式，對於工程應用或許足夠，但對於追求真理的基礎科學來說，卻遠遠不夠。
科學的核心在於「解釋」與「理解」。如果我們無法從 AI 的預測中提煉出通用的法則，那麼當環境發生微小變化時，AI 的預測可能會完全失效（即泛化能力差）。更重要的是，無法解釋的模型無法啟發人類科學家產生新的理論洞見。這正是杜克大學機械工程與材料科學助理教授陳伯遠（Boyuan Chen）及其團隊試圖解決的問題。他們不滿足於製造一個預測機器，他們想要製造一個能「思考」、能「寫公式」的 AI。
第二章：破解混沌:當 AI 遇上庫普曼算符
這項新 AI 的核心靈感，源自於一位 1930 年代的數學家伯納德·庫普曼（Bernard Koopman）。庫普曼提出了一個大膽的理論：任何複雜的非線性動力系統（Nonlinear Dynamical System），如果將其投射到一個維度足夠高的空間中，都可以被視為簡單的線性系統。為了理解這一點，讓我們藉用文中提到的「加農砲」例子。一顆飛行中的砲彈，其軌跡受到重力、空氣阻力、風速、溫度甚至地球自轉等多重因素影響，這是一個複雜的非線性過程。但如果我們只關注核心變數，它的軌跡可以用簡單的線性方程來近似。庫普曼的理論聽起來很美妙，但在實際操作上有一個巨大的障礙：要將一個複雜系統（如湍流或腦電波）「線性化」，往往需要將其映射到無限維度的空間，或者需要成千上萬條方程式來描述。這對於人類大腦來說是完全無法處理的。杜克大學團隊的創新之處，在於利用深度學習強大的特徵提取能力，來解決這個「維度爆炸」的問題。
他們設計的 AI 框架包含兩個關鍵步驟：
1. 自動編碼（Auto-encoding）：AI 會觀察實驗數據（例如雙擺的混亂運動或氣候溫度圖），然後嘗試找到一個「隱藏的坐標系」。在這個新坐標系中，原本混亂的運動軌跡會變得規律且平滑。
2. 物理約束（Physics-informed constraints）：不同於一般 AI 可以隨意擬合數據，這個 AI 被植入了「物理直覺」。它被要求生成的模型必須盡可能簡潔（稀疏性），且必須符合線性動力學的特徵。
結果令人震驚。這個 AI 成功地將包含成百上千個變數的複雜系統，壓縮成了僅由少數幾個關鍵變數控制的簡潔線性方程。這就像是 AI 在看了一堆雜亂無章的數據後，遞給科學家一張紙條，上面寫著：「看，其實這一切只由這三個變數決定，公式是 F=ma。」
第三章：從雙擺到氣候:AI 的實戰演練
為了驗證這套系統，研究團隊對多個經典的複雜系統進行了測試。
1. 混沌的雙擺（Double Pendulum）
雙擺是混沌理論中的經典案例。僅僅是在單擺下方再掛一個擺，其運動軌跡就會變得極度敏感且不可預測（蝴蝶效應）。傳統物理學雖然能寫出其運動方程，但在解析解上極為困難。杜克大學的 AI 在觀察了雙擺的運動影片後，成功提取出了描述其運動的核心變數，並生成了一個緊湊的預測模型。
2. 全球氣候模式
氣候系統涉及流體力學、熱力學等無數變數。研究人員向 AI 輸入了全球溫度變化的時間序列數據。AI 雖然不知道地球的地理結構或大氣物理學，但它自動識別出了熱量在全球傳播的潛在模式，並建立了一個比傳統機器學習模型小 10 倍以上、卻同樣精準的線性模型。
3. 生物神經網路
生物訊號往往充滿雜訊且機制不明。在分析神經迴路數據時，該 AI 同樣展現了強大的能力，從雜亂的電訊號中抓住了神經元活動的穩定模式。
這些案例證明了該框架的強大之處：泛用性。無論是對象是機械、流體還是生物，只要它是隨時間演變的系統，這個 AI 就能嘗試找出其背後的「隱藏法則」。
第四章：尋找「吸引子」預測之外的深層價值
