去年，一群数学家和计算机科学家找到了一种解决三体问题的方法，速度比以前快了约一亿倍。他们说，诀窍在于让人工智能来解决这个挑战。它通过观察传统计算机多次解决问题来学习如何去做。
其他研究团队也开始使用受 AI 启发的技巧来模拟宇宙，并取得了令人印象深刻的成果。这就引出了一个有趣的问题：AI 驱动的模拟究竟能达到什么水平？
现在，芝加哥大学的 Ian Foster 和他的几位同事为华盛顿特区计算机研究协会（Computing Research Association）撰写了一份白皮书，描绘了 AI 驱动模拟的未来。他们认为，AI 驱动的模拟将对我们预测未来的方式产生巨大影响，几乎就像拥有了一种新型水晶球。
他们说：“AI 驱动模拟器带来的新机遇在于从数据中学习，通过预测来加速模拟，以及用对社会和经济现象的预测模型来增强基于物理的模拟。”
复杂系统
研究人员确定了 AI 驱动模拟可能产生重大影响的三个领域。第一个是预测三体系统等复杂非线性系统的行为。
这与二体问题（如单个行星绕恒星运行）的行为完全不同。这很容易建模，因为在任何时刻，第一个天体的运动都取决于其当前状态以及仅来自第二个天体的引力。
但如果加入第三个天体，问题就会突然变得更加复杂。现在，每个天体的运动都受到所有其他天体运动的影响，而这些天体又相互影响，如此循环。这种“兔子洞”行为会迅速变得混乱。
然而，在许多情况下，AI 系统可以学习运动如何演变，而不是通过暴力计算来数值计算。
可能受益的复杂系统示例包括气候预测、预测地震后的余震模式、交通流量管理等等。
第二个受益的领域是由人类行为决定的系统，如经济、股票市场和人群。这些系统中有许多个体代理独立或集体行动，取决于它们所处的环境。
像这样的“自下而上”模型由于其规模庞大而难以在计算上处理——例如，一个经济体可能由数百万个个体组成，他们可以合乎逻辑地行动，但也可以以非理性且难以预测的方式行动。Foster 及其同事说：“挑战在于，指导行为的规则是临时的，同时，这使得模拟结果难以解释。”
尽管如此，AI 系统可以提供帮助，因为它们可以学习某些情况下的总体结果，而无需模拟每个代理的行为。Foster 及其同事问道：“就像在模拟人类语言方面取得了巨大进展一样，在模拟人类行为方面是否也能取得巨大进展？”
研究人员强调的最后一个领域是优化决策。Foster 及其同事指出了谷歌 Deepmind 研究人员在国际象棋、围棋和星际争霸等游戏中击败人类的成功。在每种情况下，AI 系统通过与自己反复对弈来学会做出比人类更好的决策。
成功的关键在于将游戏捕捉到一个 AI 系统可以与之交互的模型中。对于棋盘游戏或电子游戏来说，这很简单，但在现实世界的情况下却很难。
研究人员问道：“模型是否足够准确，可以使用强化学习（RL）来就接下来要进行哪些昂贵的现实世界实验做出决定，例如合成和测试哪些药物，合成和研究哪些新材料？”
药物设计
事实上，Deepmind 最近宣布，它已使用 AI 解决了预测氨基酸链形状的现实问题——即所谓的蛋白质折叠问题。不难想象，类似的方法如何有助于设计新的药物分子。
谷歌还利用 Deepmind 的 AI 方法优化了数据中心的冷却方式，从而将其冷却成本降低了 40%。更复杂的优化问题包括寻找生产新材料和产品的方法，或优化税收政策以实现某些经济目标。在不久的将来，AI 可能会在这些过程中发挥作用。
也许最大的进步将来自于将 AI 驱动的技术与传统的数值模拟相结合。AI 在模拟它以前未见过的情况方面并不总是擅长。因此，一种前进的方向是将模拟划分为 AI 最能发挥作用的区域，并在最需要的时候留给传统的暴力计算。
例如，当三个天体距离较远时，三体问题对 AI 来说很容易解决，但当它们靠得很近时，就可能变得棘手。因此，先进的模拟器可能会为模型的这些部分保留最强大的计算能力。
无论如何实现，AI 都将对模拟产生重大影响。正如 Foster 及其同事所说：“由大规模、经过妥善策划的数据集驱动的 AI 模拟，在释放和加速科学技术关键领域以及整个社会的创新方面具有巨大潜力。”
他们敦促在这些领域进行大量投资和研究。对于这种新的、更强大的水晶球来说，三体问题仅仅是个开始。
参考：AI 驱动模拟器的崛起：构建一个新水晶球：arxiv.org/abs/2012.06049
