在神经网络中，每个概念性的实例都可以产生一个节点。为了对输入数据做出反应，模拟神经元之间的连接会发生变化，而神经网络则会随着变化的发生“进行学习”
大数据已经找到了与之相适应的数据处理方式。各个学科领域收集数据的能力都呈现出爆炸式增长――生物学领域的基因组和蛋白质数据库发展迅猛、天文学领域的巡天测量产生了PB级数据、社会科学领域每天数以百万计的帖子和微博充斥着互联网……数据的洪流可以淹没人类的分析和认知，但是计算机的发展既帮助实现了大数据，也带来了分析这些大数据所需要的强有力的新工具。
在这场跨越了科学领域诸多学科的革命中，研究人员在数据的洪流中推出了通常以人造神经网络形式存在的人工智能（AI）。不同于人工智能领域的其他尝试，“深度学习”系统不需要利用人类专家的知识进行编程。相反，这种系统往往可以通过用于训练的巨量数据集实现自行学习，直到能够看到数据集中的模式并发现异常现象，而这些数据集要庞大得多、复杂得多，这是人类难以应付的。
人工智能不仅仅是科学的变革，它还通过智能手机跟你讲话，使无人驾驶车辆适应路况，而且还使未来学家感到不安――他们担心人工智能会导致大规模失业。对于科学家来说，AI的前景是最光明的：人工智能有望主导科学发现的进程。
然而，跟研究生或博士后研究人员不同，神经网络不能解释自身的思维：计算机形成的结果是不透明的。因此，人工智能的兴起已经产生了有人称之为“AI神经科学”的领域：努力打开神经网络的“黑匣子”，让科学家对神经网络所带来的见解建立信心。随着AI在科学领域的作用越来越重要，理解机器内部的“思维”也变得越来越迫切。一些先驱已经在利用人工智能设计实验、开展实验和分析实验结果了，这展现了全自动化科学的前景。AI这一不知疲倦的学徒可能很快就会变成一个训练有素的同事！
资料来源 Science
责任编辑 彦 隐