這項研究還有一個常被忽視但極具價值的應用：尋找系統的「吸引子」（Attractors）。在動力系統中，吸引子是指系統在長期演化後傾向於穩定的狀態。例如，一個被撥動的鐘擺最終會停在最低點，這個靜止狀態就是一個吸引子。對於複雜系統（如心臟跳動或發電廠渦輪機），識別吸引子至關重要。
論文第一作者、博士候選人 Sam Moore 指出：「一旦你知道穩定點在哪裡，系統的其他部分就開始變得有意義了。」這項能力讓 AI 變成了一個強大的診斷工具。在醫療領域，它可以分析心電圖，判斷心臟是否處於穩定的健康狀態（正常的吸引子），還是正在滑向心律不整的邊緣（不穩定的軌跡）。在工業領域，它可以監控大型機械的震動數據，在故障發生前識別出系統正在偏離穩定狀態的微小徵兆。這種對「穩定性」的洞察，是傳統「黑盒子」預測模型難以提供的。傳統模型只能告訴你「下一秒數據是多少」，而這個新 AI 能告訴你「系統是否健康」。
第五章：機器科學家與人類的協作未來
陳伯遠教授將這項技術比喻為「連接 AI 科學家與人類科學家的橋樑」。這句話點出了 AI for Science（AI 用於科學）未來的核心精神：可解釋性（Interpretability）。過去，科學家對 AI 持保留態度，因為無法信任一個自己無法理解的模型。但杜克大學的這項技術生成的模型是線性的、低維度的，這意味著人類科學家可以直接閱讀這些公式，並將其與現有的物理理論進行對照。
這開啟了一個全新的科研範式：
1. 數據收集：人類或自動化實驗室收集海量數據。
2. 法則提取：AI 分析數據，提出候選的物理定律（方程式）。
3. 理論驗證：人類科學家審視這些方程式，賦予其物理意義，甚至發現人類未曾注意到的新機制。
4. 實驗指導：AI 甚至可以反過來告訴科學家：「為了驗證這個定律，你需要收集哪種數據。」
這不再是 AI 取代科學家，而是 AI 成為了科學家的「數位達爾文」或「數位牛頓」，負責處理那些人類大腦無法負荷的高維度計算，將最精華的規律呈現在我們面前。
第六章：結論與展望
杜克大學的這項研究，不僅僅是演算法的優化，更是科學方法論的一次革新。它證明了 AI 不僅能模仿自然的表象，更能觸及自然的骨架。當然，這項技術仍處於早期階段。目前的測試主要集中在物理機制相對明確的系統上。面對像社會經濟學、複雜生態系等「規則」本身就在不斷變化的系統，這套基於動力學的框架能否依然有效，仍有待驗證。此外，如何確保 AI 提取的「簡化法則」沒有過度簡化而丟失關鍵細節，也是未來需要警惕的課題。然而，無論如何，我們正站在一個新時代的門檻上。在這個時代，破解自然界隱藏法則的工具，不再僅僅是人類的靈感與紙筆，還有日夜不休、能在數據海洋中看見數學之美的「機器科學家」。對於渴望理解宇宙奧秘的人類來說，這無疑是最強大的助力。如同陳伯遠教授所言，這不是要取代物理學，而是要在物理學未知、隱藏或過於複雜難解時，延伸我們的理性邊界。
參考資料
1.SciTechDaily: This New AI Is Cracking the Hidden Laws of Nature
2. 期刊論文: Moore, S., & Chen, B. (2025). "Automated Global Analysis of Experimental Dynamics through Low-Dimensional Linear Embeddings". npj Complexity. DOI: 10.1038/s44260-025-00062-y
3. Duke University General Robotics Lab: http://generalroboticslab.com
