洞见之终结是否在望？

深度学习的兴起挑战了科学界长期以来的洞见理想——即人类通过揭示底层机制来理解现象的能力。在许多现代应用中，准确的预测不再需要可解释的模型，这引发了关于可解释性是否是一个现实甚至有意义的目标的辩论。我们从物理学的视角出发，通过一个具体案例研究来审视这种张力：一个在由玻尔兹曼方程控制的稀薄气体动力学问题上训练的物理信息神经网络（PINN）。尽管该系统结构清晰且控制定律已被充分理解，但训练后的网络权重却类似于高斯分布的随机矩阵，没有明显涉及物理原理的痕迹。这表明，深度学习和传统模拟可能遵循不同的认知路径达到相同的结果——一个基于机制性洞见，另一个基于统计插值。我们的发现对可解释人工智能的局限性以及可解释性是否能够——或是否应该——继续作为人工推理的普遍标准提出了关键问题。