伽利略的「天賦聰慧」在於，他在研究事物時能夠忽略與研究相關度低的次要因素，重點關注與研究相關度高的主要因素，比如在發現「週期」的過程中，他通過建立一個理想搖擺模型重點研究了吊燈搖擺的時間問題，忽略了那些如空氣、溫度、光線和噪音等會使問題複雜化的細節。
對許多歷史學家來說，伽利略在研究中所使用的方法代表了現代科學方法的前身，經過不斷的完善和演變，發明家和科學家們用同樣的方法實現了飛行，發現了廣義相對論和量子力學，並發明了電腦以及早期人工智能。
隨著技術的不斷進步，當下的人工智能系統已經能從數據中發現某種特定規律，甚至是由此發現某些物理定律，但它們僅能處理一些特殊的數據，科學家們並不能把「什麼都有」的「原始數據」直接交由它們處理。可以說，目前人工智能的數據分析能力與人類從觀察中發現規律的能力還相差甚遠。
但這也引出了一個十分有趣的問題，那就是我們是否真的能設計出一個人工智能系統，在分析時僅關注那些與研究內容相關度高的「關鍵因素」，模仿人類的研究方式對數據進行處理。
最近，MIT的Tailin Wu和Max Tegmark為我們給出了答案，他們所開發的一款名為「AI物理學家（AI Physicist）」的人工智能系統可以通過模仿人類物理學家的研究方法，對數據所描述的「陌生」環境梳理出能夠描述該環境的物理法則。
Wu和Tegmark所開發的系統針對的是現有AI所面臨的最大難題之一，即無法處理龐大數據集的問題。事實上，給出描述大教堂內環境的數據，現有的任何一個AI系統都無法做到以此發現「週期」的存在。
為了解決這個問題，Wu和Tegmark將人類物理學家在研究中經常使用的3個技巧整合到了他們所開發的系統中，即「簡化問題」、「尋找更具普適性的理論」以及「嘗試將過去成功過的方法套用在新系統上」。
其中，「簡化問題」源於物理學家們通常會通過簡化問題來研究事物，比如將宏觀和微觀分開來論，先開發出兩套能分別描述宏觀世界和微觀世界的理論，再設法進行整合，現在的廣義相對論和量子力學的誕生便是得益於這種思維方式。
「尋找更具普適性的理論」源於物理學家們通常認為一個理論能解釋的情況越多，該理論也就越完善。雖然一個最終的「究極理論」是否存在還不是定數，但這種思維方式在現代科學的許多研究中都發揮了重要作用。
「嘗試將過去成功過的方法套用在新系統上」源於物理學研究中的一種「終身學習」概念，物理學家們通常會嘗試將過去成功過的分析方法套用在新的系統上進行研究，如果適用則意味著該方法具有一定的普適性，不適用則說明該方法需要針對新系統進行改進或新系統需要一個全新的理論來對其進行描述。
在將以上這3種人類物理學家常用的研究技巧整合到AI系統後，Wu和Tegmark設計了由不同物理法則所支配的40 個不同宇宙，比如同樣一個小球的運動在A宇宙內受重力支配，在B宇宙內受電磁力支配，在C宇宙內受諧波勢（harmonic potential）支配，並以此對他們所開發的「AI物理學家」進行了測試。
在測試中Wu和Tegmark對「『AI物理學家』能否通過觀察小球的運動來發現與該運動相符的物理定律」，和「不包含『終身學習』技巧的系統（用以模擬剛進入物理學研究領域新人）與整合了全部3個技巧的系統（用於模擬經驗豐富的老物理學家）在表現上有何差異」這2個問題進行了研究。
測試結果表明，不包含「終身學習」機制的系統（在研究中被稱為「物理新人」）和整合了全部研究技巧的系統（即「AI物理學家」）最終都能成功發現相應宇宙中的相應物理法則，2種系統解決設定問題的能力都達到了90％以上。
但「AI物理學家」相對於「物理新人」來說可以使用較少的數據進行更快地學習。Wu和Tegmark說：「這與經驗豐富的老學者能通過其知識儲備比初學者更快地解決新問題很像。」
研究結果還表明「新物理學家」的表現要明顯優於傳統的神經網路設計。Wu和Tegmark說：「我們所開發的系統在多數情況下學得更快，計算上的出錯概率約為傳統神經網路設計的十億分之一。」
雖然這項研究並沒有在真正意義上將AI系統置身於一個包含各自信息的「鬆散」數據集中，但其結果證明了AI系統確實具有這種潛力。
如果未來真的有人開發出了真正意義上的「AI物理學家」，其歷史意義或許能與伽利略開發出「科學方法」的前身相比。但就目前來說，這項研究，以及未來可能由這項研究所帶來的更多技術進步對人類來說究竟意味著什麼還是一個未知數。
