美国国家工程院院士张东晓和宁波东方理工大学助理教授陈云天领衔提出了一个全新的框架，旨在让人工智能更像科学家。通过将人类知识注入大型模型，他们试图提高模型的推理能力和效率。

融合人类知识的重要性

就像教孩子解决难题一样，可以通过让他们自己尝试和反复失败来找到正确的方法，也可以教他们一些基本规则和技巧以提高解题效率。同样地，将人类知识融入到基于数据驱动的AI模型训练中，可以提高模型的效率和推理能力。

框架概述

该框架首次对知识价值进行定量评估，从而增强深度学习模型的预测能力。实验证明，该框架在物理、化学、工程学等不同领域有广泛的应用，可以优化机器学习模型，预测实验结果，并优化未来的实验条件。

关键问题与解决方案

然而，关键问题在于如何平衡数据和知识对模型的影响。为了解决这一问题，他们提出了两个新概念：规则重要性（RI）和完全重要性（FI），并建立了基于扰动的高效计算RI的方法。

实验结果与原理

通过一系列系统实验，研究人员揭示了数据和规则之间的内在原理和关系。在分布内预测场景中，随着训练数据量增加，规则重要性逐渐降低；而在分布外预测场景中，不同类型规则的重要性呈现出不同趋势。

规则之间的复杂交互作用

研究人员总结了规则之间存在的依赖、协同和替代等复杂交互作用。这些交互作用影响着规则在模型中的作用和重要性。