没有人类或人类团队可能能够跟上当今许多物理学和天文学实验所产生的大量信息。他们中的一些人每天记录数TB的数据 - 洪流只会增加。Square Kilometer Array是一台预定在20世纪20年代中期开启的射电望远镜，每年将产生与整个互联网一样多的数据流量。
大洪水让许多科学家转向人工智能寻求帮助。人工神经网络(人工神经网络 - 模拟大脑功能的神经元的计算机模拟网络)等人工智能系统可以通过最少的人工输入，在大量数据中掠过，突出异常并检测人类永远无法发现的模式。
当然，使用计算机来辅助科学研究大约可以追溯到75年前，并且手工研究数据以寻找有意义的模式的方法起源于数千年前。但是一些科学家认为机器学习和人工智能的最新技术代表了一种全新的科学方法。一种这样的方法，即生成建模，可以帮助在仅基于数据的观察数据的竞争性解释中找出最合理的理论，并且重要的是，没有任何预编程的知识，可以在所研究的系统中起作用的物理过程。 。生成模型的支持者认为它足够新颖，被认为是学习宇宙的潜在“第三条道路”。
传统上，我们通过观察了解了自然。想想约翰内斯·开普勒(Johannes Kepler)在第谷布拉赫(Tycho Brahe)的行星位置表上仔细研究，并试图辨别出潜在的模式。(他最终推断出行星在椭圆轨道上运动。)科学也通过模拟推进。一位天文学家可能会模拟银河系及其邻近星系仙女座星系的运动，并预测它们将在数十亿年内发生碰撞。观察和模拟都有助于科学家产生假设，然后可以通过进一步的观察进行测试。生成建模不同于这两种方法。
“它基本上是观察和模拟之间的第三种方法，” 天文物理学家和生成模型最热情的支持者之一Kevin Schawinski说道，他最近在瑞士联邦理工学院(苏黎世联邦理工学院)工作。“这是解决问题的另一种方式。”
一些科学家将生成建模和其他新技术视为传统科学的动力工具。但大多数人都认为人工智能正在产生巨大影响，而且它在科学中的作用只会增长。Fermi国家加速器实验室的天体物理学家Brian Nord使用人工神经网络来研究宇宙，他们担心人类科学家没有什么可以实现自动化。“这是一个令人不寒而栗的想法，”他说。
按代发现
自研究生毕业以来，Schawinski一直以数据驱动的科学为名。在攻读博士学位期间，他面临着根据外表对数千个星系进行分类的任务。因为这份工作没有现成的软件，所以他决定对其进行众包 - 因此银河动物园公民科学项目诞生了。从2007年开始，普通计算机用户通过记录他们对哪个星系属于哪个类别的最佳猜测帮助天文学家，多数规则通常导致正确的分类。该项目取得了成功，但是，正如Schawinski指出的那样，人工智能已经过时了：“今天，具备机器学习和云计算访问背景的才华横溢的科学家可以在一个下午完成整个工作。”
Schawinski在2016年转向了生成建模的强大新工具。从本质上讲，生成建模会询问在条件X的情况下，你会观察到结果Y的可能性。这种方法已被证明是非常有效和多才多艺的。例如，假设您为生成模型提供一组人脸图像，每张脸都标有人的年龄。当计算机程序梳理这些“训练数据”时，它开始在较旧的面部之间建立联系并增加皱纹的可能性。最终，它可以“老化”它所给予的任何面孔 - 也就是说，它可以预测任何年龄的特定面部可能经历的物理变化。
