Может ли машинное обучение AI означать конец понимания в науке?
К большому огорчению организаторов летних вечеринок, погода, как известно, хаотичная система. Небольшие изменения в количестве осадков, температура, влажность, скорость ветра и направление и т. д. может перейти в совершенно новый набор условий в течение нескольких дней.
Вот почему прогнозы погоды становятся ненадежными более семи дней в будущем—и почему пикники нуждаются в резервных планах. Но что, если бы мы могли понять хаотическую систему достаточно хорошо, чтобы предсказать, как она будет вести себя в далеком будущем?
В январе этого года ученые сделали именно это. Они используют машинное обучение, чтобы точно предсказать исход хаотической системы в течение более длительного времени, чем считалось возможным. И машина сделала это, просто наблюдая за динамикой системы, без какого-либо знания основных уравнений.
Трепет, страх и волнение
Мы уже привыкли к ослепительным проявлениям способностей искусственного интеллекта (AI). В прошлом году программа под названием AlphaZero научила себя правилам шахмат с нуля примерно за один день, а затем продолжила побеждать лучшие шахматные программы в мире.
Он также научил себя игре Go с нуля и улучшил показатели предыдущего машинного чемпиона, алгоритм AlphaGo Zero, который сам освоил игру методом проб и ошибок после того, как был обучен правилами.
Многие из этих алгоритмов начинаются с чистого листа блаженного невежества и быстро накапливают свои “знания”, наблюдая за процессом или играя против себя, улучшаясь на каждом шагу, тысячи шагов каждую секунду. Их способности по-разному внушали чувство благоговения, страха и волнения, и мы часто слышим в эти дни о том, в какой хаос они могут ввергнуть человечество.
Но что AI означает для будущего "понимания" в науке?
Если Вы Предсказываете это идеально, Понимаете ли вы это?
Большинство ученых, вероятно, согласятся с тем, что предсказание и понимание-это не одно и то же. Причина кроется в происхождении мифа о физике—и, возможно, о современной науке в целом.
История гласит, что более тысячелетия люди использовали методы, переданные Греко-Римским математиком Птолемеем, чтобы предсказать, как планеты перемещались по небу.
Птолемей ничего не знал о теории тяготения и даже то, что солнце находится в центре Солнечной системы. Его методы включали тайные вычисления, используя круги внутри кругов. Хотя они довольно хорошо предсказывали движение планет, не было никакого понимания того, почему эти методы работают, и почему планеты должны следовать таким сложным правилам.
Затем появились Коперник, Галилей, Кеплер и Ньютон.
Ньютон открыл фундаментальные дифференциальные уравнения, которые управляют движением каждой планеты. Одни и те же дифференциальные уравнения могут быть использованы для описания каждой планеты Солнечной системы.
Этого было явно хорошо, потому что теперь мы поняли, почему планеты движутся.
Решение дифференциальных уравнений оказалось более эффективным способом предсказания движения планет по сравнению с алгоритмом Птолемея. Возможно, что еще более важно, однако, наше доверие к этому методу позволило нам открыть новые невидимые планеты, основанные на объединяющем принципе — Законе всемирного тяготения, который работает на ракетах и падающих яблоках и лунах и галактиках.
Этот базовый шаблон-нахождение набора уравнений, описывающих объединяющий принцип-успешно используется в физике снова и снова. Именно так мы придумали стандартную модель, кульминацию полувековой физики элементарных частиц, которая точно описывает основную структуру каждого атома, ядра или частицы. Именно так мы пытаемся понять высокотемпературную сверхпроводимость, темную материю и квантовые компьютеры. (Эффективность этого метода вызвала вопросы о том, почему Вселенная кажется столь восхитительно поддающейся математическому описанию.)
Во всей науке, возможно, понятие понимания чего-то всегда относится к этому шаблону: если вы можете свести сложное явление к простому набору принципов, то вы это поняли.
Упрямые исключения
Однако есть досадные исключения, которые портят это красивое повествование. Турбулентность-одна из причин, по которой прогноз погоды затруднен—является ярким примером из физики. Подавляющее большинство проблем биологии, с их сложными структурами внутри структур, также упорно отказываются от простых объединяющих принципов.
Хотя нет никаких сомнений в том, что атомы и химия, и, следовательно, простые принципы, лежащие в основе этих систем, их описание с использованием универсально действительных уравнений представляется довольно неэффективным способом получения полезных прогнозов.
Между тем становится очевидным, что эти проблемы легко уступят место методам машинного обучения.
Подобно тому, как древние греки искали ответы от мистического Дельфийского Оракула, нам, возможно, скоро придется искать ответы на многие из самых сложных вопросов науки, обращаясь к оракулам AI.
Такие AI-оракулы уже управляют беспилотными автомобилями и инвестициями на фондовом рынке и предсказывают, какие препараты будут эффективны против бактерии—и как погода будет выглядеть на две недели вперед.
Они сделают эти предсказания намного лучше, чем мы когда-либо могли бы сделать, и они сделают это без обращения к нашим математическим моделям и уравнениям.
Немыслимо, что, вооружившись данными из миллиардов столкновений на большом Адронном коллайдере, они могли бы лучше предсказать результат эксперимента по физике частиц, чем даже любимая стандартная модель физиков!
Как и с непостижимыми высказываниями жриц Дельф, наши AI-оракулы также вряд ли смогут объяснить, почему они предсказывают, что они делают. Их Выходные данные будут основаны на многих микросекундах того, что можно было бы назвать “опытом"."Они напоминают карикатуру на необразованного фермера, который может предсказать, в какую сторону повернется погода, основываясь на опыте и интуиции.
Наука без понимания?
Последствия машинного интеллекта для процесса развития науки и философии науки могут быть огромными.
Например, перед лицом все более безупречных предсказаний, пусть и полученных методами, которые не может понять ни один человек, можем ли мы продолжать отрицать, что машины обладают лучшими знаниями?
Если предсказание на самом деле является главной целью науки, то как модифицировать научный метод, алгоритм, который веками позволял выявлять ошибки и исправлять их?
Если мы откажемся от понимания, есть ли смысл продолжать научные знания такими, какими мы их знаем?
Пока нет ответов. Но если мы не сможем сформулировать, почему наука - это больше, чем способность делать хорошие прогнозы, ученые могут также скоро обнаружить, что “обученный AI может отлично выполнять их работу.”