劃重點(diǎn)
01美國(guó)初創(chuàng)公司Archetype AI發(fā)布名為“牛頓”的物理學(xué)大模型，能從傳感器數(shù)據(jù)中學(xué)習(xí)物理原理。
02Newton模型無(wú)需預(yù)先輸入知識(shí)，能跨越各種物理現(xiàn)象進(jìn)行泛化，從機(jī)械振動(dòng)到熱力學(xué)都能應(yīng)對(duì)自如。
03該模型的訓(xùn)練數(shù)據(jù)來自超過5.9億個(gè)樣本，涵蓋廣泛物理行為的開源數(shù)據(jù)集。
04事實(shí)上，Newton模型在預(yù)測(cè)全市電力消耗規(guī)律和預(yù)測(cè)電網(wǎng)變壓器溫度波動(dòng)方面的表現(xiàn)優(yōu)于專門的人工智能系統(tǒng)。
05未來，這種基于廣泛傳感器數(shù)據(jù)的學(xué)習(xí)方法可能會(huì)推動(dòng)AI在物理系統(tǒng)中的應(yīng)用。
以上內(nèi)容由騰訊混元大模型生成，僅供參考
在科技不斷進(jìn)步的今天，AI 正在以驚人的速度拓展其能力邊界，甚至今年的諾貝爾物理學(xué)和化學(xué)獎(jiǎng)都頒給了與 AI 有關(guān)的研究成果。
近日，一家名為 Archetype AI 的美國(guó)初創(chuàng)公司公布了一個(gè)物理學(xué)基礎(chǔ)大模型，名為“牛頓”（Newton）。
這個(gè)模型能夠直接從傳感器數(shù)據(jù)中學(xué)習(xí)復(fù)雜的物理原理，而無(wú)需預(yù)先輸入任何知識(shí)。
研究人員認(rèn)為，這可能會(huì)改變我們理解和與物理世界互動(dòng)的方式。
Archetype AI 的聯(lián)合創(chuàng)始人伊萬(wàn)普皮列夫（Ivan Poupyrev）對(duì)媒體表示：“我們正在探索 AI 是否能像人類一樣，通過仔細(xì)觀察和測(cè)量來自主發(fā)現(xiàn)物理定律。
我們能否構(gòu)建一個(gè)單一的 AI 模型，使其能夠在不同的物理現(xiàn)象、領(lǐng)域、應(yīng)用和傳感裝置中進(jìn)行泛化？”
Archetype AI 是一家總部位于美國(guó)帕洛阿托市的初創(chuàng)公司，由前谷歌研究人員創(chuàng)立，迄今已籌集了 1300 萬(wàn)美元的風(fēng)險(xiǎn)投資。
該公司正在與潛在客戶討論 AI 模型的實(shí)際部署，重點(diǎn)關(guān)注工業(yè)設(shè)備預(yù)測(cè)性維護(hù)、能源需求預(yù)測(cè)和交通管理系統(tǒng)等領(lǐng)域。
圖 | AI 模型根據(jù)傳感器觀測(cè)進(jìn)行推理的訓(xùn)練過程（來源：Archetype AI）
在最近發(fā)表的一篇論文中，該公司的研究團(tuán)隊(duì)詳細(xì)解釋了 Newton 模型解釋和預(yù)測(cè)真實(shí)世界物理過程的能力。
總的來說，它展現(xiàn)出了“前所未有的能力”，可以僅憑原始傳感器測(cè)量數(shù)據(jù)就能跨越各種物理現(xiàn)象進(jìn)行泛化，從機(jī)械振動(dòng)到熱力學(xué)都能應(yīng)對(duì)自如。
一般來說，人們常常認(rèn)為要理解物理世界，首先需要學(xué)習(xí)物理定律，然后再將其應(yīng)用到物理世界的任務(wù)中。
因此，我們可能會(huì)認(rèn)為 AI 也需要被灌輸相同的定律，比如能量守恒定律。這樣它才能遵守這些定律，以處理來自物理世界的數(shù)據(jù)。
這種方法通常依賴于引入某些歸納偏差，即將約束條件或先驗(yàn)知識(shí)表示為數(shù)學(xué)語(yǔ)句的假設(shè)。
然而，這種方法的問題在于，它會(huì)導(dǎo)致高度專門化的 AI 模型。例如，如果訓(xùn)練一個(gè)模型使用納維-斯托克斯方程來分析流體運(yùn)動(dòng)，它就無(wú)法解釋涉及完全不同物理原理的雷達(dá)圖像。
（來源：YouTube 截圖）
此外，像電網(wǎng)或自動(dòng)化工業(yè)機(jī)器等復(fù)雜系統(tǒng)，往往無(wú)法簡(jiǎn)單地僅用幾個(gè)物理定律和方程來描述。
（來源：Archetype AI）
Newton 模型的訓(xùn)練數(shù)據(jù)來自超過 5.9 億個(gè)樣本，這些樣本來自涵蓋廣泛物理行為的開源數(shù)據(jù)集，從電流和液體流動(dòng)到光學(xué)傳感器等。
使用基于 Transformer 的深度神經(jīng)網(wǎng)絡(luò)，Newton 模型對(duì)所有這些原始、嘈雜的傳感器數(shù)據(jù)進(jìn)行編碼，并試圖通過捕捉隱藏模式和統(tǒng)計(jì)分布來理解它們。
接下來，研究團(tuán)隊(duì)訓(xùn)練了幾個(gè)輕量級(jí)、特定于應(yīng)用的神經(jīng)網(wǎng)絡(luò)解碼器。這些解碼器經(jīng)過訓(xùn)練，可以執(zhí)行現(xiàn)實(shí)世界的任務(wù)。例如，根據(jù)傳感器數(shù)據(jù)預(yù)測(cè)未來結(jié)果或重建過去事件。
在實(shí)際應(yīng)用中，Newton 模型可以從測(cè)量物理行為的傳感器中獲取實(shí)時(shí)數(shù)據(jù)，也可以與預(yù)先記錄的傳感器測(cè)量值配合使用，以做出準(zhǔn)確的預(yù)測(cè)。
