TL;DR 2026 第 8 講以科學發現循環為主線，說明 simulator、AI emulator 與實驗如何合作，而不是把科學簡化成通用預測。
系列:
MIT 6.S191 導讀
(9 / 13)
MIT 6.S191 2026 第 8 講是 AI for Science：把領域結構放進學習流程。以科學發現循環為主線，說明 simulator、AI emulator 與實驗如何合作，而不是把科學簡化成通用預測。這篇只依 2026 官方投影片與影片整理；不把 2025 的同名內容混進來。
這一講要帶走什麼
- 分清真實實驗、模擬器與 AI surrogate 的角色
- 理解 invariance 與 conservation law 為何能約束模型
- 把速度提升與科學有效性分開驗證
這些概念的共同點是：不能只會認名詞。你要能指出輸入、輸出、學習訊號與限制，才算真的接上後續內容。
科學工作流從 hypothesis 進入 experiment；昂貴實驗可先由 simulator 近似，再用 AI emulator 加速部分計算，最後仍回到實驗驗證。emulator 若離開訓練分布或違反守恆條件，速度再快也不能當作新科學結論。
建議觀看方式
先快速看一遍官方投影片的章節與圖，再看官方影片。第二遍遇到公式或架構圖就暫停，用自己的符號重畫；影片播完後，不回看資料，寫下三個核心概念與一個仍不確定的地方。
今晚就能做的練習
選一個科學問題，畫出 hypothesis、experiment、simulator 與 AI emulator 的資料流，標出必須回到真實世界驗證的位置。
完成標準不是「看完」。你應留下可檢查的圖、計算、程式輸出或短筆記，並能向另一個人解釋其中一個失敗點。
這篇沒有涵蓋什麼
6.S191 是高強度入門課，本篇也只做單講導航，不替代完整影片、數學推導或正式作業回饋。若某個主題需要嚴格理論，應接一學期制課程或原始論文。
參考資料
Glossary
Loading...