AI学会「搞」科研登Nature，知乎网友：不忍直视的水

该论文中，作者用 t-SNE 将词向量投影到二维空间，并发现同族元素聚集在了一起。「霍华德」表示，同族元素在上下文当然容易提及，它们只是共现关系而已。此外，作者声称可以直接用词向量预测化合物，并表示预测结果与理论计算的绝对误差非常小，但理论能算出来东西，用神经网络做拟合的意义真的很大吗？

在这里，作者连神经网络适用的基本场景都弄不清，对于 Formation Energy 的计算有完善的量子力学理论做支撑，对于这样能够精准建模的问题，用传统的物理学第一性理论来计算更好，更加可靠！

最后，作者用余弦相似度计算了和 thermoelectric 最接近的单词，然后在其中的 326 位和 345 位发现了两种材料 Li2CuSb 和 Cu3Nb2O8，然后宣称他们的算法能够预测潜在的新型热电材料。在读者看来，这是一种「令人窒息」的操作。因为 thermoelectric 和两种材料之所以余弦相似度接近，根本原因是有人在文章里同时提到过 thermoelectric 和 Li2CuSb、Cu3Nb2O8，这仅仅是共现关系而已。

所以结论来了：所谓能够预测潜在的新型热电材料的 AI 算法属于无稽之谈，材料学研究者们的生存并没有因此受到威胁——因为这篇论文没有提出任何能让 AI 看懂论文的算法。

也有研究材料的学者在知乎上表示，为了蹭大数据、机器学习、深度学习的热度，很多领域的研究都在做相关的工作。「声嘶力竭」介绍了自己的经历：刚开始接触和学习 AI 相关技术，本以为可以利用这个工具做出多么伟大的工作，但是自己真正做了之后，才感觉「这不就是个高维特征空间的统计工具嘛，为什么被吹得这么玄幻？」

机器学习不能这么乱用

论文上了《自然》、《科学》杂志，却仍然经不起人们的推敲，这种事最近在机器学习社区已经发生了不是一两次了。

在「人工智能搞科研」研究之前，是「深度学习预测地震」。去年 8 月，《Nature》上发表了一篇题为《Deep learning of aftershock patterns following large earthquakes》的火爆论文。该论文由哈佛和谷歌的数据科学家联合撰写，论文一作所属单位是哈佛大学地球与行星科学系。

该论文展示了如何利用深度学习技术预测余震。研究者指出，他们利用神经网络在预测余震位置方面的准确率超越了传统方法。

但很快，这一方法就遭到了深度学习从业者的质疑。一位名叫 Rajiv Shah 的数据科学家表示，论文中使用的建模方法存在一些根本性的问题，因此实验结果的准确性也有待考究。这名数据科学家本着严谨的精神在通过实验验证之后联系了原作和《Nature》，却没得到什么积极的回复。

于是，Rajiv Shah 经过半年时间，研究了论文作者公开的代码，随后在 medium 上发表文章揭露论文中存在的根本性缺陷以及《Nature》的不作为，后来这件事又在 Reddit 上引起了广泛的讨论。

人们除了批评 Nature 之外，也对深度学习、AI 技术被滥用的情况表示担忧。随着机器学习逐渐成为热门学科，越来越多其他领域的学者开始使用新方法来解决问题，有些获得了成果，有些则因为实验和数据的错误方式而导致了不严谨的结果。

更令人担忧的是，有时候有缺陷的研究还可以得到人们的认可。

这篇深度学习预测余震的论文登上了 Nature，还成为了 TensorFlow 2.0 新版本上宣传文章中提到的案例——然而却被机器学习社区从业者们诟病。

顶级期刊的事，怎么能说胡编乱造呢？然而这一次，人工智能学者们真的有点忍不住了。

参考内容：

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

【编辑推荐】

1. 算法巨大突破！AI神经网络模拟量子系统
2. 发展人工智能芯片 中国不能“偏科”
3. 人大金仓重磅发布3款新品 开启数据库细分领域新征程
4. AI帮你写Python，安装只需5步，还能任你调教 | 开源
5. 比DNA存储更可怕！你的照片居然可以存储在氨基酸分子溶液里

（编辑：南平站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!