Suuri piknikille suunniteltujen lomanviettäjien kurjuus on, että sää on uskomattoman omituinen ja arvaamaton asia. Pienet muutokset sateessa, lämpötilassa, kosteudessa, tuulen nopeudessa tai tuulen suunnassa voivat muuttaa ulkona olosuhteita tuntien tai päivien ajan. Siksi sääennusteita ei yleensä tehdä enempää kuin seitsemän päivää tulevaisuuteen - ja siksi piknikit vaativat varosuunnitelmia.
Mutta entä jos ymmärrämme kaoottisen järjestelmän niin hyvin, että voimme ennustaa sen käyttäytyvän kauas tulevaisuudessa?
Voitko ennustaa sää vuodelle?
Tammikuussa 2018 tutkijat onnistuivat. He käyttivät koneoppimista ennustaakseen kaoottisen järjestelmän tulokset tarkasti paljon pidemmäksi ajaksi kuin ajateltiin mahdollista. Ja kone teki sen yksinkertaisesti tarkkailemalla järjestelmän dynamiikkaa, eikä hänellä ollut aavistustakaan sen takana olevista yhtälöistä.
Pelko, pelko ja jännitys
Olemme jo alkaneet tottua tekoälyn uskomattomiin ilmenemismuotoihin.
Viime vuonna AlphaZero-niminen ohjelma oppi shakkisäännöt tyhjästä vain päivässä ja voitti sitten maailman parhaan shakkio-ohjelmiston. Hän oppi myös pelaamaan Goa ja ylitti entisen piimestarin, AlphaGo Zero -algoritmin, joka parani pelissä kokeilun ja virheen kautta sääntöjen syöttämisen jälkeen.
Mainosvideo:
Monet näistä algoritmeista alkavat puhdasta autuasta tietämättömyydestä ja saavat nopeasti tietoa seuraamalla prosessia tai pelaamalla itseään vastaan, parantuen joka vaiheessa tuhansia kertoja sekunnissa. Heidän kykynsä herättävät pelkoa, kunnioitusta, jännitystä. Kuulemme usein kaaosta, johon he voivat syödä ihmiskunnan yhtenä päivänä.
Mutta on paljon mielenkiintoista, mitä tekoäly tekee tulevaisuudessa tieteeseen ja sen”ymmärrykseen”.
Täydellinen ennustaminen tarkoittaa ymmärrystä?
Useimmat tutkijat ovat todennäköisesti samaa mieltä siitä, että ennustaminen ja ymmärtäminen eivät ole samaa asiaa. Syynä on myytti fysiikan alkuperästä - ja voisi sanoa, moderni tiede yleensä.
Tosiasia on, että yli tuhannen vuoden ajan ihmiset ovat käyttäneet kreikkalais-roomalaisen matemaatikon Ptolemaioksen ehdottamia menetelmiä ennustamaan planeettojen liikkumista taivaalla.
Ptolemaios ei tiennyt mitään painovoiman teoriasta tai siitä, että aurinko oli aurinkokunnan keskus. Hänen menetelmiinsä kuului rituaalilaskelmat käyttämällä ympyröitä piireissä piireissä. Ja vaikka he ennustivat planeetan liikettä melko hyvin, kukaan ei ymmärtänyt miksi se toimi tai miksi planeetat noudattavat sellaisia näennäisesti monimutkaisia sääntöjä.
Sitten oli Copernicus, Galileo, Kepler ja Newton.
Newton löysi perusteelliset differentiaaliyhtälöt, jotka ohjaavat kunkin planeetan liikettä. Niiden avulla oli mahdollista kuvata jokainen aurinkokunnan planeetta. Ja se oli hienoa, koska ymmärsimme miksi planeetat liikkuvat.
Eroyhtälöiden ratkaiseminen osoittautui tehokkaammaksi tapaksi ennustaa planeetan liikettä verrattuna Ptolemyn algoritmiin. Tärkeämpää on kuitenkin, että uskomme tähän menetelmään on antanut meille mahdollisuuden löytää uusia näkymättömiä planeettoja universaalin painovoiman lain ansiosta. Hän selitti, miksi raketit lentävät ja omenat putoavat, ja miksi kuut ja galaksit ovat olemassa.
