理解人工智能或将其委托给人工智能：阿西莫夫的困境在科学领域的应用

想象一下，一群科学家从人工智能那里获得了实现人类最大梦想之一——星际旅行——的解决方案。然而，他们甚至懒得去问它到底是如何运作的。这并非未来，而是艾萨克·阿西莫夫（Isaac Asimov）于 1945 年创作的一篇短篇小说的核心内容。在这篇小说中，真正具有前瞻性的并非太空火箭，而是人类将深层理解委托给机器的方式。而在今天的现实科学中，这个困境比以往任何时候都更加突出。我们习惯于认为人工智能技术只是一种强大的工具，能够让我们更快地完成那些我们已经掌握的事情。但是，如果人工智能找到的解决方案不仅超出了我们的理解范围，甚至连其创造者也完全无法理解，那会发生什么呢？新的困境不再是“我们能否解决这个问题？”，而是“我们是需要理解解决方案，还是只需要它能正常运作就行？” 以 Kolmogorov-Arnold 网络（简称 KAN）为例，这是一种新型神经网络架构，于 2025 年 12 月在一篇科学论文中首次提出。科学家通常使用神经网络进行研究，在这种网络中，每个神经元都会根据固定的规则对信号进行求和并将其传递给下一个神经元，而学习则通过调整这些求和结果的权重来实现。但在 KAN 中，求和操作仍然很简单，而神经元学习的转换规则却越来越复杂。这意味着，与知识隐藏在数字丛林中的经典网络不同，在 KAN 中，你可以看到甚至绘制出网络所学习的函数。一个令人惊叹的细节是：一个 KAN 独自重新发现了一种在数学上极其复杂的对称性，这种对称性与黑洞周围的时空结构有关，而这项研究让整整几代物理学家花了将近二十年的时间。在这里，关键问题不仅仅是技术层面。当我们让人工智能去解决连人类都无法理解的问题时，我们就面临着失去对知识的掌控感的风险。阿西莫夫笔下的科学家们从不要求解释：他们接受复杂性超出了他们的能力范围，并满足于结果。但科学始终是一种对现实进行领悟的实践：它关乎理解，而不仅仅是应用。一位阅读过关于 KAN 文章的物理研究人员表示，他第一次能够“看到”人工智能网络学到了什么，而不仅仅是确认它能够正常运作。这种差异看似微不足道，但却是区分科学实践和盲目委托的界线。那些认为“关键是它能正常运作”的人，有可能会陷入一种新形式的迷信：对算法的盲目信仰，而不是对算法的理解。而且，有一个问题没有人在问：当我们让解释成为可有可无的东西时，作为人类，我们会失去什么？如果有一天，再也没有人能够解释我们日常使用的事物是如何运作的——那我们为什么还要称之为科学？我们正站在一个十字路口：是将理解的任务交给机器，还是坚持真正去理解。那些满足于结果的人，就剥夺了自己发现真相的真正乐趣。人工智能可以找到令人惊叹的解决方案，但科学的诞生，恰恰源于有人仍在追问：“我们是如何得出这个结果的？” 如果这个故事与你有关，你可以在 Lara Notes 上点击“I'm In”——这不是点赞，而是你在说：这个想法现在属于我。如果明天您向别人讲述了 KAN 解开了黑洞之谜的故事，您可以在 Lara Notes 上做个记录：Shared Offline 就是表明这段对话很重要的方式。本文摘自《世界报》，与阅读全文相比，您节省了将近五分钟的时间。