利用人工智能寻找物理学的下一个重大发现

研究人员希望利用人工智能解决粒子物理学面临的危机。

1930年，一位名叫卡尔·D.安德森（Carl D. Anderson）的年轻物理学家接受了导师的任务，负责测量宇宙射线的能量。宇宙射线是指从外太空高速抵达的粒子。安德森打造了一个改进版的云室，这种装置可以直观地记录粒子的轨迹。1932年，他观察到了一种令人困惑的现象，其性质兼具质子与电子的特征。多年后，这位31岁便获得诺贝尔奖的物理学家写道：“一种棘手的局面开始浮现。”当时，安德森无意间发现了反物质。

在第一次发现的4年后，他与他人共同发现了另一种基本粒子——μ子。这让一位物理学家不禁感叹道：“这是谁点的菜？”

自此之后的几十年里，粒子物理学家制造了越来越复杂的探测仪器。其中最尖端的物理发现机器是大型强子对撞机（LHC），该仪器于2022年开始了第三次运行。这个周长27公里的地下环形装置横跨法国和瑞士的边界，建造目的是以接近光速的速度撞击亚原子粒子，并测试有关宇宙的深层理论。世界各地的物理学家都将目光转向了大型强子对撞机，以期能有新发现。虽然他们不确定会有什么新发现，但他们心存希望。

这是科学史悠久传统的最新体现。在整个科学史上，新仪器往往会促使人们寻找意想不到的事物。伽利略建造了望远镜并发现了木星的卫星；安东尼·范·列文虎克（Antonie van Leeuwenhoek）制造了显微镜并发现了“优雅游动的微生物”，直到今天，人们仍在通过镜头和数据来寻找那些未曾假设过的规律。大自然的秘密未必预告剧情，而我们就这样凝视着未知，准备随时迎接一切可能。

不过，有关宇宙的基础且新颖的信息越来越少。从某种意义上说，我们已经摘取了最易触及的果实。我们大致了解了物质的基本构成单元。自20世纪70年代以来，描述目前已知基本粒子的粒子物理学的标准模型已经成型。虽然大自然仍然会给我们带来惊喜，但要捕捉这些惊喜，通常需要更大型或更精细的仪器、更详细或更广泛的数据，以及更快更灵活的分析工具。

这些分析工具包括一种称为机器学习的人工智能（AI）形式。研究人员会训练复杂的统计模型来发现数据中的模式，这些模式对人眼而言太微妙了，或者对单个人类而言太罕见了。大型强子对撞机会撞击质子，产生巨大的爆发性能量，这些爆发的能量会衰变成其他寿命较短的物质粒子。理论学家可能会预测一些新型粒子或相互作用，并描述其在大型强子对撞机的数据中有什么特征，而且他们往往会使用模拟来创建合成数据。然后，实验人员将收集数千兆字节的测量数据，并运行机器学习算法，比较这些数据和模拟数据，寻找匹配的情况。通常他们都是一无所获。但也许新的算法能够窥探到他们没有考虑到的角落。

德国海德堡大学的理论物理学家迪尔曼· 普莱恩（Tilman Plehn）说：“大家或许都听说了，粒子物理学正面临一场危机。”在大型强子对撞机和世界各地的其他高能物理设施中，实验结果均未能产生有关新型物理学的洞见。普莱恩表示：“不少理论物理学家都大失所望，他们原本笃定自己提出的理论模型会被实验证实，最终却一无所获。”

德国汉堡大学的物理学家格雷戈尔·卡西耶茨卡（Gregor Kasieczka）回忆起2008年大型强子对撞机开始运行时该领域曾热情高涨。当时他还是一名年轻的研究生，期望看到超对称的迹象，该理论预言，所有已知物质粒子都存在质量更大的对应伙伴粒子。他告诉我，当时科学界都很笃定：“只要打开大型强子对撞机，超对称就会扑面而来，一年左右我们就会发现它。”可18年后，超对称仍然停留在理论阶段。“我认为这种高度乐观的情绪在某种程度上已经消失了。”他说。

