AI 在 MIT 从专门技术走向基础设施
据《MIT Technology Review》一篇关于该校实验室如何部署这项技术的报道，人工智能已经成为 MIT 研究中的一个工作层。报道称，AI 不再是局限于计算机科学的独立学科，而是一种如今嵌入机械工程、航空航天材料、能源系统和实验科学中的工具。
这一变化在机械工程副教授 Sili Deng 的工作中尤为明显。她研究燃烧动力学、减排以及能源材料的火焰合成。Deng 进入 AI 领域的路径受到 covid 疫情冲击的影响。她在 2019 年加入 MIT 教职后，正准备搭建自己的实验室时，翻修工程被迫中止。与其等待，她让团队测试机器学习可以在哪些地方填补燃烧研究中的空白。
用于燃烧系统的数字孪生
Deng 的能源与纳米技术小组利用 AI 开发了一个数字孪生，用来映射某种能源和流动装置的性能。数字孪生是物理系统的计算复制体，旨在反映该系统在条件变化时的行为。在这里，长期目标是实时预测和控制燃料燃烧系统。
这一目标之所以重要，是因为燃烧系统仍然是能源与交通经济许多环节的核心。更好的预测和控制，可能帮助研究人员以仅靠物理测试难以捕捉的方式理解性能、排放和运行稳定性。原始材料并未声称该系统已经在生产中实现完全实时控制，而是说该模型最终应该能够实时预测和控制燃料燃烧系统的运行。
这个例子说明了 AI 为何能迅速扩展到研究实验室中的一个原因：它可以扩展既有科学知识，而不是取而代之。Deng 的团队从燃烧基础原理出发来使用机器学习，着眼于现有方法存在哪些缺口。这种思路不同于把 AI 当作通用捷径，而是借助领域专业知识来定义有用的问题，并评估模型输出是否合理。
AI 辅助的航空航天材料设计
这篇报道还描述了航空航天学副教授 Zachary Cordero 的工作。他开发面向新兴航空航天应用的新型材料与结构。Cordero 在与机械工程副教授 Faez Ahmed 建立联系后开始使用 AI，后者专注于面向工程设计的机器学习与优化。
在一个由美国国防高级研究计划局资助的项目中，Cordero 与 Ahmed 及其他合作者合作，开发了一种 AI 工具来优化 blisk 的材料成分。blisk，即带叶盘，是喷气发动机和火箭涡轮发动机中的关键部件。这项工作旨在提升发动机性能和寿命，并有助于更可靠的可重复使用火箭发动机，用于重型运载火箭。
原始材料中 Cordero 的评论很能说明问题：他说，这套 AI 系统在“直觉几乎不可能起作用”的问题上增强了人类直觉。高性能航空航天系统的材料设计涉及许多相互作用的变量，包括成分、结构、耐久性和运行条件。AI 优化可以搜索复杂的设计空间，而这些空间对于人类来说手动探索会非常困难。
研究实践的更广泛变化
MIT 的这些案例表明，AI 最直接的科学影响，可能来自其与既有学科的整合。在燃烧研究中，它可以建模，并最终帮助控制动态系统。在航空航天材料领域，它可以帮助优化必须承受极端条件的部件。在各个实验室中，它可以加速方法并开辟新的发现路径。
原始材料还引用了教授 Ju Li 的观点：如果让 AI 拥有进行实验、尝试不同方法、失败并从过程中学习的自主性，它可能会演化成某种类似人类智能的东西。这一想法指向了超越当前建模和优化的方向，迈向自主研究系统。所提供的文本并未说这类系统已经达到那种自主程度，而是将其作为一种可能性提出。
更直接的现实教训是：MIT 研究人员并没有等待某个单一的通用 AI 突破。他们正在把机器学习应用到具体的科学和工程问题上，在这些问题中，数据、模拟和优化都能改变工作的节奏。结果是，AI 正逐渐成为研究工具包的一部分。
这并不意味着不再需要人类专业知识。原始材料中的例子恰恰相反。研究人员仍然要定义系统、理解物理约束，并判断哪些结果重要。AI 扩展了搜索空间和建模能力，但科学问题仍然扎根于领域知识。
本文基于 MIT Technology Review 的报道。阅读原文。
Originally published on technologyreview.com