AI掌握宇宙规律后,却可能错失新发现

AI技术正协助科研工作者更迅速地发掘物理规律。

然而矛盾的是，它偶尔"掌握过多"，反而无法识别真正的新事物。

《宇宙学与天体粒子物理学杂志》刊登的一项研究表明，AI确实能显著降低探索新物理的投入、提升工作效能，但同时也引发了一个反直觉的隐患：它可能过度依赖既有认知，从而遗漏真正的新现象。

当前，AI已成为宇宙学研究的关键助手。面对庞大的观测数据，它能帮助学者更快地提炼信息、辨认规律。

但若要突破现有主流理论——即ΛCDM宇宙学模型——探寻新物理，事情就变得棘手。

尽管ΛCDM模型能较好地阐释宇宙膨胀、星系分布等现象，但学界普遍认同它并未涵盖宇宙全貌。像大质量中微子、修正引力、时变暗能量等，都可能指向新的物理机制。

为验证这些假设，研究者通常需要构建大量"模拟宇宙"，在不同前提下进行推演。但这类计算成本高昂，耗时也相当惊人。

为破解这一困境，研究团队采用了一种更优化的策略——迁移学习。

通俗而言，迁移学习就是让AI先夯实基础，再逐步深入学习复杂知识，而非每次都重新起步。

在这项工作中，研究者首先用基于ΛCDM模型的模拟数据训练神经网络，让它领悟"标准宇宙"的基本规律。接着，再将其应用于包含新物理的更复杂模型。

这如同先研读入门读物，再去掌握进阶知识。

结果表明，这种策略确实奏效。在部分情形下，它将高成本模拟的需求降低了十余倍，显著提升了效率。

但隐患也随之而来。

研究者发现，AI有时会被既有认知"误导"。当新物理信号与其熟悉的模式高度吻合时，它往往倾向于用旧框架解读新数据，难以辨别真实差异。

这就是所谓的"负迁移"。

在模拟包含大质量中微子的宇宙时，研究者就目睹了这种情况。中微子质量的影响，与ΛCDM模型中的参数σ8极为相近，而σ8描述的是宇宙中物质的聚集程度。

由于两者在观测特征上几乎相同，经过预训练的神经网络起初很难将它们区分开来。

研究者强调，这类问题并非偶发，而是源于不同物理机制在观测层面的"相似性"。在此情形下，AI反而更易做出错误判断。

这也表明，在运用AI探索新物理时，不能完全依赖既有模型，必须对这类偏差保持警觉。

整体而言，这项研究既呈现了AI在宇宙学中的应用前景，也暴露了它的不足。

预训练确实能加快分析节奏，但也可能削弱模型对全新物理现象的感知力。

目前，该方法仅在模拟环境中验证。但随着新一代宇宙巡天项目带来更精准的数据，迁移学习有望成为重要手段。

核心在于，如何在"运用已有认知"与"发现未知现象"之间取得平衡。