ai for science

But what I want to do here is to discuss what amount to deeper questions about AI in science.Three centuries ago science was transformed by the idea of representing the world using mathematics.And in our times we’re in the middle of a major transformation to a fundamentally computational representation of the world(and,yes,that’s what our Wolfram Language computational language is all about).So how does AI stack up?Should we think of it essentially as a practical tool for accessing existing methods,or does it provide something fundamentally new for science?但我在这里想做的是讨论人工智能在科学中的更深层次问题。三个世纪前，科学被用数学代表世界的想法所改变。在我们这个时代，我们正处于向世界的基本计算表示的重大转变之中（是的，这就是我们的Wolfram语言计算语言的全部内容）。那么人工智能的表现如何呢？我们是否应该将其本质上视为访问现有方法的实用工具，或者它是否为科学提供了一些全新的东西？My goal here is to explore and assess what AI can and can’t be expected to do in science.I’m going to consider a number of specific examples,simplified to bring out the essence of what is(or isn’t)going on.I’m going to talk about intuition and expectations based on what we’ve seen so far.And I’m going to discuss some of the theoretical—and in some ways philosophical—underpinnings of what’s possible and what’s not.我的目标是探索和评估人工智能在科学领域可以做什么、不能做什么。我将考虑一些经过简化的具体示例，以揭示正在发生（或未发生）的本质。我将根据我们迄今为止所看到的情况来谈谈直觉和期望。我将讨论什么是可能的、什么是不可能的一些理论基础——在某种程度上是哲学基础。

译者：Miranda，原文见https://microsoft.github.io/AI-For-Beginners/lessons/1-Intro/README.md[heading1][课前测试](https://red-field-0a6ddfd03.1.azurestaticap[content]人工智能（Artificial Intelligence）是一门令人兴奋的科学，它研究我们如何使计算机表现出智能行为，例如做一些人类所擅长的事情。最初，查尔斯·巴贝奇（Charles Babbage）发明了计算机，用于按照一套明确定义的程序（即算法）来对数字进行运算。现代计算机虽然比19世纪提出的原始计算机模型要先进得多，但仍然遵循着相同的受控计算理念。因此，如果我们知道实现某些目标所需的每一个步骤及其顺序，就有可能编写出程序，使计算机按照我们的想法去做这些事。✅ “根据照片判断一个人的年龄”是一件无法明确编程的任务，因为我们并不知道当我们在做这件事时，是如何经过某些清晰的步骤，从而在脑海中得到一个数字的。然而，对于有些任务，我们并不能知道明确的解法。例如从一个人的照片中来判断他/她的年龄。我们之所以能做这件事，是因为我们见过了很多不同年龄的人，但我们无法明确自己的大脑具体是通过哪些步骤来完成这项任务的，所以也无法编写明确的程序让计算机来完成。这种类型的任务正是人工智能（简称AI）感兴趣的。✅想一想，如果人工智能得以实现，哪些任务可以被交给计算机完成？考虑金融、医学和艺术领域，这些领域如今是如何从人工智能中受益的？

So how does this relate to AI?Well,the whole story of things like trained neural nets that we’ve discussed here is a story of leveraging computational reducibility,and in particular computational reducibility that’s somehow aligned with what human minds also use.In the past the main way to capture—and capitalize on—computational reducibility was to develop formal ways to describe things,typically using mathematics and mathematical formulas.AI in effect provides a new way to make use of computational reducibility.Normally there’s no human-level narrative to how it works; it’s just that somehow within a trained neural net we manage to capture certain regularities that allow us,for example,to make certain predictions.那么这与人工智能有什么关系呢？好吧，我们在这里讨论的训练神经网络之类的事情的整个故事是一个利用计算可归约性的故事，特别是计算可归约性，它在某种程度上与人类思维所使用的东西是一致的。过去，捕获并利用计算可还原性的主要方法是开发描述事物的正式方法，通常使用数学和数学公式。人工智能实际上提供了一种利用计算可简化性的新方法。通常情况下，没有人性化的叙述来说明它是如何运作的。只是在经过训练的神经网络中，我们设法捕捉某些规律，从而使我们能够做出某些预测。