Archetype AI的Newton模型从原始数据中学习物理——无需人类帮助
Archetype AI的研究人员开发了一种基础人工智能模型，名为“牛顿”，它能够直接从传感器数据中学习复杂的物理原理，而无需任何预编程知识。这一突破可能会显著改变我们理解和与物理世界的互动方式。
该模型展示了前所未有的能力，能够泛化到多种不同的物理现象，从机械振荡到热力学，仅使用原始传感器测量作为输入。这一成就在今天发布的一篇论文中得到了详细描述，代表了人工智能在解释和预测现实世界物理过程方面能力的重大进步。
Archetype AI的联合创始人Ivan Poupyrev在接受VentureBeat独家采访时表示：“我们正在探索人工智能是否能够像人类通过仔细观察和测量一样，自行发现物理定律。我们能否构建一个能够泛化到不同物理现象、领域、应用和传感装置的单一人工智能模型？”
牛顿模型在超过五亿个不同传感器测量数据点上进行了训练，显示出了显著的多功能性。在一个引人注目的演示中，它实时准确地预测了摆的混沌运动，尽管从未在摆动力学上进行过训练。
该模型的能力还扩展到了复杂的现实世界场景。牛顿在预测全市电力消费模式和预测电网变压器中的温度波动方面，超越了专门的人工智能系统。
Poupyrev告诉VentureBeat：“令人惊讶的是，牛顿并没有特别被训练来理解这些实验——它是第一次遇到它们，并且仍然能够预测结果，即使是混沌和复杂的行为。”
Archetype AI的“牛顿”模型在各种复杂物理过程中的性能比较。图表显示，即使没有特定训练（零样本），该模型通常也能超越或匹配针对每项任务特别训练的模型，突出了其广泛的适用潜力。（图片来源：Archetype AI）
将人工智能适应于工业应用
牛顿模型能够泛化到全新的领域，这可能会显著改变人工智能在工业和科学应用中的部署方式。与其为每个新用例定制模型和广泛的数据集，一个像牛顿这样的预训练基础模型可能只需最少的额外训练就能适应多种传感任务。
这种方法代表了人工智能在物理系统应用方式上的重大转变。目前，大多数工业人工智能应用需要为每个特定用例进行广泛的定制开发和数据收集。这个过程既耗时又昂贵，通常导致模型过于狭窄，无法适应变化的条件。
相比之下，牛顿的方法提供了更灵活和可适应的人工智能系统的潜力。通过从广泛的传感器数据中学习物理的一般原理，该模型可能能够以最少的额外训练应用于新情况。这可能会大幅减少在工业环境中部署人工智能的时间和成本，同时也提高了这些系统处理意外情况或变化条件的能力。
此外，这种方法在数据稀缺或难以收集的情况下可能特别有价值。许多工业过程涉及罕见事件或独特条件，这些条件很难用传统的人工智能方法进行建模。像牛顿这样能够从广泛的物理知识中泛化的系统，即使在这些具有挑战性的场景中，也可能能够做出准确的预测。
扩展人类感知：人工智能作为一种新感觉
牛顿的影响超出了工业应用。通过学习解释不熟悉的传感器数据，像牛顿这样的人工智能系统可以以新的方式扩展人类的感知能力。
Poupyrev告诉VentureBeat：“我们现在有传感器可以检测到人类自然无法感知的世界方面。现在我们可以通过人类没有的感官方式开始看到世界。我们以前所未见的方式增强我们的感知。”
这种能力可能在各个领域都有深远的影响。例如，在医学领域，人工智能模型可以帮助解释复杂的诊断数据，可能识别出人类医生可能错过的模式或异常。在环境科学中，这些模型可以帮助分析大量的传感器数据，以更好地理解和预测气候模式或生态变化。
这项技术还为人类-计算机交互提供了有趣的可能性。随着人工智能系统在解释不同类型的传感器数据方面变得更加擅长，我们可能会看到新的界面，使人类能够“感知”以前无法感知的世界方面。这可能导致从科学研究到艺术表达等各种新工具的出现。
Archetype AI是一家由前谷歌研究人员创立的帕洛阿尔托初创公司，至今已筹集了1300万美元的风险资金。该公司正在与潜在客户讨论现实世界的部署，重点关注领域包括工业设备的预测性维护、能源需求预测和交通管理系统。
这种方法还显示出加速科学研究的潜力，通过在实验数据中发现隐藏的模式。Poupyrev沉思道：“我们能否发现新的物理定律？这是一个令人兴奋的可能性。”
Poupyrev告诉VentureBeat：“我们在Archetype AI的主要目标是理解物理世界。弄清楚物理世界意味着什么。”
随着人工智能系统在解释物理现实背后的模式方面变得越来越熟练，这一目标可能是可以实现的。这项研究开辟了新的可能性——从更高效的工业流程到科学突破和扩展我们对物理世界理解的新型人类-计算机界面。
目前，牛顿仍然是一个研究
