機器之心報導
機器之心編輯部
人工智慧可以在複雜的圍棋遊戲中輕鬆戰勝人類，但它們可以幫助我們做出科學發現嗎？美國能源部勞倫斯伯克利國家實驗室最近發表在《自然》雜誌上的一篇論文引起了人們的廣泛關注。研究人員表示，人工智慧在自動閱讀 300 萬篇材料學領域的論文之後發現了全新的科學知識。
在人們的普遍印象裡，論文上了 Nature，那結論自然也就八九不離十了。然而對於熟悉人工智慧的人來說，該研究有些奇怪的是：論文中模型使用的技術是「
詞嵌入
」——既不是卷積神經網絡，也不是循環神經網絡等更複雜的模型。這麼簡單的模型，真的可以幫助我們找到成百上千研究者多年來從未找到的新材料嗎？
這篇文章發表之後引來了機器學習社區的大量反對意見，人們紛紛對這樣的「灌水」行徑表示不忍直視。
讓我們先看看論文是怎麼說的：
AI 學會「看論文」了，研究還上了 Nature
該論文的作者來自伯克利國家實驗室能量存儲與分布式資源部門（Energy Storage & Distributed Resources Division）科學家 Anubhav Jain 領導的團隊，他們收集了 330 萬篇已發表的材料科學論文的摘要，並將它們饋入到一個名為
word2vec
的算法中。通過解釋詞間的關係，該算法能夠提前數年給出新熱電材料的預測，在目前未知的材料中找出有應用潛力的候選材料。
這篇名為《Unsupervised Word Embeddings Capture Latent Knowledge from Materials Science Literature》的論文發表在 7 月 3 日的 Nature 上。
論文地址：https://www.nature.com/articles/s41586-019-1335-8
論文一作 Vahe Tshitoyan 是伯克利國家實驗室博士後研究員，現就職於谷歌。此外，同屬伯克利國家實驗室的科學家 Kristin Persson 和 Gerbrand Ceder 也參與了此項研究。
Gerbrand Ceder 表示：「該論文認為，對科學文獻進行文本發掘可以發現隱藏的知識，單純的文本提取可以建立基本科學知識。」
論文一作 Tshitoyan 表示，該項目的動機是人們很難完全弄明白數量過多的已發表研究。所以，他們想到機器學習是否能夠以無監督的方式利用所有集體知識（collective knowledge）。
King - queen + man = ?
該團隊整理了 1922 年至 2018 年間發表在 1000 多個期刊上的 330 萬篇論文摘要（是的，AI 讀論文只看摘要）。Word2vec 從這些摘要中提取了大約 50 萬個不同的單詞，並將每個單詞轉化為 200 維的向量或者包含 200 個數字的數組。
Jain 表示：「重要的不在於數字，而是利用這些數字觀察單詞之間的關係」。例如，你可以利用標準向量數學做向量減法。其他研究者已經證明，如果你要在非科學文本資源上訓練該算法，並從『king 減去 queen』中提取向量，則可以得到與『man 減去 woman』相近的結果。
同樣地，當在材料科學文本中進行訓練時，該算法僅根據摘要中單詞的位置以及它們與其他單詞的共現關係就可以學習科學術語和概念的含義。例如，正如該算法可以解「king-queen + man」方程式一樣，它能夠計算出方程式「ferromagnetic（鐵磁的）—NiFe（鎳鐵）+ IrMn（銥錳）」的答案是「antiferromagnetic」（反鐵磁的）。
左：Word2vec 的元素表徵（投影到二維空間）；右：門捷列夫元素周期表。圖源：Berkeley Lab
如上圖所示，當元素周期表中的化學元素投影到二維空間時，Word2vec 甚至可以學習它們之間的關係。
提前數年預測新材料
那麼，如果 Word2vec 那麼聰明，它能預測新的熱電材料嗎？一種好的熱電材料可以高效地將熱能轉換為電能，而且是用安全、充足、易生產的原料製成的。
該算法根據詞向量與單詞「熱電」的相似性對每種化合物進行排序，研究者選取了該算法最為推薦的熱電材料。然後，他們通過計算來驗證算法的預測結果。
他們發現，在算法預測出的前 10 位熱電材料中，所有預測都計算出了略高於已知熱電元件的功率因數（衡量電氣設備效率高低的一個係數，該值越高效益越好）；前三位材料的功率因數高於 95% 的已知熱電學元件。
接下來，他們測試了該算法是否適用於「過去」的預測實驗，即只給它 2000 年之前的摘要。結果再次給人驚喜，算法給出的排名靠前的預測結果很多都出現在了後來的研究中，這一數字是隨機選擇結果的四倍。例如，利用 2008 年之前的數據訓練得到的預測結果有 5 個，其中三個已經被發現，而其餘的兩個非常稀有或含有有毒物質。
研究者說：「該研究表明，如果該算法能夠早點應用，一些材料早在幾年前就可以被發現了。」