普莱恩说，其结果是，各类模型都在数据面前失效了。“我认为我们正在走一条不同的路。”

这条路依托的是一种名为“无监督学习”的机器学习。在无监督学习中，不需要教人工智能识别特定预测，比如具有某种质量和电荷的粒子迹象。相反，你可以训练它发掘一切异常信号、所有值得关注的蛛丝马迹，而这些可能预示着全新物理学的存在。这就好比以全新的视角凝视星空，或观察池塘里的浮渣。问题是，怎样自动寻找“值得关注”的事物？

标准模型留下了许多未解之谜。为什么物质粒子是这个质量？为什么中微子竟然会有质量？传递引力以匹配其他几种力的粒子在哪里？为什么我们看到的物质比反物质多？有没有其他的维度？什么是暗物质？（暗物质是一种无形的物质，它构成了宇宙的大部分物质，我们认为它存在是因为它对星系有引力作用。）回答这些问题中的任何一个，都可能打开通往新物理学的大门，或带来超越标准模型的基础性发现。

“就我个人而言，我对未知领域的门户模型很感兴趣。”卡西耶茨卡说，就像读漫威电影剧本一样。他让我想象在某个地方有一个标准模型的镜像副本，它与我们熟悉和喜爱的标准模型仅共享一个“门户”粒子，仿佛这个门户粒子有第二个秘密家族。

卡西耶茨卡表示，在大型强子对撞机的第三次运行中，科学家们将其精力大致均分在了更精确地测量已知存在的粒子和寻找未知粒子两方面。在某些情况下，前者可以使后者成为可能。标准模型可以预测某些粒子特性以及它们之间的关系。例如，它正确地预测了电子的一种名为磁矩的特性，精度达到万亿分之一。借助精确的测量结果，研究人员可能会发现内部的不一致问题。“然后，理论学家会说：‘哦，如果我引入这种新粒子，它就能解决你们发现的这个特定问题。这就是你们寻找这种粒子的方法。’”卡西耶茨卡说。

更重要的是，标准模型偶尔也会出现裂痕。例如，某些含有底夸克的粒子似乎会以意想不到的比例衰变成其他粒子。普莱恩发现底夸克的不协调很有趣。“年复一年，我觉得它们应该消失，但是并没有。对此，没人能给出一个很好的解释。”他说，“我甚至不知道该对理论家还是实验家提出‘解决它！’这种要求。”

不过，普莱恩的感受并非“恼怒”。他说，测量结果与预期相符时，物理学家会很满意。“但我认为，在内心深处，我们总是希望它看起来不合理。每个人都在寻找不同寻常的迹象，希望看到标准解释行不通。首先，这关乎名气（获得诺贝尔奖的机会）。”他表示，“同时这也是智力上的挑战，对吧？某些事情从科学的角度无法解释时，你会很兴奋。”

现在，可以设想有一台机器能够在任何时间发现科学中不同寻常的事物，从而揭示一切异常现象。这就是研究人员使用无监督学习的方法。有一天，普莱恩和一位在思爱普（SAP）软件公工作的朋友吃冰淇淋时讨论起了自动编码器，这就是一种无监督学习算法。“他告诉我，他们会在行业中使用自动编码器来检测网络是否被黑客入侵了。”普莱恩回忆道，“比如说，有100台有网络流量的电脑。如果（一台电脑的）网络流量突然发生变化，那么这台电脑就被黑客入侵了，他们就会断开这台电脑的网络连接。”

自动编码器是一种神经网络，它从一个输入开始，这种输入可以是一张猫的图片，也可以是计算机网络流量的记录，然后它会压缩该输入，就像制作一个很小的JPEG文件或MP3文件，之后再解压它。工程师会训练自动编码器压缩和解压数据，使输出尽可能与输入匹配。最终，网络会非常擅长处理这种任务。但是，如果数据中包含一些相对罕见的项目，例如白虎或被黑客入侵的计算机流量，那么网络此时的表现就会很差，因为它在这方面的实践较少。因此，输入和重建之间的差异表明了该输入的异常程度。

