Може машинне навчання покласти кінець «зрозумілою» науці?

На превеликий жаль відпочиваючих, які планують літній пікнік, погода — неймовірно примхлива і непередбачувана штука. Невеликі зміни в опадах, температурі, вологості, швидкості вітру та його напрямку можуть змінити вуличні умови за якісь години або дні. Тому прогнози погоди зазвичай не робляться більше ніж на сім днів у майбутнє — і тому ж пікніки вимагають запасних планів.

Але що, якщо б ми могли зрозуміти хаотичну систему досить добре, щоб передбачати, як вона буде вести себе в майбутньому?

чи Можна спрогнозувати погоду на рік?

У січні 2018 року вченим вдалося. Вони використовували машинне навчання для точного прогнозування результату хаотичної системи протягом набагато більш тривалого часу, ніж вважалося можливим. І машина зробила це просто спостерігаючи за динамікою системи, не маючи ніякого уявлення про рівняннях, що стоять за нею.

Трепет, страх і хвилювання

Ми вже почали звикати до неймовірних проявів здібностей штучного інтелекту.

У минулому році програма під назвою AlphaZero навчилася правилами гри в шахи з нуля всього за день, а потім здолала кращі в світі програми для гри в шахи. Також вона навчилася гри в го і перевершила колишнього кремнієвого чемпіона, алгоритм AlphaGo Zero, який вправлявся в грі в процесі спроб та помилок після того, як йому згодували правила.

Багато з цих алгоритмів починають з чистого стану блаженного невігластва і швидко набирають знання, спостерігаючи за процесом або граючи проти самих себе, удосконалюючись на кожному кроці тисячі разів в секунду. Їх здібності вселяють почуття страху, благоговіння, хвилювання. Часто ми чуємо про хаос, в який вони можуть примусити людство одного разу.

Але куди цікавіше, що зробить штучний інтелект з наукою у майбутньому, з її «розумінням».

Ідеальне прогнозування означає розуміння?

Більшість вчених, ймовірно, зійдуться на думці, що передбачення і розуміння — не одне і те ж. Причина криється в міфі про походження фізики — і, можна сказати, сучасної науки в цілому.

Справа в тому, що більше тисячі років люди використовували методи, запропоновані греко-римським математиком Птолемеєм, щоб передбачати рух планет по небу.

Птолемей не знав нічого про теорії гравітації або про те, що сонце було центром Сонячної системи. Його методи включали ритуальні розрахунки з використанням кіл всередині кола всередині кола. І хоча вони передбачали планетарне рух досить добре, ніхто не розумів, чому це працює і чому планети підпорядковуються таким, здавалося б, складним правилами.

Потім були Коперник, Галілей, Кеплер, Ньютон.

Ньютон відкрив фундаментальні диференціальні рівняння, які керують рухом кожної планети. З їх допомогою можна було описати кожну планету в Сонячній системі. І це було чудово, тому що ми зрозуміли, чому планети рухаються.

Рішення диференціальних рівняння виявилося більш ефективним способом прогнозування планетарного руху в порівнянні з алгоритмом Птолемея. Що більш важливо, втім, це те, що наша віра в цей метод дозволила нам відкрити нові невидимі планети, благодая закону всесвітнього тяжіння. Він пояснював, чому ракети літають і яблука падають, а також чому існують місяця і галактики.

Цей базовий шаблон — пошук набору рівнянь, що описують об'єднуючий принцип — успішно використовувався у фізиці знову і знову. Так ми визначили Стандартну модель, кульмінацію півстоліття досліджень фізики частинок, яка точно описує структуру кожного атома, ядра або частинки. Так ми намагаємося зрозуміти високотемпературну надпровідність, темну матерію і квантові комп'ютери. (Невиправдана ефективність цього методу навіть викликала запитання про те, чому всесвіт так чудово піддається математичному опису).

У всій науці поняття розуміння чогось означає повернення до початкової схемою: якщо ви можете скоротити складне явище до простого набору принципів, що ви його зрозуміли.

Винятки з правил

Та все ж, існують прикрі винятки, які псують цей красивий розповідь. Турбулентність — одна з причин, за якими передбачати погоду важко — яскравий приклад з фізики. Переважна більшість проблем з біології, з заплутаних структур в інших структурах, також не піддаються поясненню за допомогою простих принципів об'єднання та спрощення.

Хоча немає ніяких сумнівів в тому, що атоми і хімія, а значить і прості принципи, що лежать в основі цих систем, що описуються за допомогою універсально ефективних уравненрий, це досить неефективний спосіб генерації корисних прогнозів.

В той же час стає очевидним, що ці проблеми легко піддаються методів машинного навчання.

Так само, як стародавні греки шукали відповіді у містичного дельфійського оракула, ми будемо шукати відповіді на складні питання науки у всезнаючих оракулів з штучним інтелектом.

Такі оракули вже керують автономними автомобілями і вибирають об'єкти для інвестицій на ринку акцій, а дуже скоро будуть пророкувати, які ліки будуть ефективними проти бактерій — і якою буде погода через два тижні.

Вони будуть робити ці передбачення з найвищою точністю, яка нам і не снилася, не використовуючи ніякі математичні моделі та рівняння.

Не виключено, що, озброївшись даними про мільярди зіткнень на Великому адронному колайдері, вони краще впораються з передбаченнями результату експериментуз частками, ніж навіть улюблена фізиками Стандартна модель.

Подібно нез'ясовним джерел одкровення жриць з Дельфи, наші пророки штучного інтелекту також навряд чи зможуть пояснити, чому вони передбачають саме так, а не інакше. Їх висновки будуть засновані на багатьох мікросекундах того, що можна назвати «досвідом». Вони будуть походити на неосвіченої фермера, який вміє точно визначити, як зміниться погода, «тому що кістки ниють» або за іншим передчуттям.

Наука без розуміння?

Наслідки роботи машинного інтелекту у сфері науки і філософії науки можуть бути приголомшливими.

Наприклад, перед обличчям все більш точних прогнозів, хоч і отриманих методами, незрозумілими людині, чи ми будемо заперечувати, що машини володіють кращим знанням, ніж ми?

Якщо прогнозування насправді є головною метою науки, як ми повинні модифікувати науковий метод, алгоритм, який протягом століть дозволяв нам виявляти помилки і виправляти їх?

Якщо ми відмовимося від розуміння, є сенс займатися наукою, якою ми займалися?

Ніхто не знає. Але якщо ми не можемо сформулювати, чому наука — це більше, ніж здатність робити хороші прогнози, вчені незабаром виявлять, що «навчений штучний інтелект робить їх роботу краще їх самих».