当我们教育孩子解决问题时，我们允许他们通过实践和试错来探寻答案，同时也传授一些基本规则和策略。同样地，在训练人工智能的过程中，引入物理定律这样的核心规则，有助于构建更为高效且贴合现实情境的人工智能系统。然而，如何有效地评估并整合这些规则是一项颇具挑战性的任务。3月9日，《Nexus》杂志——Cell Press细胞出版社旗下权威期刊，发布了一项研究报告，揭示了一个全新的框架，旨在衡量“知情机器学习模型”中规则和数据的相对价值。研究表明，该框架能够助力人工智能更好地吸收现实世界的法则，并成功应用于解决如复杂数学问题、优化化学实验条件等各种科学难题。
论文第一、北京大学徐浩教授指出：“尽管将人类经验嵌入AI模型有可能提升其效率和推理能力，但关键在于如何平衡数据与经验的影响。”他介绍道，“我们的新框架能够评价各种经验和规则的价值，进一步提升深度学习模型的预测性能。”
当前，诸如ChatGPT和Sora等生成式人工智能模型主要依赖于大数据驱动，通过无数次的试验与学习来自我完善。然而，仅依赖数据的局限性在于，它们无法从中学到如重力或流体动力学等物理定律，并且在遇到未曾在训练数据中出现过的新情况时，往往表现乏力。而知情机器学习则另辟蹊径，研究者会为模型提供一系列潜在规则作为指导，但在如何权衡规则与数据对于模型准确度的相对贡献方面，却知之甚少。
通讯、宁波东方理工学院助理教授陈云天强调：“我们正努力教会AI理解物理定律，目的是让其更贴近真实世界，由此增强其在科研和工程领域的实用性。”
为了打破这一瓶颈，研究团队研发出一个独特的框架，用于量化单个规则对模型预测准确性的具体贡献。同时，他们还深入探究了不同规则之间的相互作用，因为大多数知情机器学习模型通常包含多个规则，若处理不当，可能会导致模型因过于复杂的规则组合而失效。
通过这个框架，研究人员能够调整各个规则的权重关系，剔除冗余或冲突的规则，并识别出那些协同工作或是依赖其他规则才能发挥作用的规则。陈云天补充道：“我们发现规则间存在着多种关联，巧妙利用这些关系，可以使模型训练过程更为迅速，预测精度显著提高。”
这项研究成果已展现出广阔的应用前景，覆盖工程、物理及化学等多个领域。在论文中，研究团队展示了该方法的实际应用案例，包括优化机器学习模型以解决多元方程组，以及利用该方法预测薄层色谱实验结果，进而优化未来的实验条件。
未来计划中，研究团队期望将此框架开发成一款插件工具，方便AI开发者使用。长远来看，他们还寄希望于训练AI模型直接从数据中提取知识和规则，无需人工筛选。
陈云天满怀期待地说：“我们的愿景是打造出真正意义上的‘人工智能科学家’，实现知识获取与自我完善的闭环。我们正在努力研发一种模型，它能自动从数据中提炼知识，进而创建并不断优化自身适用的规则。”
关注Cell Press细胞出版社官方微信公众号“CellPress细胞科学”，获取更多此类前沿研究的最新动态。