“我的一个朋友说：‘你完全可以使用我们的软件，对吧？’”普莱恩回忆道，“‘这是完全相同的问题。用粒子代替计算机。’”于是，两人设想了输入对撞机粒子的自动编码器特征，并问：这些粒子中有与其他粒子不同的吗？普莱恩继续说：“然后我们就写了一份联合经费申请。”

这并不是说人工智能会发现新的物理学现象，甚至学习什么才算是“值得关注的”也是一个令人望而生畏的问题。从19世纪开始，穿着实验室工作服的男性们就将数据处理委托给女性，因为他们认为女性勤奋、注重细节。当时这些女性会在行星的照片上做标注，她们扮演了“电脑”的角色。20世纪50年代，女性接受了扫描气泡室的培训，这些气泡室将粒子轨迹记录为流体中的微小气泡线。物理学家们并没有向她们揭示这些事件背后的理论，只是告诉她们要根据一系列规则来寻找什么。但是，正如哈佛大学科学历史学家彼得·盖里森（Peter Galison）在《图像与逻辑：一部粒子物理的物质文化史》（Image and Logic: A Material Culture of Physics）中所述，这项任务“微妙、困难，而且绝非例行公事”，需要“三维视觉直觉”。盖里森对物理学家的工具如何塑造其发现进行了颇具影响力的介绍。他还说：“即使是在一个单独的实验中，也需要做出判断，这不是一个算法活动，不是一个完全由规则规定行动的流水线程序。”

不过，在过去的10年里，我们了解到，人工智能实际上可以执行曾经被认为需要人类直觉的任务，例如掌握围棋这种古老的棋盘游戏。因此，研究人员一直在测试人工智能在物理学上的直觉。2019年，卡西耶茨卡和他的合作者宣布开展2020年大型强子对撞机奥运会（LHC Olympics 2020），在这项竞赛中，参与者需要提交算法，在三组（模拟的）大型强子对撞机数据中发现异常事件。有些团队在一个数据集中正确地发现了异常信号，而有些团队在第二组数据中错误地报告了一个异常信号，而且他们均未在第三组数据中发现异常信号。2020年，一个名为Dark Machines的研究团体宣布开展一项类似的竞赛，并收到了1000多份机器学习模型的参赛作品。如何打分的决定形成了不同的排名，这表明我们还没有找到探索未知的最佳方式。

另一种测试无监督学习的方法是利用修正主义历史。1995年，位于美国伊利诺伊州的费米国家加速器实验室的粒子加速器中出现了一种被称为顶夸克的粒子。但如果当时我们对它一无所知呢？研究人员将无监督学习应用到了2012年收集的大型强子对撞机数据中，假装对顶夸克一无所知。果不其然，人工智能揭示了一系列聚集在一起的异常事件。结合少许人类的直觉，它们指向了类似顶夸克的粒子。

这个实验强调了一个事实，那就是无监督学习还不能取代物理学家。“如果你的异常探测器检测到了某种特征，你要如何从这种结论过渡到某种物理学解释？”卡西耶茨卡表示，“异常搜索更像是一种类似侦查的测量，能引导你研究正确的角落。”哥伦比亚大学的物理学家格奥尔基娅·卡拉吉奥吉（Georgia Karagiorgi）对此表示赞同，她说：“一旦你发现了意想不到的迹象，那就不能就此放弃，然后说：‘哦，我有一些发现。’你必须找到一个模型，然后对其进行检验。”

威斯康星大学麦迪逊分校的物理学家和数据科学家凯尔·克兰默（Kyle Cranmer）在2012年发现希格斯玻色子的过程中发挥了关键作用，他也表示，不能忽视人类的专业知识。“让数据看起来和预期大不相同的方法有无数种，”他说，“而其中大多数都没有重大价值。”物理学家也许能认识到偏差可能暗示了一些看似合理的新物理现象，而不仅仅是噪声。“但是，如何将其编码化，并在某种算法中明确表达出来，就不那么简单了。”克兰默说。理想情况下，指南应该足够普适，既可以排除无法想象的情况，又不会筛掉那些尚未想象到的情况。“那就是‘恰到好处’的情况。”

