德国波茨坦大学研究人工智能在科研中的应用与局限
垃圾邮件过滤器、翻译工具、语音助手、写作助手以及搜索引擎……人工智能已不再是虚幻的热门概念，而是真切融入日常应用的现...
垃圾邮件过滤器、翻译工具、语音助手、写作助手以及搜索引擎……人工智能已不再是虚幻的热门概念，而是真切融入日常应用的现实技术。若相信那些乐观的预言，它几乎能将所有领域推向前所未有的新高度。一个“黄金时代”似乎正在降临——科学研究也不例外。然而，事实果真如此吗？Matthias Zimmermann 与波茨坦大学科学人工智能教授 Jakob Runge 展开对话，探讨人工智能的能力与局限，以及智能计算机系统如何学会提出正确的问题。
人工智能：是一小步，还是一次飞跃？
Runge 教授认为，这很大程度上取决于具体应用场景。如今，人工智能已在许多场合取代传统搜索引擎，对大众而言无疑是显著的进步。研究人员也在某些环节中获益，工作效率得到明显提升。人工智能不仅用于气候模型优化、蛋白质结构预测等复杂科研任务，也渗透到文献检索、日常信息处理等基础工作中。这类模型的设计初衷，正是帮助我们更快地定位想法、实现创意，并高效处理重复性任务。特别是在数据密集的研究领域，人工智能带来的助力尤为突出。
然而，若从科学与技术系统发展的长周期来看，人工智能的进步更像是一条由许多小步串联而成的路径：计算能力的持续突破、理论框架的逐步完善、互联网对数据资源的整合，以及数据采集的全面数字化，共同推动了人工智能的演进。总体而言，它是无数扎实而关键的阶段性成果积累而成的进程。
智能计算机系统是否革新了研究基础？
在气候科学及其他许多学科中，人工智能目前并未带来根本性的范式变革。以往耗时较长的数据分析、建模等环节，如今能更高效地完成。例如，完全由人工智能驱动的天气预报模型正逐步兴起，其运算速度比基于物理规律的模型快数倍之多。但 Runge 教授也指出，当前的人工智能模型在应对某些科学核心挑战时仍存在局限——尤其是学习自然法则、理解因果关系方面，例如在气候建模中。这类任务建立在关于海洋与大气流体行为的深厚经验知识之上，是人类逐步理解气候变化并制定应对策略的基础。
人工智能在天气预测等重复模式较强的任务中表现优异，因为天气系统常出现类似的历史状态。然而，气候变化往往将人类带入前所未有的全新境况，这对仅基于历史数据关联的模型构成了根本挑战。
为何人工智能难以实现因果推断？
现代人工智能系统主要依赖于从海量文本及其他数据中学习相关性。它们虽然计算能力日益强大，能识别复杂模式，却并未被设计来发现潜在规律或构建简明的数学描述。自然界的奇妙之处，恰恰在于其可用数学语言解释的本质。而当前的人工智能无法说明其预测背后的理由：尽管存在对已训练模型的事后解释方法，但它们缺乏根本的逻辑与规则意识。
举例而言，若让现代人工智能仅通过观察象棋对局来学习，它或许能通过分析数百万棋局成为出色的“棋手”，却依然可能违反行棋规则，因为它并未真正理解规则本身。相比之下，儿童在了解象棋基本概念后，便会明白必须遵守规则。通用人工智能在推导规则方面能力有限，因为规则并未被内化于其神经网络结构中。
另一个生动例子是人工智能生成图像中常见的“六指手”错误。当被要求生成人物画像时，模型可能产出视觉上精美却解剖结构错误的图像，因为它并不理解“人体应有五根手指”这一概念。此类问题虽可通过人工修正缓解，但系统本身并未获得真正的概念认知。
能否融合数据驱动与规则编程两种范式？
一条值得探索的路径是因果推理，但这需要深厚的理论奠基。现有的人工智能模型擅长处理非结构化信息，常将信息转化为文本片段或向量云并进行概率计算，却缺少支撑因果推断所需的逻辑框架。Runge 教授的研究方向正是因果推理——即从数据中学习因果关系的能力。然而目前，这类方法尚难以直接应用于大规模非结构化数据集。
为何需要因果推理？
因果推理能帮助我们通过假设与算法，从观测数据中识别并量化潜在系统中的因果关系。当前大多数人工智能模型回答的是诸如“哪些模式常同时出现？”或“下一个最可能的词是什么？”等问题。而科学中许多关键问题属于另一类型：例如，“某种天气现象为何产生？它受哪些因素影响？”“极端事件的发生机制是什么？”“在气候变化背景下，百年一遇的极端事件发生概率将如何变化？”这类问题本质上是因果性的，它们不只关注频率，更关注在特定条件变化后会产生什么结果。
