从传统科学到非正式科学领域

科学的传统实践一直以来都以构建广泛的理论为目标，尤其是在物理科学等领域。这些理论通常可用于做出定量预测，为我们提供一种人类可理解的自然世界叙述。然而，在许多非正式科学领域，如生物科学、人文科学和社会科学，这种理论推理的长链则较为罕见。这些领域更倾向于通过描述、解释和归纳方式进行研究，而不是构建严格的数学模型或公式化的理论。随着人工智能（AI）的不断发展，科学研究的本质正在发生深刻的变化，特别是AI在"测量"和数据处理方面的能力使得传统上无法量化的领域呈现出新的发展可能性。

AI不仅有望在这些非正式科学领域中带来新的变化，更有可能彻底改变科学研究的方式。通过AI，我们可以进行全新的“测量”，这些测量甚至可以涉及到过去仅通过定性描述来处理的现象。例如，通过AI的分析能力，我们可以量化艺术品的相似性、比较生物形态的接近程度，甚至对不同文化神话的差异进行定量分析。这些任务过去往往需要通过人类经验和写作来完成，而现在AI为我们提供了更直接、明确的量化途径。这种能力标志着科学领域中的一种新型解释的出现，即利用AI来理解世界中的复杂现象。

AI测量与非结构化数据的处理

AI测量的关键在于如何将“非结构化原始数据”转化为“有意义的特征”，并将这些特征以一种正式、结构化的方式加以处理。这是现代AI的一个强大之处，主要得益于它们在大型语料库上的训练。这些语料库包含了我们世界中丰富多样的典型情况，使AI能够形成一种对世界的内部表示。对于这些表示，可以通过数字列表的形式加以描述——类似于神经网络编码器的输出。这些数字列表虽然一开始可能缺乏明确的含义，但它们是明确且可重复的。给定相同的输入数据，AI总是会产生相同的数字列表，这种一致性为我们在科学解释中提供了一种新的量化方式。

然而，这种AI测量的本质与传统科学测量有着显著的不同。传统上，我们往往构建特定的测量设备来测量一些“已知的”物理量。而AI测量则更像是一个黑匣子：它对数据进行了某种形式的处理并输出结果，但我们不一定理解这个结果的每一个细节。即使在物理科学中，这种情况也并不罕见。举个例子，当我们测试一种材料是否划伤另一种材料的表面时，我们或许可以将其解释为某种硬度，但在实际操作中，这只是一次测量。其真正的意义在于，我们是否能够成功地将其与其他现象联系起来。AI测量则将这一过程进一步推广，使我们能够处理更为复杂、非结构化的数据，并从中发现潜在的规律。

AI在非传统领域的定量关系挖掘

在许多非传统领域，如金融、社会科学和艺术领域，AI的测量能力显得尤为突出。它不仅可以从大量的非结构化数据中提取出微弱的信号，还可以在不同类型的测量之间建立形式化关系。例如，在量化金融中，人们已经习惯于寻找简单形式的“AI测量”之间的关系，并通过这种关系来进行决策。虽然这些关系的有效性常常比其解释性更重要，但它们的存在本身却揭示了AI在处理复杂数据时的潜力。

这种潜力意味着AI不仅可以为我们提供更丰富的测量，还可以在这些测量之上建立新的科学关系。尽管这些关系一开始可能无法用传统的方式来描述，但它们为我们开启了一种新的解释模式：通过描述计算过程的程序，将不同测量之间的关联形式化。在过去，这些非结构化的关系常常被视为“主观性”范畴，而AI的测量则赋予了它们一种客观化的可能性。通过在大量数据中寻找稳定的特征，AI为这些“主观性”提供了类似于物理科学中“客观测量”的稳健性。

AI测量的主观性与社会观察者模型

AI测量的另一个值得注意的特性是它的“主观性”。每个AI模型的训练过程、数据选择、神经网络架构等都会影响它的测量方式。因此，基于不同AI模型的测量结果往往会存在差异。然而，这种差异并不一定是缺点。事实上，AI的主观性反映了“社会观察者”的视角。不同于传统的科学测量，AI测量以大量人类经验为基础，并在此过程中反映了人类的知识、偏见和惯性。可以说，AI测量结果是“社会观察者”的一种输出，带有一种集体经验的印记。

在这种背景下，我们可以开始思考在“社会观察者”测量基础上建立科学的可能性。过去，科学往往追求一种绝对客观的描述，试图通过客观测量来揭示自然的真理。而现在，AI测量引导我们进入了一个更加多元化的视角，强调数据、经验和计算在科学中的地位。这种主观性并不意味着科学的相对主义，反而为我们提供了一种理解复杂系统的新路径：通过将人类经验量化为可处理的测量，我们可以在以往难以触及的领域中构建新的科学。

AI测量与计算语言的结合

为了将AI测量与科学理论建立起来，我们需要找到一种正式化的途径。计算语言在这方面起到了关键作用。借助像Wolfram语言这样的工具，我们已经可以对AI测量的结果进行符号化处理。例如，Wolfram语言中的函数如ImageIdentity或TextCases可以有效地执行“AI测量”，然后将这些结果以符号方式表示。通过这种方式，AI测量从一种“黑箱”操作转变为一种可以进行进一步推理的对象。

通过将AI测量与计算语言联系起来，我们可以开始构建一种新的“形式化科学”。这种科学不仅涵盖传统的物理科学领域，还扩展到过去一直被认为是非量化的学科。尽管这种形式化过程尚处于起步阶段，但它为我们提供了一个前所未有的工具，可以用来探索各种复杂系统的内部规律。尤其是当AI测量与传统科学测量相结合时，我们有望建立起一种跨学科的科学解释框架，使得不同领域之间的联系变得更加明确。

展望未来：从AI测量到精确科学

未来，基于AI测量的科学探索将呈现出越来越多样化的形态。从物理科学到社会科学，各个领域都可以借助AI测量的力量，发现新的量化关系，并进行预测。虽然在许多情况下，这些预测的解释性可能会较弱，但通过不断地与计算语言进行交互，我们将有机会逐渐揭示其中的规律。AI测量为我们提供了一种更丰富的形式化材料，从而扩展了“精确科学”的范围。

此外，AI在现代科学中的另一个重要应用是“可重复角色”的设定。通过AI，我们可以模拟出具有特定特征的“角色”，并在其上进行大规模的可重复实验。这种方法不仅有助于科学研究，还为人类提供了一种观察自身行为的新途径。这意味着AI在科学解释中扮演的角色将远远超出当前的想象，它将不仅是一个工具，更是科学发现的合作伙伴。