哈佛大学的盖里森在1987年出版的《实验是如何终结的》（How Experiments End）一书中写道，科学仪器可以“导入仪器本身内置的假设”。他向我讲述了1973年的一项实验，该实验的目的是寻找一种名为中性电流的现象，其标志是所谓的重电子（后改名为μ子）缺失。其中一个团队起初沿用了先前实验的触发器，只在产生重电子时才记录事件，而根据定义，中性电流不会产生重电子。结果，研究人员在很长一段时间内都没有观测到这种现象，并错误地断定它不存在。盖里森表示，物理学家的设计选择“（只）允许发现一件事，并且会让下一代研究人员对这个新发现视而不见。在选择性观察的时候，就始终存在风险。”

我问盖里森，通过自动搜索有趣的事件，我们是否能让人工智能接管科学本身？他重新表述了这个问题：“我们把科学这辆车的钥匙交给机器了吗？”他告诉我，生成测试数据以了解算法是否如预期运行，就是缓解这种担忧的一种方法，就像在大型强子对撞机奥运会上一样。他说：“在拿出相机拍摄尼斯湖水怪之前，你要确保相机能准确地还原各种各样的颜色和图案。”这样你才能信赖它捕捉到的一切。

盖里森也是一名物理学家，从事有关“事件视界望远镜”（Event Horizon Telescope）的工作。该望远镜可以拍摄黑洞的图像。他回忆道，在那个项目中，他展示了一些完全出乎意料的测试图像，例如动画片《结霜的雪人》（Frosty the Snowman），这样科学家们就能了解该系统捕捉新事物的一般能力。“其中的危险在于，你错过了一些关键的测试。”他说，“你要拍摄的物体与你的测试模式大不相同，导致你准备不充分。”

物理学家们用来寻找新物理学的算法当然容易受到这种危险的影响。很多应用场景中都采用了无监督学习，这是有帮助作用的。在工业领域，它暴露了反常的信用卡交易和被黑客入侵的网络。在科学领域，它可以识别地震前兆、蛋白质结合的基因组位置，以及合并的星系。

不过，粒子物理数据的一个不同之处在于，异常现象可能不是独立的物体或事件。这不仅仅是大海捞针，更是在寻找干草堆本身微妙的不规则性。也许一个草堆里包含的茎干比你预期的更多。或者，只有你同时观察茎干大小、形状、颜色和纹理时，才能察觉到某个图案。这种图案可能表明土壤中有一种未知的物质。在加速器数据中，微妙的模式可能暗示着一种隐藏的力量。正如卡西耶茨卡和他的同事在一篇论文中所述：“我们不是在寻找会飞的大象，而是要察觉水潭边比平日里多出来寥寥几头大象。”

即便是权衡多种因素的算法也会漏掉一些迹象，它们也会发现虚假的信号。错误地宣称有新发现的风险是很高的。普莱恩表示，回到黑客入侵的场景，一家公司可能最终会确定自己的网络没有被黑客入侵，而只是一个新员工的操作。该算法的误报造成的损害很小。他说：“然而，如果你依靠该发现获得了诺贝尔奖，一年后人们说‘好吧，只是侥幸’，而你的余生都会遭到他人的取笑。”他补充道，在粒子物理学中，可能会纯粹因为大数据中的偶然发现而捕捉到某种模式，或者这些模式仅仅是设备误差的产物。

以前也发生过假警报。1976年，在费米实验室，后来因其他工作而获得诺贝尔奖的利昂·莱德曼（Leon Lederman）所领导的一个小组宣布发现了一种粒子，并暂时将其命名为U粒子（Upsilon）。研究人员计算出了该信号偶然发生的概率为1/50。然而，进一步收集数据后，他们追溯这一发现，重新将这种伪粒子命名为Oops-Leon。（如今，粒子物理学家要等到发现结果的巧合概率低于350万分之一，即所谓的五西格玛标准，才会下结论。）2011年，意大利中微子振荡乳胶径迹实验项目（OPERA）的研究人员宣布发现了中微子超光速运动的证据。然后，几个月后，他们报告称，该结果是计时系统的连接故障造成的。

