日常泡沫背后的AI秘密

最新研究对这一长期观点提出了挑战。宾夕法尼亚大学的工程师发现，泡沫虽能保持整体形状，但其内部却在不断运动。更令人意外的是，描述这种运动的数学原理与深度学习（即训练现代人工智能系统的技术）极为相似。这一发现表明，从广义的数学角度而言，学习可能是物理、生物及计算系统共有的一种组织原则。这项研究还有望为未来研发能适应并响应周围环境的材料提供指导，甚至可能帮助科学家更好地理解那些必须不断自我重组的生命结构，例如细胞内的支架。

永不静止的气泡。在发表于《美国国家科学院院刊》的一项研究中，研究人员通过计算机模拟追踪了湿泡沫中气泡的运动。结果发现，气泡并未最终静止，而是不断在多种可能的排列方式中游走。从数学角度看，这种行为与深度学习的工作原理极为相似。在训练过程中，人工智能系统会不断调整其参数（即定义人工智能“所知”的信息），而非锁定在单一的最终状态。

“泡沫在不断地自我重组，”该论文的共同资深作者、化学与生物分子工程学教授约翰·C·克罗克（John C. Crocker）表示，“令人惊讶的是，泡沫和现代人工智能系统似乎遵循着相同的数学原理。理解其背后的原因仍是一个悬而未决的问题，但这可能会重塑我们对自适应材料乃至生命系统的认知。”

为何泡沫违背传统物理学。在人类感知的尺度上，泡沫通常表现得像固体。它们一般能保持形状，受压后还能回弹。然而，在更小的尺度上，泡沫被视为“两相”材料，由悬浮在液体或固体介质中的气泡构成。由于泡沫易于制备和观察，同时又能展现复杂的力学行为，科学家们长期以来将其用作模型系统，以研究其他密集且动态的材料，包括活细胞。传统理论将泡沫中的气泡比作在能量图景上滚动的岩石。按照这种观点，气泡会向“下坡”移动，到达需要更少能量维持的位置，然后停留在那里。这一观点解释了为何泡沫一旦形成就看似稳定，就像一块巨石静止在山谷底部。

理论与现实的脱节。当研究人员检查真实的泡沫数据时，发现其行为与这些预测并不相符。克罗克表示，这种脱节的迹象在近二十年前就已出现，但当时尚无合适的数学工具来充分解释所发生的现象。“当我们实际查看数据时，泡沫的行为与理论预测并不一致，”克罗克说，“我们在近20年前就开始注意到这些差异，但当时还没有数学工具来描述真实发生的情况。”要解开这个谜团，需要一种新的方法——一种能够描述那些持续变化且从不稳定在单一固定排列状态的系统的方法。

来自人工智能的启示。现代人工智能系统通过在训练过程中不断调整数值参数来学习。早期方法试图将这些系统推向一个与训练数据完美匹配的单一最优解。深度学习依赖于与一种名为梯度下降的数学技术相关的优化方法。这些方法会逐步引导系统朝着减少误差的配置方向发展，就像在图景上一步步下坡一样。随着时间的推移，研究人员意识到，将模型过度推向最深的可能解会引发问题。那些与训练数据拟合过于精确的系统会变得脆弱，在面对新信息时表现不佳。

“关键的洞见在于意识到，你实际上并不想把系统推入最深的山谷，”该论文的共同资深作者、化学与生物分子工程学教授罗伯特·里格尔曼（Robert Riggleman）表示，“将其保持在图景中较为平坦的区域——在这些区域中，许多解决方案的表现都同样良好——事实证明，这正是使这些模型能够进行泛化的原因。”

泡沫与人工智能遵循相同规则。当宾夕法尼亚大学的研究团队从这一角度重新审视他们的泡沫数据时，相似性变得清晰起来。泡沫中的气泡并不会稳定在深邃、固定的位置，而是在广阔的区域内持续运动，在这些区域中，多种排列方式都同样可行。这种持续运动与现代人工智能系统在学习过程中的运作方式极为相似。那些帮助解释深度学习为何有效的数学原理，同样也能描述泡沫一直在进行的运动。

对材料和生命系统的启示。这些发现在一个许多人认为已被充分理解的领域提出了新的问题。仅此一点就可能是这项研究最重要的贡献之一。通过表明泡沫气泡并非像玻璃一样处于冻结状态，而是以类似于学习算法的方式运动，这项研究鼓励科学家重新思考其他复杂系统的行为方式。

克罗克的团队目前正在重新研究最初激发他对泡沫兴趣的系统：细胞骨架——细胞内支撑生命的微观框架。与泡沫一样，细胞骨架必须在保持整体结构的同时不断进行自我重组。“为何深度学习的数学原理能准确描述泡沫，这是一个引人入胜的问题，”克罗克说，“这暗示着这些工具可能在其原始应用场景之外具有广泛的用途，为全新的研究方向打开了大门。”

这项研究是在宾夕法尼亚大学工程与应用科学学院进行的，并得到了美国国家科学基金会材料研究部的支持（项目编号：1609525、1720530）。其他共同作者包括阿姆鲁泰什·蒂鲁马拉斯瓦米（Amruthesh Thirumalaiswamy）和克拉里·罗德里格斯-克鲁兹（Clary Rodríguez-Cruz）。