Ku niezadowoleniu wczasowiczów planujących letni piknik pogoda jest niesamowicie kapryśna i nieprzewidywalna. Niewielkie zmiany opadów deszczu, temperatury, wilgotności, prędkości lub kierunku wiatru mogą zmieniać warunki zewnętrzne w ciągu godzin lub dni. Dlatego prognozy pogody zwykle nie są sporządzane na więcej niż siedem dni w przyszłość - i dlatego pikniki wymagają planów awaryjnych.
Ale co by było, gdybyśmy mogli zrozumieć chaotyczny system na tyle dobrze, aby przewidzieć, jak będzie się zachowywał w dalekiej przyszłości?
Czy potrafisz przewidzieć pogodę na cały rok?
W styczniu 2018 naukowcom udało się. Wykorzystali uczenie maszynowe, aby dokładnie przewidzieć wynik chaotycznego systemu w znacznie dłuższym okresie, niż sądzono. Maszyna zrobiła to po prostu obserwując dynamikę układu, nie mając pojęcia o równaniach za nim stojących.
Zdziwienie, strach i podniecenie
Zaczęliśmy już przyzwyczajać się do niesamowitych przejawów sztucznej inteligencji.
W zeszłym roku program o nazwie AlphaZero nauczył się od podstaw reguł gry w szachy w ciągu zaledwie jednego dnia, a następnie pokonał najlepsze oprogramowanie szachowe na świecie. Nauczyła się także grać w Go i prześcignęła byłego mistrza krzemu, algorytm AlphaGo Zero, który poprawił się w grze metodą prób i błędów po nakarmieniu reguł.
Film promocyjny:
Wiele z tych algorytmów zaczyna się od stanu błogiej ignorancji i szybko zdobywa wiedzę, obserwując proces lub grając przeciwko sobie, poprawiając się na każdym kroku tysiące razy na sekundę. Ich zdolności budzą strach, zachwyt, podekscytowanie. Często słyszymy o chaosie, w który pewnego dnia mogą pogrążyć ludzkość.
Ale znacznie ciekawsze jest, co sztuczna inteligencja zrobi z nauką w przyszłości, z jej „rozumieniem”.
Idealne prognozowanie oznacza zrozumienie?
Większość naukowców prawdopodobnie zgodzi się, że przewidywanie i rozumienie to nie to samo. Przyczyna tkwi w micie o pochodzeniu fizyki - i, można powiedzieć, w ogóle, we współczesnej nauce.
Faktem jest, że od ponad tysiąca lat ludzie używają metod zaproponowanych przez grecko-rzymskiego matematyka Ptolemeusza do przewidywania ruchu planet po niebie.
Ptolemeusz nic nie wiedział o teorii grawitacji ani o tym, że Słońce jest środkiem Układu Słonecznego. Jego metody obejmowały rytualne obliczenia z wykorzystaniem okręgów w okręgach wewnątrz okręgów. I chociaż dość dobrze przewidywali ruch planet, nikt nie rozumiał, dlaczego to zadziałało ani dlaczego planety przestrzegają tak pozornie złożonych reguł.
Następnie byli Kopernik, Galileo, Kepler i Newton.
Newton odkrył podstawowe równania różniczkowe, które rządzą ruchem każdej planety. Z ich pomocą można było opisać każdą planetę w Układzie Słonecznym. I to było świetne, ponieważ zrozumieliśmy, dlaczego planety się poruszają.
Rozwiązanie równań różniczkowych okazało się skuteczniejszym sposobem przewidywania ruchu planet w porównaniu z algorytmem Ptolemeusza. Ważniejsze jest jednak to, że nasza wiara w tę metodę pozwoliła nam odkryć nowe niewidzialne planety dzięki prawu powszechnej grawitacji. Wyjaśnił, dlaczego rakiety latają, a jabłka spadają, a także dlaczego istnieją księżyce i galaktyki.
