2012年，计算机 学会了在猫身上识别模式 ，而就在上个月，另一台计算机正确地 为一张照片配上了说明 ：“一群年轻人在玩飞盘游戏。”人工智能研究人员将这视为“深度学习”的又一次重大胜利。这是一套取得巨大成功的算法，大致仿照大脑的运作方式：只需接触真实世界，便会逐渐对其中的特征变得敏感。
借助最新的深度学习方案，由人工神经元网络组成的计算机模型在图像、语音和模式识别方面日益熟练——这些都是机器人个人助理、复杂数据分析和自动驾驶汽车的核心技术。尽管研究人员在训练计算机从其他无关数据中挑出显著特征方面取得了诸多进展，但他们始终未能完全理解这些算法或生物学习为何能够奏效。
如今，两位物理学家证明，深度学习的一种形式，其运作方式与物理学中最重要且应用最广泛的数学技术之一完全相同。这种方法用于计算物理系统的大尺度行为，例如基本粒子、流体和宇宙。
这项新研究由 波士顿大学的潘卡杰·梅塔 和 西北大学的戴维·施瓦布 完成。研究表明，一种名为“重整化”的统计技术，能够让物理学家在不了解系统所有组成部分精确状态的情况下，准确描述系统；它也能使人工神经网络将数据归类为“猫”之类的类别，而不受视频中猫的颜色、大小或姿势影响。
阅读本文其余内容，请访问 Quanta 网站。
本文最初由 Quanta 发布。刊发本文并不代表世界经济论坛认同其中观点。
关注论坛：议程， 订阅我们的每周通讯。
作者：娜塔莉·沃尔乔弗是《Quanta Magazine》驻站撰稿人，负责报道物理科学。
图片：一名男子在电脑键盘上打字。路透社/Kacper Pempel/档案图片