对于AI系统，Schawinski认为这是“第三类”科学研究方法，Hogg则认为不过是传统观察分析法的高级版本，不管你支持哪种观点，有一点是肯定的，AI正在加速改变科学发现的概念。AI革命在科学领域能走多远?

　　偶尔，人们会对“机器人科学家”的成就大加赞扬。十年前，一位名叫Adam的AI机器人化学家研究了面包酵母的基因组，找出了哪些基因负责制造某些氨基酸。当时的新闻标题是：“机器人独自做出科学发现”。

　　最近，格拉斯哥大学化学家Lee Cronin在用机器人随机混合化学物质，看看会形成什么样的新化合物。通过质谱仪、核磁共振仪和红外光谱仪实时监测反应，系统最终学会了预测哪种组合反应性最强。Cronin说，即使这不会带来进一步的发现，机器人系统也能让化学家们将研究速度提高约90%。

　　去年，苏黎世理工的另一个科学家小组使用神经网络从数据集中推导出物理定律。他们的系统是一款机器人开普勒系统，从太阳和火星的位置记录中重新发现了太阳系的日心模型，并通过观察碰撞球发现了动量守恒定律。由于物理定律通常可以用不止一种方式来表达，研究人员想知道系统是否可以提供新的方式(也许是更简单的方式)来思考已知的定律。

　　这些都是AI启动科学发现过程的例子，虽然不同案例中AI的作用影响各有不同。也许最具争议的问题是，在数据爆炸的今天，单从数据中能收集到多少信息。计算机科学家Judea Pearl和科学作家Dana Mackenzie断言，数据是“极其愚蠢的”。因果关系的问题永远不能单靠数据来回答。Schawinski也支持这种立场，他从未声称数据可以推演因果关系，而只是认为，我们可以比以往更多地利用数据。

　　另一个经常听到的论点是，科学需要创造力，而且至少到目前为止，我们不知道如何将“创造力”编程到机器中。物理学家Kai Polsterer说：“除了理论和推理，我们还需要创造力——只有人类才具有这项能力。”创造力从何而来?Polsterer怀疑这与“无聊”有关，机器不会感到无聊。要想有创意，你必须讨厌无聊的感觉。另一方面，像创意和灵感这样的词经常被用来形容Deep Blue(战胜人类象棋手的计算机)和AlphaGo这样的智能程序。我们在试图描述计算机思想的时候，实际上是对自己大脑的映射。

　　Schawinski最近离开学术界去了私营部门。他现在经营着一家名为Modulos的创企，公司雇佣了一些ETH科学家，据其网站称，公司处在AI和机器学习发展的风口浪尖。不管当前AI技术和成熟的人工智慧之间存在什么障碍，Schawinski和同事们都认为机器已经可以接替越来越多人类科学家的工作。

　　Schawinski说：“在可预见的未来，是否有可能利用生物硬件建造一台机器，它可以完成人类无法独立完成的物理、数学任务?科学的未来最终会不会因为计算机才达到人类难以企及的高度?我不知道。但这是个好问题。”