=== 摘要 ===
想象一个这样的世界：计算机不仅仅是在玩游戏或刷社交媒体，而是真正帮助科学家解决宇宙中最棘手的谜题。这就是“AI for Science”（人工智能助力科学）的领域，在这里，人工智能充当着研究人员的不知疲倦的助手，帮助他们理解事物是如何运动、流动和变化的。在这些谜团的核心，是被称为偏微分方程（PDE）的方程。可以将这些方程视为大自然的终极规则手册：它们描述了热量如何在金属棒中扩散，水流如何绕过船只，或者病毒如何在人群中传播。几十年来，人类不得不编写复杂的计算机程序来求解这些规则手册，这个过程缓慢、困难，且需要大量的专业知识。最近，科学家开始使用一种特殊的 AI，即“大语言模型”（LLM）——也就是驱动聊天机器人的同类技术——来自动编写这些程序。其想法很简单：只需要求 AI “为这个方程写一个求解器”，它就会完成剩下的工作。但问题在于：要求 AI 编写原始计算机代码，就像要求一个蹒跚学步的孩子用一盒散落的砖块去建造摩天大楼。AI 经常会绊倒自己的脚，写出的代码看起来还可以，但会立即崩溃，或者陷入修复微小拼写错误而非解决重大问题的无尽循环中。

这是一个名为 ADSL-PDE 的新方法的故事，它试图通过给那个笨拙的孩子一套预制的、可拼接的乐高积木，而不是一堆散乱的沙子，来修复那个笨拙的孩子。由孔圣鑫（Shengxin Kong）、徐丽文（Liwen Xu）和付静文（Jingwen Fu）领导的研究小组意识到，问题不在于 AI 不够聪明，而在于其“搜索空间”——即 AI 正在游弋的可能程序的广阔海洋——充满了太多垃圾。AI 生成的大多数随机程序都是破碎的、不兼容的，或者纯粹是胡言乱语。为了解决这个问题，他们发明了一种用于 PDE 求解器的特殊“领域特定语言”（DSL）。他们不再让 AI 从头开始编写原始的 Python 代码，而是创建了一种结构化语言，让 AI 只需要做出高层决策，例如“选择一个深度神经网络”、“添加物理约束”或“改变采样策略”。随后，计算机编译器会自动将这些高层选择转化为完美、可运行的代码。这就像 AI 现在是绘制蓝图的建筑师，而编译器则是确保建筑不会坍塌的施工队。

实验结果非常令人鼓舞。当研究人员在各种数学问题上测试他们的系统时——从简单的一维流动到复杂的二维和三维模拟——ADSL-PDE 系统始终优于其他尝试编写原始代码的 AI 方法。它还在研究中列出的特定基准测试中取得了最佳结果，通常超越了人工设计的求解器。然而，论文指出这并非全面压制；在某些特定任务（如 KS 方程或 Burgers-C）上，其他专门的方法（如 Lang-PINN）表现略好。尽管存在这些例外，ADSL-PDE 系统在所有任务中拥有最低的“几何平均值”误差，这意味着它是整体表现最稳健、最一致的选手。事实上，在 AI “进化”其设计的最初十轮内，系统的性能就提升了 52% 以上。这表明，通过将 AI 限制在一个结构化的、有效的选择范围内，我们可以让它停止在破碎的代码上浪费时间，转而将其脑力集中在进行明智的设计决策上。该论文建议，这不仅仅是针对某一特定问题的方法，而是一个更广泛的原则：为了在科学领域充分发挥 AI 的潜力，我们可能需要停止要求它成为一名程序员，而是给它一种能够理解其所解决问题的专门语言。

“智能建筑师”与“笨拙程序员”的故事

让我们深入了解一下这是如何运作的，并使用一个有趣的类比。想象一下，你正在尝试制造一个终极机器人来解决迷宫问题。

旧方法：原始代码生成器
过去，研究人员试图通过要求 AI 用一种叫做 Python 的语言编写整个机器人的代码来解决这些数学难题。这就像是递给机器人一袋由数百万个随机螺丝、电线和齿轮组成的零件，然后对它说：“给我造一个能解开迷宫的机器人！”AI 开始疯狂打字。它可能会写出一行类似 import gravity（重力并不存在）的代码，或者试图把轮子连接到灯泡上。大多数情况下，机器人在开始运行之前就散架了。AI 花费 90% 的时间在修复语法错误（拼写错误）上，只有 10% 的时间在思考如何解决迷宫。这既令人沮丧又缓慢，而且机器人很少能成功运行。