这些警世故事一直萦绕在物理学家的心头。然而，研究人员既会谨慎面对人工智能可能的误报，也将其视为防范此类错误的有力工具。到目前为止，尽管无监督学习使用了来自费米实验室和大型强子对撞机所在地欧洲核子研究中心（CERN）的多项实验数据，但这种方法并未发现任何新物理学迹象。不过，异常检测或许已经成功避免了类似OPERA的尴尬局面。“所以，它不是告诉你有新的物理粒子，”卡西耶茨卡表示，“而是告诉你，这个传感器今天很奇怪，你应该重启它。”

粒子物理学家不仅在挑战计算软件的极限，也在不断突破计算硬件的极限。其面临的挑战前所未有。大型强子对撞机每秒产生4000万次粒子碰撞，每次碰撞会产生1兆字节数据。即便能以如此快的速度将数据写入磁盘，要存储的信息也太多了。因此，两个最大的探测器都使用了两级数据过滤。第一层称为一级触发器（Level-1 Trigger，L1T），每秒可收集10万个事件；第二层称为高级触发器（High Level Trigger，HLT），可从这些事件中抽取1000个事件并保存起来以供后续分析。这意味着，每4万次事件中，只有一次可能进入人类的视野。

高级触发器采用了台式电脑所使用的中央处理器（CPU）来运行复杂的机器学习算法，这些算法可以根据产生的新粒子的数量、类型、能量、动量和角度来分析碰撞。一级触发器作为第一道防线，必须具备极高运算速度。因此一级触发器依赖现场可编程门阵列（FPGA）这类集成电路，用户可以对其重新编程以执行专门的计算。这样做的代价是编程必须相对简单：现场可编程门阵列难以存储和运行复杂的神经网络，只能依照预设规则进行判断，比如设定哪些粒子对撞特征具备研究价值。从运算复杂度来看，现场可编程门阵列执行的只是既定程序化指令，就像当年人工判读气泡室影像时遵循的固定操作流程，而非依靠人脑灵活分析思考。

麻省理工学院的粒子物理学家叶卡捷琳娜·“卡迪娅”·格沃科娃（Ekaterina "Katya" Govorkova）从一个棋盘游戏中获得了灵感，想到了改进大型强子对撞机过滤器的方法。2020年左右，她比较了大型强子计算机的精确测量结果和预测结果，以期寻找新的物理学，且在此过程中几乎没有使用机器学习。然后，她观看了一部关于阿尔法围棋的纪录片，该程序利用机器学习击败了人类围棋冠军。“我的领悟是，阿尔法围棋会使用一些全新的策略，而这是人类下围棋几个世纪以来从未想到过的策略。”她说，“所以那时我在想，我们的物理学需要这样的东西。我们需要一个能以不同的眼光看待世界的天才。”新的物理学可能是我们从未想象过的东西。

格沃科娃和她的合作者找到了一种压缩自动编码器的方法，将其部署在现场可编程门阵列上，实现了每80纳秒（不到千万分之一秒）就能处理一个事件。（压缩需要修剪一些网络连接，并降低一些计算的精度。）2022年，他们在《自然·机器智能》杂志上介绍了他们的方法。目前，研究人员正在大型强子对撞机的第三次运行中使用其方法。新的触发技术部署在了大型强子对撞机巨大环形结构周围的一个探测器上，而且它发现了许多原本不会被发现的异常事件。

目前，研究人员正在建立分析工作流程来解释为什么这些事件被认为是异常事件。费米实验室的粒子物理学家詹妮弗·恩加迪乌巴（Jennifer Ngadiuba）也是触发系统的协调员之一（她也是格沃科娃的合著者之一），她说，有一个特征已经很明显了，那就是，被标记的事件有大量的新粒子从碰撞中喷射出来。但科学家们仍需要探索其他因素，比如新粒子的能量及其在空间中的分布。“这是一个高维问题。”她说。