这类问题属于“干预性提问”，在医学中类似“服用此药物会带来什么效果？”——我们想知道阿司匹林是否真的起效，而非仅仅它与哪些因素相关。
人工智能是否需要学会提出正确问题？
提出因果性问题的能力，是构建能真正回答此类问题的模型的基础。在许多科学领域中，这类基础模型往往是物理模型。过去四十年来，因果网络研究的重大进展之一，便是以数学语言描述能够回答“如果……会怎样”问题的因果结构，并开发相应算法。从数据中学习因果关系时，目标未必是推导物理定律，也可以是构建基于概率的定性因果网络——这在医学、生物学、社会学及气候科学中均有广泛应用。
因果推断遵循一项关键原则：假定所有统计关联皆源于因果关系，且所有因果关系终将体现为统计关联。此外，根据不同方法，一些特定假设——如变量关系是否线性、数据是否服从正态分布等——也对从数据中提取因果信息至关重要。
研究中哪些领域可应用因果人工智能？
原则上，所有涉及因果问题而不仅是模式识别的领域都适用。例如在基因研究中，激活特定基因以观察其影响的实验成本高昂。借助因果模型，可结合历史实验数据与自然观测，预测哪些基因组合可能具有因果效应，从而优先选择最具潜力的实验方向。
在气候科学中，直接干预现实系统虽不可行，但因果推断仍可发挥重要作用：一方面可用于评估和改进气候模型，另一方面可直接分析观测数据。例如，若想研究北大西洋暖流对北极海冰的影响及其后续天气效应，可利用过去数十年的温度、压力、海冰范围等数据，通过因果方法检验科学假设的合理性，并强化证据支持。这类方法能帮助研究者超越表面相关性，排除许多非因果的随机关联。
尽管基于假设的因果推断无法保证绝对确定，但它能显著缩小合理因果解释的范围，为科学研究提供重要支撑。然而，Runge 教授也强调，真正的“因果人工智能”尚需突破——需先让系统学会因果推理，并能处理大规模非结构化数据，方可谓名副其实。
人物简介
Jakob Runge 自2025年起担任波茨坦大学科学人工智能教授，专注于机器学习在科学领域的应用。他与多个学科的学者保持密切合作，并致力于在未来几年进一步强化跨学科研究体系——特别是通过波茨坦大学人工智能卓越中心，将这些方法更深度地整合进科研与教学中。
【名词解释】因果推断
因果推断是一门发展理论与方法的学科，旨在从数据中学习因果关系。其目标不仅是描述变量之间的关联，更在于判断一个因素是否真正影响另一个变量，而非仅仅巧合地同时出现。
人工智能：是一小步，还是一次飞跃？
Runge 教授认为，这很大程度上取决于具体应用场景。如今，人工智能已在许多场合取代传统搜索引擎，对大众而言无疑是显著的进步。研究人员也在某些环节中获益，工作效率得到明显提升。人工智能不仅用于气候模型优化、蛋白质结构预测等复杂科研任务，也渗透到文献检索、日常信息处理等基础工作中。这类模型的设计初衷，正是帮助我们更快地定位想法、实现创意，并高效处理重复性任务。特别是在数据密集的研究领域，人工智能带来的助力尤为突出。
然而，若从科学与技术系统发展的长周期来看，人工智能的进步更像是一条由许多小步串联而成的路径：计算能力的持续突破、理论框架的逐步完善、互联网对数据资源的整合，以及数据采集的全面数字化，共同推动了人工智能的演进。总体而言，它是无数扎实而关键的阶段性成果积累而成的进程。
智能计算机系统是否革新了研究基础？
在气候科学及其他许多学科中，人工智能目前并未带来根本性的范式变革。以往耗时较长的数据分析、建模等环节，如今能更高效地完成。例如，完全由人工智能驱动的天气预报模型正逐步兴起，其运算速度比基于物理规律的模型快数倍之多。但 Runge 教授也指出，当前的人工智能模型在应对某些科学核心挑战时仍存在局限——尤其是学习自然法则、理解因果关系方面，例如在气候建模中。这类任务建立在关于海洋与大气流体行为的深厚经验知识之上，是人类逐步理解气候变化并制定应对策略的基础。
人工智能在天气预测等重复模式较强的任务中表现优异，因为天气系统常出现类似的历史状态。然而，气候变化往往将人类带入前所未有的全新境况，这对仅基于历史数据关联的模型构成了根本挑战。
为何人工智能难以实现因果推断？
