題目太大了，目前在科學領域用的比較多的是人工智慧的子集 -- 機器學習（Machine Learning）以及機器學習的子集深度學習（Deep Learning）。而目前最火的是深度學習的一個分支--多層神經網路在科學領域的應用。

說一說我熟悉的物理方向的應用，這些應用最接近探索物質的本源。深度學習會從大量資料中學到一個近似函式，而這個近似函式在高能物理領域被用來從高能強子對撞實驗中尋找Higgs粒子（這個粒子有關質量起源），尋找超出標準模型的新粒子，或者從重離子碰撞產生的大量末態粒子的動量分佈尋找相變訊號，在天文學上從觀測到的大量中子星質量與半徑資料推斷中子星內部的狀態方程，在凝聚態物理中使用卷積神經網路從自旋排列判斷物體所處的相，在量子力學中給定勢函式，神經網路能學習求解薛定諤方程。黑洞融合發現引力波的實驗中，也少不了人工智慧的默默奉獻。人工智慧已經被聰明的科學家使用，從大量複雜的資料中尋找物理訊號和物理規律。事實證明，人類專家對大資料降維，簡化所提取的特徵是不完備的，有時甚至起到誤導作用。很多時候機器可以學到被科學家忽略的特徵，做出更精準的判斷。

目前人工智慧是科學家的工具，地位等同於微積分，線性代數，蒙特卡洛模擬等等。工具雖然在那裡，想得到簡潔完美的有效理論公式，還要靠科學家的物理直覺以及推導。目前並沒有將神經網路學到的近似函式簡化成牛頓定理，愛因斯坦方程的方法。輔助科學家從大資料中尋找最相關的屬性是目前階段弱人工智慧所能做到的最好結果。

如果通用的強人工智慧在未來幾年有所突破，那麼我們人類就創造了一個新物種，這個新物種探索宇宙本源，時空結構的能力應該遠超人類，就像AlphaGo在圍棋領域遠超人類，一騎絕塵一樣。目前的弱人工智慧，在研究宇宙本源的問題上，存在的最大障礙應該是如何將神經網路學到的近似函式（海量引數）簡化成優美簡潔的方程（極少引數）。這個簡化過程會遇到若干困難（1）實驗資料非無窮精度 （2）對神經網路正則化，簡化到不同階對應不同的物理學上的有效理論。

當前深度學習在物理領域中的應用大部分屬於監督學習，即物理學家已經對某種猜想建立了物理模型，但是面臨模型輸出或實驗資料維數太高，太複雜，難於區分的困難。深度學習最經常被用來當做分類器。如何從實驗資料出發，無監督的學習到物理規律並沒有得到太多研究。

看到這個問題，我想只能呵呵了，因為這連人腦都解釋不了呢，更何況現在的人工智慧了。

對人工智慧不能看社會上的炒作，我也在2014年2月的《環球科學》看到一篇題為《科技公司，你還信嗎》的文章，裡面提到了很多的科技公司。而從對人工智慧的炒作看，是不是也可以看到這些科技公司呢。正如文章在結尾說的那樣，科技公司帶給社會已經不再是那麼單純的了。

從人工智慧和人腦的關係看，人工智慧現在只處在仿人腦的單一功能而已。雖然必須承認人工智慧在計算能力上強過人腦那是太多了，可是也必須承認人工智慧是人的工具，人工智慧的計算能力超過人腦也是必須的，否則要人工智能幹什麼。

也就是說人工智慧在輔助人類研究諸如宇宙起源、時空本質等複雜性的問題，人工智慧是不可或缺的工具，現在的人工智慧僅此而已。而這些問題的進展還得靠人自己，人工智慧不具備意識。說人工智慧能有獨立意識，那也是超腦人工智慧了，可是什麼是超腦人工智慧呢？人連自己大腦都沒整明白呢，更何況超過大腦的人工智慧了。

人工智慧對研究的深入是必不可少的，但研究的主體還是人，而不是人工智慧。