Tätä perusmallia - yhdistävää periaatetta kuvaavien yhtälöryhmien löytäminen - on käytetty fysiikassa onnistuneesti uudestaan ja uudestaan. Näin määrittelimme standardimallin, joka on puolessa vuosisatojen hiukkasfysiikan tutkimuksen huipentuma, joka kuvaa tarkasti jokaisen atomin, ytimen tai hiukkasen rakennetta. Näin yritämme ymmärtää korkean lämpötilan suprajohtavuutta, tumma-ainetta ja kvantitietokoneita. (Tämän menetelmän perusteeton tehokkuus herätti jopa kysymyksiä siitä, miksi maailmankaikkeus soveltuu niin hyvin matemaattiseen kuvaukseen.)
Koko tieteen ajan jotain ymmärtäminen tarkoittaa palaamista alkuperäiseen kaavaan: jos pystyt pelkistämään monimutkaisen ilmiön yksinkertaiseksi periaatteiden kokonaisuudeksi, ymmärrät sen.
Poikkeukset säännöstä
Ja silti, on ärsyttäviä poikkeuksia, jotka pilaavat tämän kauniin tarinan. Turbulenssi on yksi syy siihen, että sää on vaikea ennustaa - paras esimerkki fysiikasta. Suurin osa biologian ongelmista muihin rakenteisiin takertuvien rakenteiden takia myös selittää yksinkertaisilla yhdistämis- ja yksinkertaistamisperiaatteilla.
Vaikka ei ole epäilystäkään siitä, että atomit ja kemia, ja siten näiden järjestelmien taustalla olevat yksinkertaiset periaatteet, kuvataan käyttämällä yleisesti vaikuttavia yhtälöitä, tämä on melko tehoton tapa tuottaa hyödyllisiä ennusteita.
Samanaikaisesti on käymässä selväksi, että nämä ongelmat soveltuvat helposti koneoppimismenetelmiin.
Samoin kuin muinaiset kreikkalaiset etsivät vastauksia mystisestä Delphic-oraakkelista, me etsimme vastauksia kaikkein monimutkaisimpiin tieteen kysymyksiin kaikkitietäisistä oraakkeista, joissa on tekoäly.
Tällaiset oraaklit ajavat jo itsenäisiä ajoneuvoja ja valitsevat sijoituskohteita osakemarkkinoilta. Pian he ennustavat, mitkä lääkkeet ovat tehokkaita bakteereita vastaan - ja millainen sää on kahden viikon kuluttua.
He tekevät nämä ennusteet suurella tarkkuudella, josta emme koskaan uneksineet, käyttämättä mitään matemaattisia malleja ja yhtälöitä.
On mahdollista, että aseistettuina tietoihin miljardeista törmäyksistä suuressa hadronin törmäyksessä, ne pystyvät paremmin ennustamaan hiukkaskokeen tuloksen kuin edes rakastettu standardimalli.
Samoin kuin selittämättömät lähteet Delphin papinpuolueiden ilmoituksesta, keinotekoisen älyllisyyden profeettamme eivät myöskään todennäköisesti pysty selittämään miksi he ennustavat tällä tavalla eivätkä muuten. Heidän päätelmänsä perustuvat moniin mikrosekuntiin siitä, mitä voidaan kutsua "kokemukseksi". He ovat kuin kouluttamaton viljelijä, joka osaa ennustaa tarkkaan, kuinka sää muuttuu ", koska luut särkevät" tai muita ennakkoja.
Tiede ilman ymmärrystä?
Koneälyn työn vaikutukset tieteen ja tieteen filosofian aloilla voivat olla yllättäviä.
Esimerkiksi, kun otetaan huomioon yhä tarkempia ennusteita, vaikkakin ihmisille käsittämättömillä menetelmillä saatuja tuloksia vastaan, kiellämmekö koneiden paremman tiedon kuin meillä?
Jos ennustaminen on tieteen päätavoite, kuinka meidän pitäisi muuttaa tieteellistä menetelmää, algoritmia, jonka avulla olemme voineet tunnistaa virheet ja korjata ne vuosisatojen ajan?
Jos luopumme ymmärryksestä, onko mitään hyötyä tekemästämme tieteestä?
Kukaan ei tiedä. Mutta jos emme pysty selittämään, miksi tiede on enemmän kuin kyky tehdä hyviä ennusteita, tutkijat huomaavat pian, että "koulutettu tekoäly tekee heidän työnsä paremmin kuin he itse".
Ilja Khel
