När en förälder undervisar sitt unga barn att relatera till världen, lär de genom associationer och identifiering av mönster. Ta bokstaven S till exempel. Föräldrar visar sitt barn tillräckligt många exempel på bokstaven och innan länge kommer de att kunna identifiera andra exempel i sammanhang där vägledning inte är aktiv; skola, en bok, en annons.

Mycket av den ständigt framväxande artificiella intelligens (AI) tekniken lärdes ut på samma sätt. Forskare matade systemet med korrekta exempel på något de ville att det skulle känna igen, och likt ett ungt barn, började AI känna igen mönster och extrapolera sådan kunskap till sammanhang det aldrig tidigare hade upplevt, och bildade sitt eget “neuronnätverk” för kategorisering. Liksom mänsklig intelligens, förlorade experter dock spåren av de indata som informerade AI:s beslutsfattande.

“Den svarta lådan“-problemet för AI uppstår således som det faktum att vi inte fullständigt förstår hur eller varför ett AI-system skapar kopplingar, eller de variabler som spelar in i dess beslut. Detta problem är särskilt relevant när man söker förbättra systemens tillförlitlighet och säkerhet och etablera styrningen av AI-antagande.

Från en AI-styrd fordon som inte bromsar i tid och skadar fotgängare, till AI-baserade hälso-tekniska enheter som hjälper läkare att diagnostisera patienter, och fördomar som visas av AI-baserade urvalsprocesser, har komplexiteten bakom dessa system lett till uppkomsten av ett nytt forskningsområde: fysiken av AI, som syftar till att ytterligare etablera AI som ett verktyg för människor att uppnå högre förståelse.

Nu kommer en ny oberoende studiegrupp att ta itu med dessa utmaningar genom att kombinera fysik, psykologi, filosofi och neurovetenskap i en tvärvetenskaplig utforskning av AI:s mysterier.

NTT föreslår AI-tillit och säkerhet

Den nyligen tillkännagivna Fysik av Artificiell Intelligens Grupp är en utspinning av NTT Researchs Fysik & Informatics (PHI) Lab, och presenterades på NTT:s Upgrade 2025-konferens i San Francisco, Kalifornien förra veckan. Den kommer att fortsätta att utveckla fysiken av AI-tillvägagångssättet för att förstå AI, som teamet har undersökt under de senaste fem åren.

Dr. Hidenori Tanaka, som har en doktorsexamen i tillämpad fysik och datavetenskap från Harvard University, kommer att leda den nya forskningsgruppen, och bygger på sin tidigare erfarenhet i NTT:s Intelligent Systems Group och CBS-NTT:s AI-forskningsprogram i fysiken av intelligens vid Harvard.

“Som fysiker är jag entusiastisk över ämnet intelligens eftersom, matematiskt, hur kan man tänka på begreppet kreativitet? Hur kan man ens tänka på vänlighet? Dessa begrepp skulle ha förblivit abstrakta om det inte vore för AI. Det är lätt att spekulera och säga “detta är min definition av vänlighet”, vilket inte är matematiskt meningsfullt, men nu med AI, är det praktiskt viktigt eftersom om vi vill göra AI vänlig, måste vi tala om för den på matematikens språk vad vänlighet är, till exempel”, sa Dr. Tanaka till mig förra veckan på sidan av Upgrade-konferensen.

Tidigt i sin forskning, erkände PHI Lab betydelsen av att förstå “den svarta lådan” i AI och maskinlärning för att utveckla nya system med förbättrad energoeffektivitet för beräkningar. AI:s framsteg under de senaste fem åren har dock väckt alltmer viktiga säkerhets- och tillförlitlighetsaspekter, som har blivit avgörande för industriella tillämpningar och styrningsbeslut om AI-antagande.

Genom den nya forskningsgruppen kommer NTT Research att ta itu med likheterna mellan biologisk och artificiell intelligens, och hoppas på att lösa komplexiteten i AI-mekanismer och bygga en mer harmonisk fusion av mänsklig-AI-samarbete.

Även om denna tillvägagångssätt är ny i sin integration av AI, är den inte ny. Fysiker har sökt att avslöja de exakta detaljerna i tekniska och mänskliga relationer i århundraden, från Galileo Galileis studier om hur föremål rör sig och hans bidrag till mekanik, till hur ångmaskinen informerade förståelsen av termodynamik under den industriella revolutionen. I det 21:a århundradet söker dock forskare förstå hur AI fungerar i termer av utbildning, ackumulering av kunskap och beslutsfattande så att, i framtiden, mer sammanhängande, säkra och tillförlitliga AI-teknologier kan designas.

“AI är ett neuronnätverk, det sätt det är strukturerat är mycket likt hur ett mänskligt hjärna fungerar; neuroner anslutna av synapser, som alla representeras av siffror inuti en dator. Och sedan är det där vi tror att det kan finnas fysik… Fysik handlar om att ta allt från universum, formulera matematiska hypoteser om deras inre funktioner och testa dem”, sa Dr. Hanaka.

Den nya gruppen kommer att fortsätta att samarbeta med Harvard University Center for Brain Science (CBS), och planerar att samarbeta med Stanford University Associate Professor Suya Ganguli, med vilken Dr. Tanaka har co-författat flera artiklar.

Dr. Tanaka betonar dock att en naturvetenskaplig och tvärvetenskaplig tillvägagångssätt kommer att vara grundläggande. 2017, när han var en doktorkandidat vid Harvard, insåg forskaren att han ville göra mer än traditionell fysik, och följa i fotspåren av sina föregångare, från Galilei till Newton och Einstein, för att öppna upp nya konceptuella världar i fysik.

“För närvarande är AI det ämne som jag kan prata med alla om. Som forskare är det bra eftersom alla alltid är villiga att prata om AI, och jag lär mig också av varje samtal eftersom jag inser hur människor ser och använder AI på olika sätt, även bortom akademiska sammanhang. Jag ser NTT:s uppdrag som att vara katalysatorn för att tända dessa samtal, oavsett människors bakgrund, eftersom vi lär oss av varje interaktion”, avslutade Dr. Tanaka.