隨著研究的進行，研究者正在發布由算法預測出的前 50 位熱電材料。他們還將發布研究中用到的詞嵌入，以幫助其他人發現更好的材料。此外，他們還在開發一個更加強大的智能搜尋引擎，幫助研究者利用更加有效的方法搜索摘要。
遭遇機器學習社區嘲諷
人工智慧真的可以自動發現新材料嗎？這篇論文一經發表便在社交網絡上引發了熱烈的討論。目前為止，該帖子已經有 14 萬的瀏覽量。
材料學的同學們首先表示驚訝：AI 代替科研人員，我們都會失業嗎？熟悉機器學習的人們看完論文之後回過神來，則開啟了「嘲諷模式」。
在知乎上，新加坡國立大學博士、騰訊算法工程師「霍華德」表示：看完這篇 paper 後，我的內心久久不能平復，好久沒看到這麼爛的 paper 了！
也有人建議其他領域的學者在使用機器學習方法做自己的研究前要先打好基礎。「到處挖坑蔣玉成」表示：我真心建議文章通訊作者和審稿人都去學學 CS224n…這文章的立意還挺不錯的，但是實際的實現也太水了，完全不配發 Nature。
機器學習社區的人們仔細分析了這篇論文：
該論文中，作者用 t-SNE 將詞向量投影到二維空間，並發現同族元素聚集在了一起。「霍華德」表示，同族元素在上下文當然容易提及，它們只是共現關係而已。此外，作者聲稱可以直接用詞向量預測化合物，並表示預測結果與理論計算的絕對誤差非常小，但理論能算出來東西，用神經網絡做擬合的意義真的很大嗎？
在這裡，作者連神經網絡適用的基本場景都弄不清，對於 Formation Energy 的計算有完善的量子力學理論做支撐，對於這樣能夠精準建模的問題，用傳統的物理學第一性理論來計算更好，更加可靠！
最後，作者用餘弦相似度計算了和 thermoelectric 最接近的單詞，然後在其中的 326 位和 345 位發現了兩種材料 Li2CuSb 和 Cu3Nb2O8，然後宣稱他們的算法能夠預測潛在的新型熱電材料。在讀者看來，這是一種「令人窒息」的操作。因為 thermoelectric 和兩種材料之所以餘弦相似度接近，根本原因是有人在文章裡同時提到過 thermoelectric 和 Li2CuSb、Cu3Nb2O8，這僅僅是共現關係而已。
所以結論來了：所謂能夠預測潛在的新型熱電材料的 AI 算法屬於無稽之談，材料學研究者們的生存並沒有因此受到威脅——因為這篇論文沒有提出任何能讓 AI 看懂論文的算法。
也有研究材料的學者在知乎上表示，為了蹭大數據、機器學習、深度學習的熱度，很多領域的研究都在做相關的工作。「聲嘶力竭」介紹了自己的經歷：剛開始接觸和學習 AI 相關技術，本以為可以利用這個工具做出多麼偉大的工作，但是自己真正做了之後，才感覺「這不就是個高維特徵空間的統計工具嘛，為什麼被吹得這麼玄幻？」
機器學習不能這麼亂用
論文上了《自然》、《科學》雜誌，卻仍然經不起人們的推敲，這種事最近在機器學習社區已經發生了不是一兩次了。
在「人工智慧搞科研」研究之前，是「深度學習預測地震」。去年 8 月，《Nature》上發表了一篇題為《Deep learning of aftershock patterns following large earthquakes》的火爆論文。該論文由哈佛和谷歌的數據科學家聯合撰寫，論文一作所屬單位是哈佛大學地球與行星科學系。
該論文展示了如何利用深度學習技術預測餘震。研究者指出，他們利用神經網絡在預測餘震位置方面的準確率超越了傳統方法。
但很快，這一方法就遭到了深度學習從業者的質疑。一位名叫 Rajiv Shah 的數據科學家表示，論文中使用的建模方法存在一些根本性的問題，因此實驗結果的準確性也有待考究。這名數據科學家本著嚴謹的精神在通過實驗驗證之後聯繫了原作和《Nature》，卻沒得到什麼積極的回覆。
於是，Rajiv Shah 經過半年時間，研究了論文作者公開的代碼，隨後在 medium 上發表文章揭露論文中存在的根本性缺陷以及《Nature》的不作為，後來這件事又在 Reddit 上引起了廣泛的討論。
人們除了批評 Nature 之外，也對深度學習、AI 技術被濫用的情況表示擔憂。隨著機器學習逐漸成為熱門學科，越來越多其他領域的學者開始使用新方法來解決問題，有些獲得了成果，有些則因為實驗和數據的錯誤方式而導致了不嚴謹的結果。
更令人擔憂的是，有時候有缺陷的研究還可以得到人們的認可。
這篇深度學習預測餘震的論文登上了 Nature，還成為了 TensorFlow 2.0 新版本上宣傳文章中提到的案例——然而卻被機器學習社區從業者們詬病。
頂級期刊的事，怎麼能說胡編亂造呢？然而這一次，人工智慧學者們真的有點忍不住了。
參考內容：
https://techxplore.com/news/2019-07-machine-learning-algorithms-uncover-hidden-scientific.html
https://www.nature.com/articles/s41586-019-1335-8
https://www.zhihu.com/question/333317064/answer/738462156