最近，华为和Google都推出了AI的天气预报系统（发表了nature、science论文，但是没开放公众使用），可以说这个传统的Science问题被AI进行解决以为了传统Science问题是可能被AI解决的。
传统的Science问题如果用一个简单的话来进行解释，那就是一个复杂的方程组，可能是高幂次计算的，也可能是偏微分的，总之，是一个极为复杂的方程组，并且其变量元素数量极为庞大，而天气预报则是这个类型中的一个经典应用问题。
使用Science方法来求解天气预报问题就是用大规模的计算机来对该问题进行求解，解这个高纬的复杂方程组，而AI4Science的方法来解决这个问题则是根据历史中的各个地方的天气情况的数值进行AI预测，比如说之前使用Science方法计算5日后的北京天气情况需要利用北京及其周边地区的前三日的天气情况的数值（气压、温度、气旋等等），然后有这个Science的方程组来进行求解，而AI方法则是根据已知过去几十年时间内世界各地的天气数值，然后拟合出这么一个函数，只要输入某地区的周边的一定时间的天气情况的数值就可以推断出几天后该地区的天气情况。
那么这里的问题是强化学习算法是否也可以同样使用AI4Science的方法来解决呢？
比如，我们可以获得足够的电力驱动的6轴机械臂的控制数据，我们把这个数据作为一个拟合函数的输入值，然后获得该机器臂的动力学特性的一种中间表示，然后在根据这个中间表示获得到该条件下这个机器臂的最优控制策略，那么是不是就实现了强化学习问题的AI4Science呢。
由于机器臂的最优控制策略是可以利用公式计算出来的，而不同型号的机器臂，不同的具体参数的机器臂，我们往往都需要重新计算并得到其最优的控制策略。如果我们可以把机器臂的所有参数，所有可以影响到机器臂性能的硬件参数，输入给神经网络，训练出对某种情况下的机械臂的动力学的表示，比如，把机器臂的各个电机的动力值、阻力值、机械臂的质量和重心等等，从而得到某种对该类型机械臂的动力学的一种表示，而后获得一个新型号的机器臂，我们都可以利用之前训练的神经网络来获得该类型机械臂的东西学的潜在表示，并快速可以计算出该机械臂的最优的控制策略。