现代人工智能系统主要依赖于从海量文本及其他数据中学习相关性。它们虽然计算能力日益强大，能识别复杂模式，却并未被设计来发现潜在规律或构建简明的数学描述。自然界的奇妙之处，恰恰在于其可用数学语言解释的本质。而当前的人工智能无法说明其预测背后的理由：尽管存在对已训练模型的事后解释方法，但它们缺乏根本的逻辑与规则意识。
举例而言，若让现代人工智能仅通过观察象棋对局来学习，它或许能通过分析数百万棋局成为出色的“棋手”，却依然可能违反行棋规则，因为它并未真正理解规则本身。相比之下，儿童在了解象棋基本概念后，便会明白必须遵守规则。通用人工智能在推导规则方面能力有限，因为规则并未被内化于其神经网络结构中。
另一个生动例子是人工智能生成图像中常见的“六指手”错误。当被要求生成人物画像时，模型可能产出视觉上精美却解剖结构错误的图像，因为它并不理解“人体应有五根手指”这一概念。此类问题虽可通过人工修正缓解，但系统本身并未获得真正的概念认知。
能否融合数据驱动与规则编程两种范式？
一条值得探索的路径是因果推理，但这需要深厚的理论奠基。现有的人工智能模型擅长处理非结构化信息，常将信息转化为文本片段或向量云并进行概率计算，却缺少支撑因果推断所需的逻辑框架。Runge 教授的研究方向正是因果推理——即从数据中学习因果关系的能力。然而目前，这类方法尚难以直接应用于大规模非结构化数据集。
为何需要因果推理？
因果推理能帮助我们通过假设与算法，从观测数据中识别并量化潜在系统中的因果关系。当前大多数人工智能模型回答的是诸如“哪些模式常同时出现？”或“下一个最可能的词是什么？”等问题。而科学中许多关键问题属于另一类型：例如，“某种天气现象为何产生？它受哪些因素影响？”“极端事件的发生机制是什么？”“在气候变化背景下，百年一遇的极端事件发生概率将如何变化？”这类问题本质上是因果性的，它们不只关注频率，更关注在特定条件变化后会产生什么结果。
这类问题属于“干预性提问”，在医学中类似“服用此药物会带来什么效果？”——我们想知道阿司匹林是否真的起效，而非仅仅它与哪些因素相关。
人工智能是否需要学会提出正确问题？
提出因果性问题的能力，是构建能真正回答此类问题的模型的基础。在许多科学领域中，这类基础模型往往是物理模型。过去四十年来，因果网络研究的重大进展之一，便是以数学语言描述能够回答“如果……会怎样”问题的因果结构，并开发相应算法。从数据中学习因果关系时，目标未必是推导物理定律，也可以是构建基于概率的定性因果网络——这在医学、生物学、社会学及气候科学中均有广泛应用。
因果推断遵循一项关键原则：假定所有统计关联皆源于因果关系，且所有因果关系终将体现为统计关联。此外，根据不同方法，一些特定假设——如变量关系是否线性、数据是否服从正态分布等——也对从数据中提取因果信息至关重要。
研究中哪些领域可应用因果人工智能？
原则上，所有涉及因果问题而不仅是模式识别的领域都适用。例如在基因研究中，激活特定基因以观察其影响的实验成本高昂。借助因果模型，可结合历史实验数据与自然观测，预测哪些基因组合可能具有因果效应，从而优先选择最具潜力的实验方向。
在气候科学中，直接干预现实系统虽不可行，但因果推断仍可发挥重要作用：一方面可用于评估和改进气候模型，另一方面可直接分析观测数据。例如，若想研究北大西洋暖流对北极海冰的影响及其后续天气效应，可利用过去数十年的温度、压力、海冰范围等数据，通过因果方法检验科学假设的合理性，并强化证据支持。这类方法能帮助研究者超越表面相关性，排除许多非因果的随机关联。
尽管基于假设的因果推断无法保证绝对确定，但它能显著缩小合理因果解释的范围，为科学研究提供重要支撑。然而，Runge 教授也强调，真正的“因果人工智能”尚需突破——需先让系统学会因果推理，并能处理大规模非结构化数据，方可谓名副其实。
人物简介
Jakob Runge 自2025年起担任波茨坦大学科学人工智能教授，专注于机器学习在科学领域的应用。他与多个学科的学者保持密切合作，并致力于在未来几年进一步强化跨学科研究体系——特别是通过波茨坦大学人工智能卓越中心，将这些方法更深度地整合进科研与教学中。
【名词解释】因果推断
因果推断是一门发展理论与方法的学科，旨在从数据中学习因果关系。其目标不仅是描述变量之间的关联，更在于判断一个因素是否真正影响另一个变量，而非仅仅巧合地同时出现。
波茨坦大学-相关新闻
相关学校