新方法：ADSL-PDE（结构化蓝图）
论文作者说：“等等。让我们别再要求 AI 当一名机械师了，让我们开始要求它当一名建筑师吧。”他们创建了一种名为 ADSL-PDE 的特殊语言。

AI 不再编写原始代码，而是填写一份结构化的表格。这就像是视频游戏中的角色创建器，但是针对数学求解器。AI 不需要编写引擎的代码，它只需要从菜单中进行选择：

• 架构： “我们想要一个高瘦的‘大脑’还是一个宽矮的‘大脑’？”
• 物理： “我们是否要添加一条规则，比如‘能量必须守恒’？”
• 采样： “我们是每秒检查一次迷宫，还是每十秒检查一次？”

一旦 AI 选定了这些选项，一个神奇的“编译器”（一个计算机程序）会立即将这些选择拼接成一个工作的机器人。因为菜单里的选项都是有效的，所以机器人总是可以运行。AI 永远不会在破碎的代码上浪费时间。它可以完全专注于策略：“如果我让‘大脑’变得更深，它解决迷宫的速度会更快吗？”

他们的发现： “拼接式”科学的魔力

研究人员在大量的数学问题上测试了这个想法，包括热量如何在墙壁中移动（扩散）、流体如何旋转（Burgers 方程）以及电流如何流动（Poisson 方程）。他们将这种新的“拼接式”方法与另外三组进行了对比：

1. 人类专家： 手动设计求解器的顶尖科学家。
2. 旧型 AI 搜索者： 随机调整数值的系统。
3. 原始代码 AI： 尝试从头开始编写 Python 代码的系统。

结果：
ADSL-PDE 系统成为了冠军。它不仅击败了随机搜索者，还击败了大多数基准测试中的人类专家！

• 在一个名为 1D Burgers 的问题上，人类设计的最佳求解器误差约为 0.0603。而 ADSL-PDE 系统将其降低到了 0.0022。这是一个巨大的进步。
• 在 2D Darcy Flow（一个复杂的流体问题）中，新系统实现了 0.0042 的误差，远优于之前的最优方法。
• 在所有不同的问题中，新系统拥有最低的“几何平均值”误差，这是一种高级说法，意味着它在所有领域都是最一致的赢家。虽然它并没有赢得每一个单独的任务（例如，Lang-PINN 在 KS 和 Burgers-C 任务上表现最好），但它的整体平均性能是最强的。

最酷的发现之一是它的学习速度。论文指出，该系统在仅仅前十轮进化中，性能就提升了 超过 52%。这就像是你教一个学生解数学题，仅仅经过十次练习，他就比以前强了一倍。

为什么这很重要：这不仅仅关乎“更聪明”

你可能会想：“所以 AI 只是变聪明了吗？”并不完全是。论文提出了一个更有趣的观点：AI 本身不一定变得更聪明，而是我们与它交流的方式变得更好了。

当研究人员测试不同的 AI 模型（如 DeepSeek、Qwen 和 GLM）时，他们发现即使是“较弱”的模型在使用 ADSL-PDE 语言时也表现得惊人地出色。这告诉我们，秘诀不在于 AI 的大脑，而在于它所使用的语言。通过强制 AI 使用一种结构化的、有效的语言，我们消除了破碎代码带来的“噪音”，让它的推理能力得以闪光。

论文还排除了一些因素。它表明，仅仅给 AI 一个“结构化格式”（比如一份清单）是不够的；你还需要“编译器”将这些选择转化为真实的、可运行的代码。此外，仅仅让 AI 编写原始 Python 代码也被证明是低效的，其“通过率”非常低（30 次尝试中仅有 14 次成功）。

总结

这篇论文为 AI 在科学领域的未来提出了一个新的规则：不要仅仅给 AI 一个更大的大脑，要给它一种更好的语言。

通过创建一种专门的语言，隐藏掉编码中那些杂乱的细节，并将重点放在物理和数学的大概念上，我们可以帮助 AI 更快、更可靠地解决问题。这有点像我们不再要求人们使用二进制代码（0 和 1）进行交流，而是给他们提供用户友好的界面。ADSL-PDE 就是这个面向宇宙中最复杂数学问题的用户友好界面。而且最棒的是，它适用于不同类型的 AI，这表明这可能是开启更好科学发现的一把通用钥匙。

所以，下次当你看到 AI 试图解决科学问题却失败时，请记住，这可能不是 AI 的错。也许它只是需要一套更好的乐高积木来玩耍。