AI如何改变科学建模：从手动编码到自动探索

科学模型是研究者解释和预测现实世界系统的核心工具——小到单个神经细胞如何放电，大到中子星碰撞时会发生什么。近期的一些进展已经改变了科学家将复杂模型拟合到数据的方式。但一个关键瓶颈依然存在：科学家通常仍需手动编写模型，并且往往要在多个相互竞争的版本之间权衡，每个版本都可能以不同方式解释数据。

科学建模的现状与瓶颈

据科学博客（Science Blog）介绍，尽管数据拟合技术不断进步，科学模型的构建过程仍然高度依赖人工。研究人员需要根据自己的领域知识，手动写出描述系统行为的方程或代码，然后逐一测试不同假设。这种方式的局限在于，人的想象力和时间都是有限的——你只能尝试那些你能想到的模型结构。

更棘手的是模型选择问题。面对同一组观测数据，可能存在多种都能给出合理解释的模型。科学家需要判断哪一种解释更受数据支持，这通常涉及反复的拟合、比较和修正。这个过程既耗时又容易受到先验假设的影响。

模型选择与过拟合风险：当多个模型都能合理解释同一组数据时，科学家面临的核心问题是模型选择。过度复杂的模型可以完美拟合已有数据，却对新数据的预测能力很差，这就是过拟合。统计学家为此发展出赤池信息准则（AIC）、贝叶斯信息准则（BIC）等惩罚复杂度的指标，以及交叉验证等方法。但这些方法只适用于给定候选模型集合内的比较；如果候选模型本身没有被穷举，选择就仍受限于研究者的想象力。这正是AI辅助模型探索试图突破的瓶颈：它不仅比较已有模型，还能生成新的候选结构，从而扩大搜索空间。

AI介入建模流程的四个环节

在一篇客座文章中，Jakob Macke、Daniel Gedon 和 Stefan Wahl 描述了 AI 如何开始在这些环节中发挥作用。他们的核心观点是：AI 可以将科学模型作为代码来编写、运行、拟合和修订。

这个流程的意义在于自动化了模型探索的循环。AI 不只是拟合一个给定模型，而是能够探索许多可能的模型结构，并找出数据支持哪些解释。换句话说，AI 参与的是模型空间中的搜索，而不仅仅是在固定结构下优化参数。

这种能力对应了科学建模中两个最费力的部分：一是提出候选模型结构，二是判断哪个结构更合理。当 AI 能够生成并测试大量候选模型时，研究者可以把精力集中在问题定义和结果解释上。

符号回归与程序合成：让AI“将科学模型作为代码来编写”，在技术上对应符号回归和程序合成两个方向。符号回归不预设函数形式，而是从数据中搜索能解释观测的数学表达式，代表性方法包括遗传编程和稀疏回归（如SINDy）。程序合成则更进一步，让系统搜索可执行的代码片段，而不仅是数学公式。这些方法使AI能够在模型空间中自动提出候选结构，而不只是拟合固定形式的参数。其挑战在于搜索空间巨大、对噪声敏感，且生成的模型未必具有科学可解释性，因此仍需领域知识进行筛选和验证。

从“拟合数据”到“探索解释”

过去几年，机器学习在科学领域的应用主要集中在拟合环节——用神经网络或其他模型去逼近数据中的模式。但 Macke 等人描述的路径更进一步：让 AI 参与模型本身的构建和修订。

这带来一个微妙但重要的转变。传统上，科学家先有假设，再写模型，再用数据检验。AI 辅助的建模则允许多个假设并行生成和评估，数据在其中扮演筛选器的角色。研究者不再需要事先穷举所有可能的模型形式，而是可以让系统去探索那些人类可能忽略的结构。

当然，这并不意味着科学家可以完全放手。文中明确指出，科学家仍然通常手动编写模型，AI 的介入是辅助性的。如何定义问题、如何判断一个模型在科学上是否合理，仍然依赖领域专业知识。

AI for Science 的定位：AI for Science 泛指将机器学习用于科学发现的研究方向，涵盖蛋白质结构预测、材料筛选、气候模拟等。目前多数工作集中在用AI替代或加速计算环节，即“拟合数据”层面。让AI参与假设生成和模型构建，则触及科学方法的核心——提出可检验的解释。这一转变的困难不仅在于算法，还在于科学哲学层面：一个由算法生成的模型，其可解释性和可证伪性如何评估？研究者需要建立新的规范来判断AI提出的模型是否具有科学价值，而不仅仅是统计拟合优度。

对科研工作流的影响

如果 AI 能够可靠地编写、运行、拟合和修订模型代码，科研工作流会发生变化。模型构建的迭代速度可能加快，因为候选结构的生成和初步筛选可以部分自动化。研究者之间的协作方式也可能改变——模型代码成为可被 AI 操作和搜索的对象，而不仅是人类之间的交流媒介。

不过，这条路径也提出了新的要求。模型作为代码被探索，意味着代码的正确性、可复现性和可解释性变得更加关键。如果一个由 AI 生成的模型结构给出了数据支持的结论，研究者需要能够理解它为什么成立，而不仅仅是接受拟合结果。

从博客透露的信息看，这项工作仍处于早期阶段，重点在于展示 AI 在建模流程中的可能性，而非提供一个成熟的自动化系统。对于关注 AI for Science 方向的研究者来说，这提供了一个值得跟踪的视角：AI 在科学中的角色，正在从数据处理工具向建模过程的参与者延伸。