最终，他们将公开分享数据，允许他人观察结果，或者应用新的无监督学习算法来寻找模式。加州大学圣地亚哥分校的物理学家哈维耶·杜阿尔特（Javier Duarte）也是2022年那篇论文的合著者之一，他说：“想到把这个结果提供给粒子物理学家们，并若无其事地说‘我们不知道这是什么，你们可以看一下’，我就感到很兴奋。”杜阿尔特和恩加迪乌巴指出，高能物理学传统上遵循的是自上而下的发现路径，用定义完善的理论来测试数据。将这种自下而上寻找意想不到的发现的新方法加入其中，标志着一种新范式的诞生。“这在某种意义上，也算是回归到粒子物理标准模型尚未完全稳固确立之前的研究状态。”杜阿尔特补充道。

不过，我们可能需要很多年才能知道为什么人工智能将这些碰撞标记为异常。它们能支持什么结论？恩加迪乌巴表示：“在最坏的情况下，它可能是一些我们不知道的探测器噪声。”这也是有用的信息。“最好的情况是，可能是一种新粒子，新的粒子意味着一种新的力。”她说。

杜阿尔特说，希望他们在现场可编程门阵列方面的工作能够得到更广泛的应用。“高能物理中的数据速率和运行约束条件极为苛刻，工业界一般并不会着手研发这类技术。”他说，“在自动驾驶汽车中，毫秒级延迟的反应时间通常足够快了。但我们正在开发的算法需要在微秒甚至更短的时间内作出反应。我们正处于这项技术的前沿，看到这些成果能在多大程度上在工业界发挥作用，这将是非常酷的事。”

普莱恩还与实验学家、电气工程师和其他理论学家合作，致力于将神经网络作为触发器部署到现场可编程门阵列上。要将抽象理论的细微差别编码到实体硬件中，本身就是一个难题。“在这项经费申请中，我交流最多的人是电器工程师。”他说，“因为我必须问工程师，‘我的哪个算法适合你的现场可编程门阵列？’”

与杜阿尔特一起研究现场可编程门阵列的加州大学圣地亚哥分校电气工程师和计算机科学家瑞安·卡斯特纳（Ryan Kastner）表示，硬件问题很难解决。芯片运行算法之所以如此快，是因为它们很灵活。工程师们不是使用Python这样的抽象编码语言来编程，而是要直接配置底层电路，他们要手动规划逻辑门、布设数据路径并同步操作。卡斯特纳说，这种低层次的控制也让这种工作极其困难。“这就像你手里有一堆绳索，稍有不慎就可能把自己绊倒。”

下一项新物理学发现可能不会出现在粒子加速器上。它可能出现在中微子探测器中，中微子是标准模型中的粒子，但非常神秘。中微子体积非常小，呈电中性，质量轻到至今无人能测量。（在2025年4月最近一次测量中微子质量的研究中，研究人员仅给出了其质量上限，约为电子质量的百万分之一。）在所有已知有质量的粒子中，中微子在宇宙中最丰富，也是最“隐形”的，它们几乎不与周围的物质发生相互作用。每一秒，都有数万亿的中微子穿过你的身体。

不过，如果我们屏息聆听，也许就能捕捉到这些粒子暗藏的秘密。哥伦比亚大学的卡拉吉奥吉就选择了这条探索之路。在我参观哥伦比亚大学尼维斯实验室时，她告诉我，成为物理学家“有点像扮演侦探，但谜题需要自己设计”。尼维斯实验室位于曼哈顿以北约20公里的一个大庄园里，从第二次世界大战之后，这里就开始了物理研究之旅；实验室的一条走廊里陈列着可追溯至1951年的学术文献。

卡拉吉奥吉热切地期盼着目前正在建设的大型中微子探测器。从2028年开始，费米实验室将向西发射中微子，使其穿越1300公里长的岩层抵达南达科他州，在那里，深地下中微子实验（DUNE）将偶尔捕捉到这些中微子的踪迹。为何要跨越这么远的距离？原来中微子在长途“旅行”中会出现一种奇特的振荡现象，能够从一种“味”变为另一种“味”。观察中微子及其镜像反粒子（即反中微子）的振荡，研究人员也许能揭示宇宙中物质与反物质不对称之谜，而标准模型还无法解释这一点。正如尼威斯网站所言，解释“我们为何存在”。

