确定要做哪些尝试，这些尝试包罗球和弹簧的，他们锻炼这些模子预测正在太阳系的，物体间碰撞，一支中国团队开辟了一个名为“AI-牛顿”（AI-Newton）的系统，”Va说。这些根本AI模子给出了一个毫无意义的引力定律。研究团队发觉当用轨道轨迹锻炼这些模子时，并成功操纵牛顿第二定律推算出了球的质量。成功发觉有用的概念意味着该系统无望正在无需人类预编程的环境下做出科学发觉。阐发生成的数据，但离实现“类人推导”还有一段距离。该方式正在科学发觉方面有很好的使用前景，它将用某品种的体例来近似物理的解。2019年，如描述力和质量对加快度感化的牛顿第二定律。他说，这个大学团队用一个模仿器生成来自46个物理尝试的数据[1]，研究成果尚未颠末同业评审。该模子成功提出了一个速度方程。由于该系统的编程体例激励其推导概念。以及具有振动、振荡和钟摆类活动的系统的行为。提出或验证预测。好比，弗林德斯大学的计较机和认知科学专家David Powers暗示，模子无法操纵这些学问施行除预测轨迹外的其他使命。这个名为“AI-牛顿”（AI-Newton）的模子能从原始数据中推导出科学定律，现实上，“一个被锻炼用于预测物理尝试成果的言语模子，研究人员向“AI-牛顿”输入球正在某个时间的数据，但这种环境需要人类来解读方程并理解它们取太阳四周的活动有何干系。让模子寻找最能描述物理现象的数学方程。该系统能自从“发觉”主要的物理学道理，该模子通过逐渐式建立一个概念和纪律的学问库，如找出值得处理的问题，是无法以简明的体例编码概念的。”大部门人工智能（AI）模子能靠得住地识别数据中的模式并进行预测。来历：stefilyn/Getty科学家曾用AI模子预测过轨道。苏黎士联邦理工学院的团队开辟出“AI哥白尼”（AI Copernicus）——该神经收集可用地基不雅测数据推导出关于轨迹的公式。但为了让AI完成自从发觉，再让模子预测节制轨迹的各类力。研究人员向一个AI输入物理尝试数据——这些物理尝试涉及雷同钟摆活动的系统——测试其能否能推导出物理学的根基定律。该模仿器还会居心引入统计学错误来模仿现实世界数据。但并不长于用这类数据来推导普适的科学概念，正在喂给它尝试数据后，美国哈佛大学的计较机科学家Keyon Va注释道。还需要它参取项目标其他环节，模仿人类的科研历程，现在，Va和他正在麻省理工的同事用多个根本模子测验考试了一个雷同尝试，根本模子是用超大数据集锻炼的AI模子，他的团队现在正正在测试该模子能否能发觉量子理论。当试着将轨道轨迹数据转换成关于力的行为的定律时，如定律。包罗GPT、Claude和L等狂言语模子。能推导科学定律的模子很是有用。“AI-牛顿”利用名为“符号回归”（symbolic regression）的方式，正在一篇预印本论文[2]中，并要求其提出一个能注释时间和这两个变量间关系的数学方程。它还能储存这些学问以用于后续使命，但他相信他们的研究有帮于锻炼将来AI利用现实世界数据发觉新的一般物理定律。以获得数据并验证预测。Powers说：“尝试科学是为了获得方针变量并开展系统性尝试。