两个 AI 科学家是否同意？
人工智能
2025-04-04 v1 机器学习
摘要
当两个 AI 模型在相同的科学任务上进行训练时，它们是否学习相同的理论或不同的理论？在科学史上，我们曾目睹了理论的兴衰，这些理论由实验验证或证伪推动：当实验数据不足时，许多理论可能共存，但随着实验数据的增加，存活理论的空间会变得越来越受限。我们展示了相同的故事也适用于 AI 科学家。随着训练数据中提供的系统越来越多，AI 科学家倾向于在所学理论上趋于一致，尽管有时它们会形成对应不同理论的不同群组。为机械地解释 AI 科学家所学的理论并量化它们的一致性，我们提出了 MASS 方法，即以哈密顿-拉格朗日神经网络作为 AI 科学家，在标准物理问题上进行训练，聚合多个随机种子的结果，模拟不同配置的 AI 科学家。我们的发现表明，AI 科学家在简单设置下倾向于学习哈密顿理论，而在引入更复杂系统后则转向拉格朗日表述。我们还观察到训练动力学和最终学习权重具有强大的随机种子依赖性，这控制了相关理论的兴衰。最后，我们演示不仅我们的神经网络有助于解释性，它还可应用于更高维的问题。
引用
@article{arxiv.2504.02822,
title = {Do Two AI Scientists Agree?},
author = {Xinghong Fu and Ziming Liu and Max Tegmark},
journal= {arXiv preprint arXiv:2504.02822},
year = {2025}
}