AI學識宇宙反而變盲？轉移學習幫天文學慳十倍計數錢，但呢個漏洞先最得人驚

1. 預先訓練（Pre-training）： 首先用大量計數成本好平嘅模擬，教個神經網絡學識乜嘢係「標準宇宙模型」——即係科學家叫嘅Lambda冷暗物質模型（ΛCDM），呢個係目前人類對宇宙點樣運作嘅最佳寫照 。
2. 微調（Fine-tuning）： 跟手就用好少量、計數成本貴到飛起嘅模擬去「精修」個網絡，等佢學識辨認嗰啲「超越ΛCDM」嘅奇異物理，包括有質量嘅中微子（Mν）、修改重力（f(R) 重力理論），仲有非高斯性原初擾動 。

為咗畀個網絡有足夠空間去接收呢啲完全唔同嘅物理，研究團隊喺神經網絡嘅架構加咗啲叫做「假狗／樽頸節點（dummy bottleneck nodes）」嘅額外參數。你可以當呢啲節點係預先訓練階段留低嘅空位，去到微調階段先至用嚟裝住奇異物理嘅訊號特徵 。

效率突破：慳成十倍

結果好令人振奮。喺啲順利嘅情況，呢套轉移學習方法可以將所需嘅「超越ΛCDM」珍貴模擬數量，劈低超過一個數量級（即係慳咗九成以上），而且仲保持到好穩健嘅推論能力 。

換句話講，呢個方法好似將全世界科學家咁多年嚟投放喺標準模型模擬嘅心血，變成一種可以重用嘅資源，直接繞過咗好似DESI呢類大型實驗所面對嘅樽頸位 。

暗藏殺機：負轉移（Negative Transfer）

不過，呢項研究最令人心寒嘅發現，係精準咁點出咗呢種技術會點樣出事。

當一種新物理產生嘅效果，同個AI由ΛCDM度學返嚟嘅舊知識太過似樣，AI個「既有知識庫」就會變成一個負累。呢種崩壞嘅情況，學術上叫做 「負轉移」（negative transfer）：微調唔單止冇令個網絡變得更聰明，反而令佢表現仲差過之前 。

出事嘅根源係物理簡併（physical degeneracy）。舉個例說明，假設有一批大質量中微子，佢哋會壓低細尺度上嘅物質結集，呢個宇宙學訊號，同埋一個標準ΛCDM宇宙入面「物質擾動幅度（σ₈）」較低嘅情況，整出嚟嘅效果可以好似倒模咁似。

當網絡撞正呢個中微子訊號，佢由ΛCDM訓練得返嚟嗰啲加咗重權嘅「先入為主」知識就會出錯，會誤以為眼前只係標準模型嘅參數有啲普通調整，於是就會計出一個錯晒嘅結論 。有分析仲話，AI會將標準模型嘅參數關聯，編碼成深層嘅網絡偏見，「到你想訓練佢去搵啲新嘢嗰陣，呢啲偏見就會變成致命傷」。

架構就係防護罩

唔係所有轉移學習技術都咁易中招。研究團隊有系統咁測試咗幾種唔同嘅神經網絡架構，發現如果就咁簡單做微調，冇用到上面提過嗰種「假狗／樽頸網絡」設計，出現負轉移嘅機會會高好多。

樽頸結構嘅關鍵作用，就係提供一個必要嘅緩衝地帶，一方面畀網絡可以重用由ΛCDM學返嚟嘅勁抽特徵提取器，另一方面又預留咗專用嘅新容量，用嚟模擬真正陌生嘅物理現象，咁先至可以攞到穩健同靠得住嘅結果 。