发现系统（人工智能研究）

发现系统是一个人工智能系统，它试图发现新的科学概念或规律。发现系统的目的是使科学数据分析和科学发现过程自动化。

理想情况下，一个人工智能系统应该能够系统地搜索所有可能的假设空间，并得出最能描述数据中复杂模式的假设--或一组同样可能的假设。

在被称为第二个人工智能之夏的时代（大约1978-1987年），类似于该时代主流专家系统的各种系统被开发出来，以解决从数据中提取科学假设的问题，无论是否与人类科学家互动。

这些系统包括Autoclass、AutomatedMathematician、Eurisko（旨在发现通用的假说），以及更具体的系统，如Dalton（从数据中发现分子特性）。

随着第二次人工智能冬天的到来和随后神经网络等亚符号方法的重新兴起，建立发现科学假设的系统的梦想被推到了背景。

亚符号方法强调预测而不是解释，产生的模型效果很好，但很难或不可能解释，这使它们被称为黑箱人工智能。

黑箱模型不能被视为科学假说，这一发展甚至导致一些研究人员提出，科学的传统目标--发现关于现实结构的假说和理论--已经过时。其他研究者不同意，他们认为亚符号方法在很多情况下是有用的，只是不能用于生成科学理论。

20世纪70年代和80年代的发现系统Autoclass是1986年编写的贝叶斯分类系统AutomatedMathematician是最早的成功发现系统之一。

它写于1977年，通过生成和修改小型Lisp程序来工作。

Eurisko是自动数学家的续集，写于1984年。Dalton是一个仍在维护的程序，能够计算各种分子特性，最初于1983年推出，自2017年起可开放源代码。

Glauber是一个科学发现方法，在计算科学哲学的背景下写于1983年。现代发现系统（2009年至今）经过几十年对发现系统的兴趣不大。

迈克尔-施密特（MichaelSchmidt）的工作重新激发了人们对使用人工智能来发现自然规律和科学解释的兴趣，他当时是康奈尔大学计算生物学的博士生。

施密特和他的导师HodLipson发明了Eureqa，他们将其描述为一种从实验数据中提炼出自由形式的自然法则的符号回归方法。

这项工作有效地证明了符号回归是人工智能驱动的科学发现的一个有希望的发展方向。

自2009年以来，符号回归已经进一步成熟，今天，各种商业和开源系统正积极用于科学研究。突出的例子包括Eureqa（现在是DataRobot人工智能云平台的一部分）、AIFeynman和QLattice。