Archetype AI研究人员最近的一项研究揭示了一种能够泛化各种物理信号和现象的开创性 AI 模型，标志着人工智能领域的一次重大飞跃。这篇题为“物理信号的现象学 AI 基础模型”的论文提出了一种构建统一 AI 模型的新方法，该模型可以预测和解释来自各个领域的物理过程，而无需事先了解底层物理定律。
物理系统人工智能的新方法
这项研究旨在开发一个人工智能基础模型，该模型可以处理来自各种系统的物理信号，包括电流、流体流动和光学传感器数据。通过采用现象学方法，研究人员避免将特定的物理定律嵌入模型中，从而使其能够推广到以前从未遇到过的新物理现象。
该模型经过来自不同领域的5.9 亿个传感器测量值的训练，在预测物理系统行为方面表现出色。这些系统包括从简单的机械振荡器到电网动态等复杂过程，展示了该模型的多功能性。
现象学人工智能框架
这项研究的方法基于现象学框架。与依赖预定义归纳偏差（如守恒定律）的传统人工智能模型不同，研究人员仅根据传感器的观测数据训练人工智能。这使得模型能够学习各种物理现象的内在模式，而无需事先了解主导物理原理。
通过关注温度、电流和扭矩等物理量，该模型能够推广到不同的传感器类型和系统，为从能源管理到高级科学研究等行业的应用打开了大门。
Ω 框架：通向通用物理模型的途径
这项突破的核心是Ω 框架，这是研究人员开发的一种结构化方法，用于创建能够推断和预测物理过程的 AI 模型。在这个框架中，所有物理过程都表示为可观察量的集合。构建通用模型的挑战在于，并非所有可能的物理量都可以测量或包含在训练中。尽管如此，Ω 框架允许模型根据遇到的数据推断新系统中的行为。
这种泛化能力源自模型处理不完整或嘈杂的传感器数据的方式，这是现实世界应用中的典型特征。人工智能学会解码和重建这些信号，以惊人的准确度预测未来的行为。
基于变压器的物理信号架构
该模型的架构基于变换器网络，该网络通常用于自然语言处理，但现在应用于物理信号。这些网络将传感器数据转换为一维块，然后将其嵌入到统一的潜在空间中。这种嵌入使模型能够捕获物理信号的复杂时间模式，而不管具体的传感器类型如何。
然后，下游现象学解码器使模型能够重建过去的行为或预测未来事件，使其能够适应各种物理系统。轻量级解码器还允许针对特定任务进行微调，而无需重新训练整个模型。
跨不同物理系统的验证
研究人员进行了大量实验来测试该模型的泛化能力。在一组测试中，该模型在弹簧质量谐振子 和热电系统上进行了评估。这两个系统都以其混乱或复杂的行为而闻名，使其成为测试模型预测准确性的理想选择。
人工智能成功预测了这些系统的行为，即使在混乱阶段也误差很小。这一成功凸显了其预测表现出非线性动态的物理系统的潜力。
使用真实数据进行了进一步的实验，包括：
- 不同国家的电力消耗。
- 澳大利亚墨尔本的气温变化。
- 来自电力变压器的油温数据。
在每种情况下，该模型的表现都优于传统的特定领域模型，展示了其处理复杂的现实世界系统的能力。
零样本泛化和多功能性
这项研究最令人兴奋的成果之一是该模型的零样本泛化能力。人工智能可以高度准确地预测它在训练期间从未遇到过的系统行为，例如热电行为和电力变压器动力学。
这种能力与 GPT-4 等自然语言模型所取得的成就如出一辙，在这种模型中，基于庞大数据集训练的单个模型可以胜过专门执行特定任务的模型。这一突破可能对人工智能解释物理过程的能力产生深远影响。
对产业和研究的启示
这种AI 基础模型的潜在应用非常广泛。通过启用与传感器无关的系统，该模型可用于难以收集大型专业数据集的领域。它能够从观察数据中自主学习，这将有助于开发无需人工干预即可适应新环境的自学 AI 系统。
此外，该模型对科学发现具有重大前景。在物理、材料科学和实验研究等领域，数据往往复杂且多维，该模型可以加速分析过程，提供以前传统方法无法获得的见解。
未来方向
虽然该模型代表了物理系统人工智能的重大进步，但该研究也确定了需要进一步研究的领域。其中包括改进模型对传感器特定噪声的处理、探索其对非周期性信号的性能，以及解决预测不太准确的极端情况。
未来的工作还可以集中在为特定任务开发更为强大的解码器，例如异常检测、分类或处理复杂系统中的边缘情况。
结论
这一物理信号现象学人工智能基础模型的推出，标志着人工智能理解和预测物理世界能力的新篇章。该模型能够泛化各种现象和传感器类型，可以改变行业、科学研究甚至日常技术。研究中展示的零样本学习能力为能够自主学习和适应新挑战的人工智能模型打开了大门，而无需进行特定领域的再训练。
这项由Archetype AI领导的开创性研究可能会对人工智能如何应用于物理系统产生持久影响，彻底改变依赖于准确和可扩展预测的领域。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/ge-ming-xing-de-ren-gong-zhi-neng-mo-xing-wu-xu-yu-ding-yi
