超越波兰尼悖论：人类感知的人工智能如何开启创造力和突破性发现

人工智能（AI）已经改变了科学研究和创新，然而正如之前所讨论的，"波兰尼悖论"（Polanyi Paradox）仍然是利用人工智能产生创造性解决方案或突破性发现的重大障碍。根据波兰尼悖论，只从显性知识中学习的人工智能模型将缺乏人类的隐性或直觉知识，并可能产生明显的结果。因此，使用人工智能模型寻求新发现的人都会对解决波兰尼悖论的方法感兴趣。 

苏拉提和埃文斯在《自然-人类行为》（Nature Human Behaviour）杂志上报告说，人类感知人工智能模型提供了一种开发人工智能模型的方法，这种模型能更有效地产生创造性的解决方案和发现，甚至是科学突破。作者开发的人类感知人工智能模型将人工智能对材料科学新发现的预测提高了 400%。 

人类感知人工智能模型被输入科学数据和作者信息，以便测量 "候选发现所涉及的每个主题周围人类科学家的分布情况"。通过使用这些元信息，人类感知人工智能模型可以 "模仿 "科学家的直觉或隐性知识，预测并避开 "人类人群"。换句话说，人类感知人工智能模型不必完全依赖结构化数据，而是可以：

1. 模拟科学家如何进行发现，而不仅仅是预测结果。
2. 利用科学启发式方法完善人工智能驱动的实验。
3. 生成互补的 "外来 "假设。传统的人工智能模型大多在已知的研究领域内工作，与之不同的是，人类感知人工智能模型旨在识别看似不相关领域之间的联系，弥合科学家可能需要数年才能发现的差距。
4. 优先进行高价值实验，而不是琐碎的优化，在探索与开发之间取得平衡，以确保取得突破性发现。

因此，人类感知的人工智能模型有很多优势，可以确保它们不仅能产生可预测的明显解决方案，还能补充外来假设，从而带来突破性发现和更具创造性的解决方案。虽然这种方法无法解决波兰尼悖论，但至少可以帮助创建未来的人工智能模型，使其不那么容易产生明显的解决方案，因为它们缺乏人类的隐性知识。 

我们的分析强调了结合人类和社会因素来制造人工智能的力量，这种人工智能是对人类专业知识的补充，而不是替代。不仅考虑到人类的专业知识，而且考虑到科学经验和接触面的全面分布，这样设计的系统可以与科学界竞争，而不是与之对抗，从而扩大人类想象力和发现的范围。