Ten podstawowy wzorzec - znajdowanie zestawu równań opisujących jednoczącą zasadę - był wielokrotnie z powodzeniem stosowany w fizyce. W ten sposób zdefiniowaliśmy model standardowy, kulminację półwiecza badań fizyki cząstek elementarnych, który dokładnie opisuje strukturę każdego atomu, jądra czy cząstki. W ten sposób próbujemy zrozumieć nadprzewodnictwo wysokotemperaturowe, ciemną materię i komputery kwantowe. (Nieuzasadniona skuteczność tej metody wywołała nawet pytania o to, dlaczego wszechświat tak dobrze nadaje się do opisu matematycznego).
W całej nauce zrozumienie czegoś oznacza powrót do pierwotnego schematu: jeśli potrafisz zredukować złożone zjawisko do prostego zestawu zasad, zrozumiesz je.
Wyjątki od reguły
A jednak są irytujące wyjątki, które psują tę piękną historię. Turbulencje są jednym z powodów, dla których trudno jest przewidzieć pogodę - doskonały przykład z fizyki. Zdecydowana większość problemów biologii, splątanych struktur w inne struktury, także wymyka się wyjaśnieniu prostymi zasadami unifikacji i uproszczenia.
Chociaż nie ma wątpliwości, że atomy i chemia, a tym samym proste zasady leżące u podstaw tych układów, są opisane za pomocą uniwersalnie skutecznych równań, jest to raczej nieefektywny sposób generowania użytecznych prognoz.
Jednocześnie staje się oczywiste, że problemy te łatwo poddają się metodom uczenia maszynowego.
Tak jak starożytni Grecy szukali odpowiedzi z mistycznej wyroczni delfickiej, my będziemy szukać odpowiedzi na najbardziej złożone pytania nauki od wszechwiedzących wyroczni ze sztuczną inteligencją.
Takie wyrocznie już prowadzą autonomiczne pojazdy i wybierają cele inwestycyjne na giełdzie, a już niedługo będą przewidywać, które leki będą skuteczne przeciwko bakteriom - i jaka będzie pogoda za dwa tygodnie.
Dokonają tych prognoz z najwyższą precyzją, o jakiej nigdy nie marzyliśmy, bez korzystania z matematycznych modeli i równań.
Jest możliwe, że uzbrojeni w dane dotyczące miliardów zderzeń w Wielkim Zderzaczu Hadronów, będą lepiej przewidywać wynik eksperymentu z cząstkami niż nawet ukochany Model Standardowy.
Podobnie jak w przypadku niewytłumaczalnych źródeł objawienia kapłanek Delphi, nasi prorocy sztucznej inteligencji również nie będą w stanie wyjaśnić, dlaczego przewidują w ten sposób, a nie inaczej. Ich wnioski będą oparte na wielu mikrosekundach tego, co można nazwać „doświadczeniem”. Będą jak niewykształcony rolnik, który wie, jak dokładnie przewidzieć, jak zmieni się pogoda, „z powodu bólu kości” lub innych przeczuć.
Nauka bez zrozumienia?
Implikacje pracy inteligencji maszynowej w dziedzinie nauki i filozofii nauki mogą być zaskakujące.
Na przykład, w obliczu coraz dokładniejszych prognoz, choć uzyskiwanych metodami niezrozumiałymi dla ludzi, czy zaprzeczymy, że maszyny mają lepszą wiedzę niż my?
Jeśli prognozowanie jest rzeczywiście głównym celem nauki, to jak powinniśmy zmodyfikować metodę naukową, algorytm, który od wieków pozwala nam identyfikować błędy i je korygować?
Jeśli zrezygnujemy ze zrozumienia, czy jest sens uprawiać naukę, którą zajmowaliśmy się?
Nikt nie wie. Ale jeśli nie potrafimy wyjaśnić, dlaczego nauka jest czymś więcej niż tylko umiejętnością robienia dobrych prognoz, naukowcy wkrótce przekonają się, że „wyszkolona sztuczna inteligencja wykonuje swoją pracę lepiej niż oni sami”.
Ilya Khel