人工智能（AI）系统大致可以分为三类：推理机器、学习机器和发现机器。圣路易斯华盛顿大学的研究人员正瞄准其中最罕见、也最具挑战性的“发现机器”。一项新研究提出了一种更优的构建路径，由该校麦克凯尔维工程学院克利福德·W·墨菲教授、研究副院长 Shantanu Chakrabartty 领衔完成。

这项成果已发表在《自然通讯》（Nature Communications）上，延续了团队此前关于混合系统架构的工作：一方面采用模拟人类神经生物学功能的“类脑”架构，另一方面引入利用量子力学原理寻找复杂问题最优解的系统。

Chakrabartty 表示，研究结果显示，这类机器不仅能持续、稳定地给出当前最先进水平的解答，而且在求解时间上也具备竞争力。

要理解新系统的思路，可以回到那三种不同类型的机器：

• 推理机器 是最常见、也最为人熟悉的一类，例如 ChatGPT 就可以视作推理机器。如果让大型语言模型（LLM）解魔方，它依靠事先训练好的步骤，在几秒内就能给出详细指导。

• 学习机器 则在没有预先给定步骤的情况下，从数据中“学会”如何解题。如果没人告诉机器解魔方的具体方法，而是让它自己探索所有可能的解法，就需要学习机器来完成。但随着问题复杂度提升，计算量、能耗和时间成本都会急剧增加。计算机与系统工程领域在构建这类机器方面也在不断进步。

• 发现机器 是最难实现的一类。它不仅要能找到某个难题的所有可能解，还要在数万亿个因素中筛选出最快、最优的那一个。这类任务需要充分利用随机性和噪声的力量。

在这项新研究中，Chakrabartty 基本给出了一套构建具备这种能力的 AI 机器的方案。他形容，这些机器被设计成可以“在干草堆里找到针”，而且能保证最终找到。

团队提出的“发现机器”框架本质上是一种混合系统：由类脑启发的自动编码器，再加上 Fowler–Nordheim 退火——一种源自量子力学的工具。Chakrabartty 认为：“这两个组成部分都是必需的，而且足够通用，可以应用于任何复杂问题。”

自动编码器是一种对海量数据流进行压缩的技术。通过压缩数据，机器可以进行模式预测，并不断重复压缩与预测的过程，直到预测足够准确。

Fowler–Nordheim 退火则是一种引入噪声和随机性的方式，使机器能够“隧穿”式地跳过局部极值，直接逼近全局最优解。这一点是研究人员相较传统计算方法获得最大优势的关键所在。

新型计算芯片已经可以支持模拟退火，这是一种利用量子力学原理进行量子计算的方式，能够更直接地引导研究人员接近“灵光一现”的解答时刻。借助他们构建的混合系统，团队可以对“发现机器”进行调节，以获得所需结果。

全球合作推动混合系统落地

这项研究依托神经形态工程研究所，并通过科罗拉多州特柳赖德神经形态 AI 研讨会、印度班加罗尔神经形态工程研讨会等年度头脑风暴活动，与全球多家机构合作完成。合著者来自印度科学研究院、德国海德堡大学、约翰霍普金斯大学以及加州大学圣克鲁兹分校。

Chakrabartty 的博士生 Faiek Ahsan 是论文第一作者，主要研究“发现”过程的突触起源机制。

多年来，团队一直尝试用标准测试问题——伊辛模型，来检验更高阶的挑战。即便是现有的神经网络，也很难高效解决伊辛模型。因此，他们提出在下一代 AI 模型中引入“轻度”的量子力学参与，以增强求解能力，而这也带来了额外的好处。

新提出的架构在高阶伊辛模型上的收敛性保证，与以往方法有所不同。这意味着无论机器是花六个月还是一年时间去寻找答案，最终都能给出一个解。在某些超级计算机的应用中，如果研究人员一开始给出的提示不够准确，可能白白等待一年却得不到有用结果。

Chakrabartty 打了一个比喻：这让他想到《银河系漫游指南》中的超级计算机“深思”，被问及“生命、宇宙以及一切的答案是什么？”结果花了几百万年才给出“42”这个答案，让创造者大失所望。而他们设想的“发现机器”不会出现这种情况。

“这种机器能给你一个保证，”他说，“六个月之后，一定会有一个有用的结果出现。”