回顾万丘林教授提出：宇宙或许是个大的神经网络，难道它真是活的？

科学家总是在不经意间发表一些惊人的理论，然后颠覆人类的世界观，一时间很难说他正确与否。即便是爱因斯坦当年发表了关于相对论的研究，也在许多年后才被人们认可。近来国外的一位科学家表示，宇宙或许是活的，让人摸不着头脑的同时，也令人为之震惊，这究竟是怎么回事？

明尼苏达州的一位科学家表示，他通过神经网络学习和宇宙迭代研究，在他的论文中写道：“整个宇宙在其最基本的层面上是一个神经网络的可能性”。换句话说，宇宙可能是活的。

宇宙的内部表现可能如同人工神经网络

先不说这个论点是否正确，他的消息一经放出已让不少人在重新思考宇宙的本质。有人会问为什么说宇宙是神经网络？而神经网络又是什么东西？这位科学家又是怎样得到该结论的？宇宙如果是神经网络意味着什么？

本文将从维塔利·万丘林的人工神经网络与宇宙研究、人工神经网络、量子引力理论等多个方面来解答这些问题，接下来一起看看为什么该科学家认为宇宙或许是一个巨大的神经网络。

维塔利·万丘林教授

自我学习的宇宙

万丘林教授研究的问题关键在于整个宇宙在其基本层面上属于神经网络的可能性有多大，这一点主要通过人工神经网络中的两种不同类型的动态自由度来检验。即可训练变量，例如偏差向量或者权重矩阵，另一个则是隐藏变量，这块主要有神经元的状态向量。

具有10个输入变量和两个隐藏层的网络

现代物理学有一个最大的问题在于，由于量子物理学的拓展，现代物理和经典物理学之间产生了一条鸿沟。量子物理学能从宇宙微观角度很好地阐释物质运动，而经典物理学则很难解释微观系统的动态变化。

一种神经网络构架的隐藏变量工作图

物理学家一直在尝试把量子物理和经典物理统一起来，以此逐步实现大一统理论。然而实际的结果是，量子现象根本不能与经典观察结果相统一，甚至有明显的理论分歧。

对于量子力学中的各种现象，科学家得到的最终结果有两种解释，一种为“平行世界”，另一种称之为“称其变量”。由于两种理论的不统一，于是万丘林教授希望通过神经网络来对宇宙问题做出一个调和。

前面我们提到了神经网络的两种可训练变量，万丘林教授利用这两种训练变量制作了一个训练模型，然后将先证明神经网络的学习演化接近平衡可以用马德隆方程建模。

其中复波函数的相位具有精确的物理解释，这一部分会作为隐藏变量的统计集合的自由能。隐藏变量描述了单个神经元状态，而统计集合则交由分配函数和相应的自由能给出。

神经网络的方程学习示意图

按照预先的模型设计，人工神经网络先是学习了热力学，这能够保证人工神经网络能够从基础上理解整个模型。然后是熵力学，熵力学的学习同样以马德隆方程近似来表示，并考虑一组可训练变量。

为了描述这种状态，万丘林教授利用到平稳熵产生原理，并将这部分内容添加在学习系统中。这意味着在神经网络的背景下，大熵是有益的，这意味着可以发现新解决方案的更高速率。这个系统后来被证明是神经网络的最佳学习系统，整个分布十分合理。

熵力学的熵变化展示

完成初步的模型开发后，万丘林教授建立了可训练变量的随机描述权重矩阵和偏置向量。进阶的训练将会在哈密顿力学中给出详细的配置，并且进一步表现隐藏变量的动态。那么，实验的后半部分揭示了什么样的问题呢？

人工神经网络与宇宙模型

完成了整个人工神经网络构架后，万丘林教授得到了初步的结论。首先是平稳熵产生的原理及神经网络在两个不同极限下的动力学。

在这一部分的研究中，神经网络表现出了两个限制，第一个限制结果主导由可训练变量被随机处理，系统由此产生的动力学显示处由泛函描述的量子和经典行为负值。

在第二个限制中，隐藏变量被随机处理，但它们的动态受到可训练变量的限制。结果表明，系统的动力学表现出由引力度量理论的作用所描述的行为，例如广义相对论。

这两种限制结果证明，人工神经网络构架有可能将稀疏和深度神经网络映射到密集和浅层神经网络中，而且不会失去神经网络的学习能力。这意味着该模型可以描述量子和引力的双重学习动态。

结合相关的理论和人工神经网络模型推演，万丘林教授认为宇宙在其基本层面上是一个神经网络。为什么人工神经网络可以通过自主学习来获得如此强大的能力，甚至能够模拟出现代物理学的框架？

这一点我们可以从人工神经网络和深度学习中来大概了解，人工神经网络基于生物神经元这个概念获得而来。生物中的神经元在每一次的信号交换中都能够获得强化，最终发展出一条强壮的神经通路，这条神经通路便是生物神经网络的节点和路径。

类似神经元工作模式的人工神经网络

人工神经元在网络构架中同样也利用了这一点，每一次的输出都相当于是一次学习的行为，然后在每个路径中寻找到最优解。为了找到神经元的输出，人工神经元会取所有输入的加权和，由从输入到神经元的连接的权重加权。

在深度学习中，人工神经网络通常被组织成多层，每一层神经元仅与前一层和紧随其后的神经层的神经元相连接。接收外部数据的层面为输入层，产生最终结果的层面为输出层。而隐藏层在它们之间是零个或多个的存在，两层之间可能有多种连接模式。

深度学习的行为模式更加复杂

了解到这些基本的概念后，最后我们来看看万丘林教授自己对于宇宙神经网络的看法。

宇宙深度学习行为揭示了什么？

人工神经网络在相关的学习过程中可以被分列为三种学习范式，即监督学习、无监督学习和强化学习，每种学习方式应对不同的学习任务。万丘林教授采用的随机神经网络，通过向网络中引入随机变化、随机传递函数或者随机权重来构建整个框架。

这样做的好处在于，随机神经网络能够成为优化问题的有用工具，因为随机波动有助于整个神经网络摆脱局部最小值。不过最为特别的是，人工神经网络的深度学习过程被业界称为“黑箱”，因为科学家们也不知道人工神经网络究竟是怎样在深度学习中得到迭代进化的。

随机神经网络的工作

在宇宙神经网络的研究中，万丘林教授认为这只是一种可能性，并不是说人工神经网络可用于分析物理系统，或者说发现物理定律，就由此表明它是整个世界的实际运作方式。

人工神经网络的建设很容易被证明是错误的，所需要的方法就是找到一种它自己都不能描述的物理现象。然而事实证明，神经网络的动力学太复杂，在随机变量的极限行为部分，它可以描述神经网络的相关自由度。

神经网络的置信度分析

因此，我们所看到的周围一切事物，例如粒子、原子、细胞这些微观变化和运动，都是自然选择的结果，它们的表现是宇宙在神经网络选择上的最优结果。从哲学层面来看，或许就不存在自由意志，很难说它在未来将会带来怎样的改变。