人工智能是新时代的炼金术?
根据著名的人工智能研究员阿里·拉希米和其他人的说法，今天时髦的神经网络和深度学习技术是基于一些技巧的集合，再加上一丝乐观主义，而不是系统的理论。这种思想认为，现代算法工程师处理程序和算法的思路与古代炼金术士一厢情愿地拼凑哲人石配方时差不了多少。
诚然，我们对AI算法的内部运作或其应用的局限性没有什么基本的了解。这些新形式的人工智能与传统的计算机代码非常不同，后者可以逐行理解。但前者相反，它们是黑盒子，人类甚至机器本身似乎都不知道它们会输出什么结果。
人工智能界的这种讨论对所有科学都有影响。随着深度学习进入到当前科学的许多领域--从药物研发到智能材料的设计，再到粒子碰撞的分析--科学本身可能面临着被概念性黑盒子吞噬的风险。让一个计算机程序来教化学或物理课是很难的。由于如此依赖机器，我们是否正在抛弃已经证明非常成功的科学方法，而重新回到炼金术的野蛮实践中去?
因其在神经网络方面的开创性工作而获得2018年图灵奖的联合获奖者扬·勒库恩说，还不至于。他认为，人工智能研究的现状在科学史上并不新鲜。它只是许多领域都经历过的一个必要的青春期阶段，其特点是试验和犯错、混乱、过度自信和缺乏整体理解。我们没有什么可担心的，而且从接受这种方法中可以得到很多。只要我们意识到它们的局限。
毕竟，我们很容易想象知识的流向，从一个抽象概念的源头，经过实验的曲折，到实际应用的广泛三角洲。这就是著名的 "无用知识的有用性"，由亚伯拉罕·弗莱克斯纳在其1939年的开创性文章中提出(本身就是对启蒙运动期间出现的 "有用知识" 这一美国概念的发挥)。
阿尔伯特·爱因斯坦的广义相对论是这一流程的典型说明。这一切都始于一个基本的想法，即物理学定律应该对所有观察者都适用，与他们的运动系无关。然后他将这一概念转化为弯曲时空的数学语言，并将其应用于引力和宇宙的演变。如果没有爱因斯坦的理论，我们智能手机中的GPS每天会偏离约7英里。
但是，也许这种关于无用知识的有用性的范式就是丹麦物理学家尼尔斯·玻尔喜欢称之为 "伟大的真理"--一个真理的反面也是一个伟大的真理。也许，正如人工智能所展示的那样，知识也可以向上流动。
正如勒库恩所建议的，在广泛的科学史上，我们可以发现这种效应的许多例子，这也许可以被称为 "有用知识的无用性"。一个总体性的、根本性的重要思想可以从一长串的逐步改进和游戏性的实验中产生。
也许最好的说明是热力学定律的发现，它是所有科学分支的基石。这些描述能量守恒和熵增的优雅方程是最基本的自然法则，物理现象都需要服从。但是，这些普遍的概念只是在经过长期的、混乱的实验之后才变得明显，从18世纪第一台蒸汽机的建造和对其设计的逐步改进开始。从实践考虑的浓雾中，数学定律慢慢出现了。
对于另一个例子，我们可以转到流体力学的历史。一个直接的问题呈现在早期人类面前--在各种水路上的运输--他们尽其所能来克服它，而不担心甚至不关心对流体力学的基本理解。在随后的几千年里，人们建造和航行船只，完全根据经验知识和经验来设计更有效的形状。
直到19世纪，我们才偶然发现了著名的纳维-斯托克斯方程，该方程以数学的精度刻画了流体的运动。即使在那时，由于机械发动机的出现和更高的速度推动了对理论考虑的需求，知识也一直在向上流动。
人们甚至可以说，科学本身也遵循同一路径。在17世纪现代研究的方法和实践诞生之前，科学研究主要包括非系统的实验和理论研究。长期以来，这些古老的实践被认为是学术上的死胡同，但近年来却被重新评价。炼金术现在被认为是现代化学的有用甚至是必要的先驱--与其说是胡闹，不如说是元科学。
拼凑和修补，是通向宏伟理论和见解的一条富有成效的道路，对于目前以新颖方式结合先进工程和基础科学的研究来说尤其重要。在突破性技术的推动下，纳米物理学家正在进行修补，在分子水平上建造相当于蒸汽机的现代设备，操纵单个原子、电子和光子。诸如CRISPR这样的基因编辑工具使我们能够剪切和粘贴生命本身的代码。凭借难以想象的复杂结构，我们正在将大自然推向现实的新角落。有了这么多探索物质和信息的机会，我们会迈进现代炼金术的黄金时代，在这个词最正面的意义上。
然而，我们永远不应忘记历史上来之不易的教训。炼金术不仅是一门原生科学，也是一门 "超科学"，它给出的承诺过高，却又交付不足。就像占星术曾被如此重视，以至于社会文化不得不适应去屈就理论，而非反过来。不幸的是，现代社会并没有摆脱这种神奇的思维，对无所不能的算法给予过多的信任，而没有批判性地质疑其逻辑或道德基础。
科学总是遵循一种自然的节奏，即扩张和集中阶段的交替。无序探索的时期之后是巩固期，将新知识建立在基本概念之上。我们只能希望，目前在人工智能、量子设备和基因编辑方面的创造性修补时期，以及其丰富的有益应用，最终将导致对世界的更深入的理解。
