共计 2144 个字符，预计需要花费 6 分钟才能阅读完成。
传统观点认为，泡沫的行为类似于玻璃，其微小气泡在微观层面上被固定在特定位置。然而，最新的计算机模拟显示，泡沫中的气泡其实一直在运动，即使泡沫的整体形状看起来保持不变。更引人注目的是，这种持续运动所遵循的数学原理，竟然与训练人工智能系统时采用的方法完全相同。这一发现提示，类似“学习”的行为可能不仅是机器智能的特征，也可能是某些材料、生物细胞等自然系统共同遵循的基本组织原则。
泡沫气泡的微观特写，其运动模式在数学层面与训练现代 AI 系统的深度学习过程相对应。图片来源：Crocker 实验室
泡沫的普遍存在与传统认知
泡沫广泛存在于日常生活中，例如肥皂泡、剃须膏、搅打奶油和蛋黄酱等乳化食品中。长期以来，科学家一直认为泡沫的行为类似于玻璃——其微观组分虽然排列无序，但基本被锁定在固定位置。
宾夕法尼亚大学工程师团队的最新研究挑战了这一长期存在的观点。他们发现，尽管泡沫在宏观上保持形状稳定，但其内部的气泡实际上始终处于运动状态。尤为意外的是，描述这种运动的数学原理与深度学习高度吻合，而深度学习正是训练现代人工智能系统的核心技术。
该研究进一步指出，广义数学意义上的“学习”可能是一种跨越物理系统、生物系统和计算系统的普遍组织原则。这项发现不仅可能引导未来开发能够适应环境变化的智能材料，也有助于科学家更好地理解生命系统中需要持续自我重组的结构，例如细胞内部的骨架网络。
永不静止的气泡：持续运动揭示 AI 学习逻辑
在发表于《美国国家科学院院刊》的研究中，研究人员通过计算机模拟追踪了湿泡沫内部气泡的运动轨迹。结果显示，气泡并未趋于静止，而是持续在多种可能的排列方式之间游移。
从数学角度看，这种行为与深度学习的工作原理高度相似。在训练过程中，AI 系统并非锁定于某个最终状态，而是持续调整其内部参数——这些参数定义了系统的“知识”。
“泡沫在持续自我重组，”该研究的共同资深作者、化学与生物分子工程教授约翰·C·克罗克指出，“泡沫的运动规律与现代 AI 系统的学习过程遵循相同的数学原理，这一发现令人震惊。其背后的原因仍是未解之谜，但这可能从根本上改变我们对适应性材料乃至生命系统的理解。”
泡沫为何挑战传统物理学？
在人类观察的尺度上，泡沫常表现出类似固体的形态：它们能保持形状，受压后也能恢复原状。但在更微观的层面上，泡沫被视为一种“两相”材料——由悬浮在液体或固体基质中的气泡构成。
由于泡沫易于制备和观察，并能展现复杂的力学行为，科学家长期将其作为模型系统，用以研究包括活细胞在内的其他致密且动态的材料。
传统理论将泡沫中的气泡比作在能量景观中滚动的岩石。依照这一观点，气泡会向下移动至能量更低、更稳定的位置，并最终静止下来。这一理论也解释了为何泡沫在形成后看起来是稳定的——就像停留在谷底的巨石。
理论与现实的错位
然而，当研究人员分析真实泡沫的实验数据时，却发现其行为与理论预测并不相符。据克罗克透露，这种偏差的迹象大约在二十年前就已出现，但当时缺乏合适的数学工具来完整解释这一现象。
“分析实际数据时，泡沫的行为与理论预测并不匹配，”克罗克表示，“近二十年前，研究人员就开始注意到这些差异，但当时尚未掌握能够准确描述真实情况的数学工具。”
要破解这一谜题，需要一种新的方法，能够描述那些持续变化、且永远不会固定于单一排列状态的系统。
来自人工智能的启示：深度学习优化方法
现代 AI 系统通过学习来不断调整其内部的数值参数。早期的方法试图将系统推向一个能完美匹配训练数据的、单一的最优解。
深度学习则依赖于与“梯度下降”数学技术相关的优化方法。这类方法逐步引导系统朝着减少误差的方向调整配置，类似于在山地景观中向下行走以寻找更低点。
随着研究的深入，科学家发现，将模型过度推向那个“最深”的解决方案反而会产生问题。与训练数据过度拟合的系统会变得脆弱，在面对新信息时表现不佳。
“关键突破在于意识到，我们不应将系统强行推入最深的谷底，”该研究的另一位共同资深作者、化学与生物分子工程教授罗伯特·里格尔曼指出，“让系统停留在景观中较为平坦的区域——也就是众多解决方案表现相近的区域——才是使模型获得良好泛化能力的关键。”
泡沫与 AI 遵循相同法则
当宾夕法尼亚大学的研究团队用这种新视角重新审视泡沫数据时，两者之间的相似性变得清晰可见。泡沫中的气泡并不会沉降在某个深邃而稳定的位置，而是持续在众多配置同样可行的广阔区域内移动。
这种持续不断的运动模式，与现代 AI 系统在学习期间的运行方式高度吻合。一个既能解释深度学习原理，又能准确描述泡沫长期行为的统一数学框架由此浮现。
对材料与生命系统的启示
这项发现对许多原本被认为已充分理解的领域提出了新的问题，这本身可能就是该研究最重要的贡献之一。
通过证明泡沫气泡并非冻结在类似玻璃的状态中，而是以类似学习算法的方式持续运动，该研究促使科学家重新思考其他复杂系统的行为模式。
克罗克的团队正在重新研究最初激发他们对泡沫产生兴趣的系统：细胞骨架。这种维持细胞形态和功能的微观网络与泡沫类似，必须在保持整体结构的同时持续进行动态重组。
“为何深度学习的数学能如此准确地描述泡沫的特性，这是一个迷人的问题，”克罗克总结道，“这暗示这些数学工具可能在它们原始的应用语境之外同样有效，从而为全新的研究路径打开了大门。”
