AI это не только синтез того, что уже знает человечество, но и поиск чего-то нового. Один из больших прорывов в области AI стала победа компьютера над человеком в шахматы без какого либо обучения со стороны человека. Компьютер просто играл сам с собой и ориентировался на финальный результат (выигрыш или проигрыш) и адаптировал от этого стратегию. Такой тип обучения называется Reinforcement Learning - по мне так самая интересная область в AI.
К сожалению, практическое применение возможно лишь там, где относительно бесконечно, снова и снова, можно проводить эксперименты. Как вы понимаете в самоуправляемых автомобилях это сложно реализовать - мы не готовы снова и снова разбивать дорогостоящее оборудование, но вот в симуляторах - вполне. Именно поэтому все больше и больше появляется всякого рода эмулятор для роботов (синтезированные виртуальные миры с виртуальными объектами) и машин (с созданием несуществующих дорог). Кстати, именно поэтому у Tesla большое преимущество - у нее огромное количество данных собранных за бесплатно владельцами машин.
Но сегодня не об этом. Хотел рассказать, что reinforcement learning применяется в том числе и в физике. Например проект Φ-SO этот попытка находить с нуля из данных физические законы. Невероятно интересный подход, который машина генерирует гипотезы, сверяется с реальностью (правильно или нет подобрана формула) и корректирует стратегию)
Paper: https://arxiv.org/abs/2303.03192
Code: https://github.com/WassimTenachi/PhySO
Thread: https://twitter.com/astro_wassim/status/1633645134934949888