發表在最近的《自然-科學報告》的論文，所描述的一種新的機器學習理論，提出了一個關於科學本質的基本問題。

有人可能會感到奇怪：提出了什麼樣的基本問題？機器學習與科學本質有什麼關係？這得要從機器學習與科學本質的基本概念簡單說起。

機器學習是人工智慧的一個分支，它以資料為基礎，以“推理”為重點，到以“知識”為重點，再到以“學習”為重點的自然清晰的學習方法。顯然，機器學習是實現人工智慧的一個途徑，即以機器學習為手段解決人工智慧中的問題。機器學習演算法從資料中自動分析獲得規律，並利用規律對未知資料進行預測。

科學是認識宇宙的實踐方法與知識體系，也是以所觀察到的資料為基礎，以“推理”為重點，到以“知識”為重點，再到以“學習”為重點的自然清晰的途徑，從資料中分析獲得規律，並利用規律對未知資料進行預測。科學強調預測結果的具體性和可證偽性，這有別於泛泛的哲學。科學也不等同於尋求絕對無誤的真理，而是在現有基礎上，摸索式地不斷接近真理，所以科學的發展史就是一部人類對宇宙的認識偏差的糾正史。

譬如通常在物理學中，會進行觀察，然後基於這些觀察的資料建立一個理論，然後使用該理論預測新的現象。

所以，該研究論文所做的是，用一種機器學習的黑匣子代替這樣的科學研究過程，這種黑匣子可以在不使用任何傳統理論、或定律的情況下，產生準確的預測。

該研究論文設計了一種新的機器學習理論與演算法，將過去對水星、金星、地球、火星、木星、和矮行星穀神星的軌道觀測的資料，輸入了計算機程式。該程式與稱為“服務演算法”的程式一起，無需使用牛頓運動定律和萬有引力定律，就可以準確地預測太陽系中其它行星的軌道。

該程式體現了用來確定自然界任何物理系統動力學的基本原理，該演算法在使用了很少的訓練例項後就學習了行星運動定律。換句話說，這種機器學習確實“學習了物理學定律。”

這就如機器學習的計算機程式使機器翻譯成為可能。機器翻譯會篩選大量資訊，以確定將一種語言中的一個單詞，翻譯成另一種語言中的單詞的頻率。這樣，機器學習程式可以進行準確地翻譯，而無需實際學習任何一種語言。

這一過程也體現在哲學思想實驗中，例如中文房間問題。中文房間（英語：Chinese room），是由當今世界最著名、最具影響力的哲學家之一、約翰·塞爾（John Searle）提出的一個思想實驗，一個不懂中文的人仍然可以使用一套代替理解的指令或規則，將中文句子“翻譯”成英語或其它任何語言而讓他人理解。

這在哲學上提出了這樣的基本問題：認知一種事物到底是意味著什麼？人的認知是否意味著除了遵循規則之外，頭腦中還發生著其他事情？

該研究的部分靈感來自牛津哲學家、尼克·博斯特倫（Nick Bostrom）的哲學思想實驗，即宇宙是計算機模擬。如果這是真的，那麼基本的物理定律應該揭示出宇宙是由各個時空塊組成的。這樣的離散的時空塊化理論被稱為離散場論。

離散場論（discrete field theories）認為宇宙是由一個個位元組成的，與人們通常創造的理論不同。儘管科學家通常會設計出有關物理世界行為方式的總體概念，但計算機只是在收集資料點的集合。

論文指出，“如果我們生活在模擬中，我們的世界必須是離散的。” 所設計的這一機器學習黑盒子技術，不需要物理學家從字面上相信模擬猜想，儘管它是基於此思想建立的程式，但可以做出準確的物理預測。

這樣的計算機機器學習理論提出了有關科學本身性質的問題：科學家不是要開發解釋世界、而不是簡單地收集資料的物理學理論嗎？這些機器學習理論不是物理學的基礎知識，對解釋和理解現象是否必要？

論文作者、普林斯頓大學物理學家、秦洪（Hong Qin）說：“我認為任何科學家的最終目標都是預測。” “您可能不一定需要定律。例如，如果我可以完美地預測一個行星軌道，那麼我就不需要知道牛頓的引力和運動定律。您可以辯稱，這樣做，您所認知的比所知道的牛頓定律要少。從某種意義上說是正確的，但是從實際的角度來看，目的都是在於做出準確的預測，這無可厚非。”