假设你有一个尖端的小工具，可以破解世界上任何保险箱——但你却不知道它是如何工作的。你会怎么做？你可以使用一个更老的开锁工具——也许是一把可靠的撬棍。你可以用这根杠杆撬开你的小工具，看看它的内部，然后试图逆向工程它。碰巧，科学家们刚刚用数学做到了这一点。
研究人员已经用一种久经考验的数学分析方法，对深度神经网络——一种人工智能，一种以其内部令人费解而闻名的技术——进行了检查，这种方法是物理学家和工程师们几十年来一直在使用的。研究人员于1月23日在《PNAS Nexus》杂志上公布了他们的研究结果。他们的结果表明，他们的人工智能正在进行许多与人类长期以来自己进行的计算相同的计算。
该论文的作者通常使用深度神经网络来预测极端天气事件或其他气候应用。虽然更好的本地天气预报可以帮助人们安排公园约会，但预测风和云也能帮助可再生能源运营商规划未来几个小时内要输送到电网的内容。
“我们在这个领域工作了一段时间，我们发现神经网络在处理这类系统方面非常强大，”德克萨斯州莱斯大学的机械工程师、该研究的作者之一Pedram Hassanzadeh说。
如今，气象学家通常使用需要庞大超级计算机的模型来进行这类预测。深度神经网络只需较少的处理能力即可完成相同的任务。很容易想象，在未来，任何人都可以用一台笔记本电脑在野外运行这些模型。
[相关: 迪士尼构建了一个神经网络来自动改变演员的年龄]
人工智能有多种形式；深度神经网络只是其中一种，尽管是一种非常重要的一种。神经网络有三个部分。假设你构建了一个识别图像中动物的神经网络。第一部分可能将图片转换为数据；中间部分可能分析数据；最后一部分可能将数据与动物列表进行比较，并输出最佳匹配项。
深度神经网络之所以“深”，是因为它的创造者将中间部分扩展成了一个更为复杂的过程，由多个层组成。例如，一个图像识别深度网络的每一层可能依次分析图像中更复杂的区域。
这种复杂性使得深度神经网络非常强大，并且它们在近期人工智能取得的许多令人印象深刻的成就中发挥了作用。十多年前，它们最早的能力之一是将人类语音转换为文字。近年来，它们对图像进行着色，追踪金融欺诈，并设计药物分子。而且，正如Hassanzadeh的团队所展示的那样，它们可以预测天气并预报气候。
[相关: 我们让一个神经网络为我们烤蛋糕。结果……很有趣。]
对许多科学家来说，问题在于，由于这些网络的构建方式，没有人能真正看到网络在做什么。他们通过分配任务并输入数据来训练网络。当新生的网络消化更多数据时，它会进行调整以更好地完成该任务。最终的结果是一个“黑箱”，一个内部混乱到即使是其创造者也无法完全理解的工具。
人工智能专家花费了无数的时间来寻找更好的方法来观察他们自己的创造物。对于一个简单的图像识别网络来说，这已经很难做到了。要理解一个正在处理像地球气候这样包含无数运动部件的系统的深度神经网络，就更加困难了。
尽管如此，回报是值得的。如果科学家们知道他们的神经网络是如何工作的，他们不仅可以更多地了解他们自己的工具，还可以思考如何将这些工具应用于其他用途。例如，他们可以创建在空气中二氧化碳含量更高的世界中运行更好的天气预报模型。
因此，Hassanzadeh和他的同事们想出了一个主意，将傅里叶分析——一种几十年来一直适合物理学家和数学家工具箱的方法——应用于他们的人工智能。将傅里叶分析想象成一种翻译。最终的语言将数据集表示为更小函数的总和。然后，你可以应用某些过滤器来屏蔽该总和的一部分，从而让你看到模式。
碰巧，他们的尝试是成功的。Hassanzadeh和他的同事们发现，他们的神经网络本质上正在做的是许多科学家会使用的过滤器的组合。
“这更好地将神经网络的内部运作与物理学家和应用数学家过去几十年的工作联系起来，”Hassanzadeh说。
如果他和他的同事们关于他们刚刚发表的研究是正确的，那么这意味着他们已经用由科学家们研究了一个多世纪的数学制成的撬棍——略微——撬开了一个看似魔法的东西。