卡拉吉奥吉说：“深地下中微子实验推动了我开发这些实时人工智能方法，从而用这些人工智能方法非常快速地筛选数据，并尝试在其中寻找有价值的罕见特征。”中微子与探测器7万吨液态氩相互作用时，会产生大量其他粒子，形成看起来像烟花图片的视觉轨迹。

即使不用中微子轰击深地下中微子实验，研究人员也会继续收集数据，因为它有可能捕获来自遥远超新星的中微子。“这是一个巨大的探测器，每秒能产生5万亿字节的数据，并且将持续运行10年。”卡拉吉奥吉说。他们将需要无监督学习来注意到那些没有人寻找的特性，因为“有很多不同的超新星爆炸发生情况的模型，就我们所知，它们都不可能是中微子的模型”。她说：“在这种不确定的基础上训练算法，效果会很不理想。因此，能识别所有干扰的算法才能取得成功。”

要实时从海量数据里筛选留存万分之一的关键数据，就必须借助现场可编程门阵列。卡拉吉奥吉的团队正准备将其用于深地下中微子实验，她带我走进团队为电路编程的计算机实验室。在现场可编程门阵列实验室，我们看到桌上摆放着不起眼的电路板。她说：“所以我们提出的方案是，可以在深地下中微子实验中安装100个这种可以逐帧接收图像数据的电路板。”通过该系统，研究人员将了解给定的画面是类似于静态画面、烟花图片还是介于两者之间。

中微子实验像许多粒子物理研究一样，是非常直观的。在卡拉吉奥吉读博士后期间，中微子探测器的自动图像处理还处于初级阶段，因此她和合作者经常采用视觉扫描（气泡室式）的方法来测量粒子轨迹。她还会要求本科生手动扫描进行教学练习。“我认为，只是让学生写出一个机器学习算法，这种做法是不妥的。除非能将数据可视化，否则我们无法真正了解自己在寻找什么。”她表示，“而且，亲眼观察各类粒子相互作用的形态，分清哪些是正常事例、哪些是反常异象，也有助于激发创造力。”

在卡拉吉奥吉的办公室里，一块布告栏上陈列着《费曼图的认知艺术》展览作品，其设计师爱德华·塔夫特（Edward Tufte）为物理学家理查德·费曼（Richard Feynman）的粒子相互作用原理图制作了金属丝雕像。她说：“说来有趣。这些图看似信手涂鸦，但实际上以符号编码的方式，精准蕴含着自然界可量化预测的行为。”随后，卡拉吉奥吉和我花了整整10分钟讨论一个问题，那就是，如果不知道沃尔多（Waldo）的模样，电脑或人类能否找到沃尔多？我们还谈到了1964年美国最高法院的案件，在该案件中，大法官波特·斯图尔特（Potter Stewart）拒绝定义“淫秽”，他说：“我看到的时候，自然就知道了。”我问，把筛选甄别有科研价值视觉信号的工作全权交给机器，是不是有点奇怪？她笑着回答道：“其中牵涉到太多信任层面的问题。”

开车回曼哈顿的路上，我们讨论了科学发现的历史。卡拉吉奥吉说：“我认为，试图理解周围有序的世界，是人类本性的一部分。然后，人类就会自动挑出奇怪的东西。有些人比其他人更痴迷于奇怪的事物，并且会试图理解它。”

在反思标准模型时，她说它“优雅而富有魅力”，具有“惊人的预测能力”。不过，她也发现，标准模型有一定的局限性，会让我们对还没有见过的色彩视而不见。“建立起如此成功的理论，有时候既是福音，也是桎梏。”

作者：Matthew Hutson

IEEE Spectrum

《科技纵览》

官方微信公众平台

如何在人工智能领域站稳脚跟

探秘强大的天气预报人工智能

让人工智能支持我们的3种方法