Laika apstākļi ir ļoti neticami kaprīzs un neparedzams apstāklis, jo daudz atpūtnieki plāno plānot vasaras pikniku. Nelielas nokrišņu, temperatūras, mitruma, vēja ātruma vai vēja virziena izmaiņas var mainīt āra apstākļus stundu vai dienu laikā. Tāpēc laika prognozes parasti netiek veiktas vairāk kā septiņas dienas nākotnē, un tāpēc piknikiem nepieciešami ārkārtas rīcības plāni.
Bet ko tad, ja mēs pietiekami labi varētu saprast haotisko sistēmu, lai paredzētu, kā tā uzvedīsies tālu nākotnē?
Vai varat paredzēt laika apstākļus gadam?
2018. gada janvārī zinātniekiem izdevās. Viņi izmantoja mašīnmācību, lai precīzi prognozētu haotiskās sistēmas iznākumu daudz ilgākā laika posmā, nekā tika uzskatīts par iespējamu. Un mašīna to izdarīja, vienkārši novērojot sistēmas dinamiku, pat nezinot aiz tās esošos vienādojumus.
Bailes, bailes un satraukums
Mēs jau esam sākuši pierast pie neticamām mākslīgā intelekta izpausmēm.
Pagājušajā gadā programma ar nosaukumu AlphaZero tikai vienā dienā iemācījās šaha spēles noteikumus no nulles un pēc tam pārspēja pasaulē labāko šaha programmatūru. Viņa arī iemācījās spēlēt Go un pārspēja bijušo silīcija čempionu AlphaGo Zero algoritmu, kas spēlē uzlabojās, izmantojot izmēģinājumu un kļūdas pēc tam, kad tika baroti ar noteikumiem.
Reklāmas video:
Daudzi no šiem algoritmiem sākas ar tīru svētlaimes nezināšanu un ātri iegūst zināšanas, vērojot procesu vai spēlējot pret sevi, uzlabojot katru soli tūkstošiem reižu sekundē. Viņu spējas iedvesmo bailes, bijību, satraukumu. Mēs bieži dzirdam par haosu, kurā viņi kādu dienu var ienirt cilvēcei.
Bet ir daudz interesantāk, ko mākslīgais intelekts nākotnē darīs ar zinātni ar tās “izpratni”.
Perfekta prognozēšana nozīmē izpratni?
Iespējams, ka lielākā daļa zinātnieku piekritīs, ka pareģošana un izpratne nav viens un tas pats. Iemesls slēpjas mītā par fizikas izcelsmi - un, varētu teikt, mūsdienu zinātni kopumā.
Fakts ir tāds, ka vairāk nekā tūkstoš gadu cilvēki ir izmantojuši grieķu un romiešu matemātiķa Ptolemaja piedāvātās metodes, lai prognozētu planētu pārvietošanos pa debesīm.
Ptolemaja neko nezināja par gravitācijas teoriju vai to, ka saule bija Saules sistēmas centrs. Viņa metodes ietvēra rituālu aprēķinus, izmantojot lokus lokos lokos. Un, lai gan viņi diezgan labi prognozēja planētu kustību, neviens nesaprata, kāpēc tā darbojas vai kāpēc planētas ievēro šādus šķietami sarežģītus noteikumus.
Pēc tam bija Koperniks, Galileo, Keplers un Ņūtons.
Ņūtons atklāja fundamentālos diferenciālvienādojumus, kas nosaka katras planētas kustību. Ar viņu palīdzību bija iespējams aprakstīt katru Saules sistēmas planētu. Un tas bija lieliski, jo mēs sapratām, kāpēc planētas pārvietojas.
Diferenciālvienādojumu risināšana izrādījās efektīvāks veids, kā prognozēt planētu kustību, salīdzinot ar Ptolemaja algoritmu. Vēl svarīgāk ir tas, ka mūsu ticība šai metodei, pateicoties universālā gravitācijas likumam, ļāva mums atklāt jaunas neredzamas planētas. Viņš paskaidroja, kāpēc raķetes lido un āboli nokrīt, kā arī kāpēc pastāv mēness un galaktikas.
Šis pamatnoteikums - vienādojumu principa atrašana, kas apraksta vienojošu principu - ir atkal un atkal veiksmīgi izmantots fizikā. Tādējādi mēs definējām Standarta modeli, kas ir pusgadsimta daļiņu fizikas pētījumu kulminācija, kas precīzi apraksta katra atoma, kodola vai daļiņas struktūru. Tas ir veids, kā mēs cenšamies izprast augstas temperatūras supravadītspēju, tumšo vielu un kvantu datorus. (Šīs metodes nepamatotā efektivitāte pat radīja jautājumus par to, kāpēc Visums sevi tik labi izmanto matemātiskam aprakstam.)
Zinātnes laikā kaut ko saprast nozīmē atgriezties pie sākotnējās shēmas: ja jūs varat reducēt sarežģītu parādību līdz vienkāršam principu kopumam, jūs to saprotat.
Izņēmumi no noteikuma
Un tomēr ir kaitinoši izņēmumi, kas sabojā šo skaisto stāstu. Turbulence ir viens no iemesliem, kāpēc grūti prognozēt laika apstākļus - izcils piemērs no fizikas. Lielākā daļa problēmu, kas saistīta ar bioloģiju, sākot ar citu struktūru savijušām struktūrām, arī izskaidro skaidrojumu ar vienkāršiem apvienošanas un vienkāršošanas principiem.
Lai arī nav šaubu, ka atomi un ķīmija, tātad arī šo sistēmu pamatā esošie vienkāršie principi, ir aprakstīti, izmantojot universāli efektīvos vienādojumus, tas ir diezgan neefektīvs veids, kā ģenerēt noderīgas prognozes.
Tajā pašā laikā kļūst redzams, ka šīs problēmas viegli pielieto mašīnmācīšanās metodēs.
Tieši tāpat, kā senie grieķi meklēja atbildes no mistiskā Delphic orāklama, mēs meklēsim atbildes uz vissarežģītākajiem zinātnes jautājumiem no visaptverošiem orākiem ar mākslīgo intelektu.
Šādi orāļi jau tagad vada autonomus transportlīdzekļus un izvēlas investīciju mērķus akciju tirgū, un ļoti drīz viņi prognozēs, kuras zāles būs efektīvas pret baktērijām - un kādi būs laika apstākļi pēc divām nedēļām.
Viņi veiks šīs prognozes ar visaugstāko precizitāti, par kādu mēs nekad nav sapņojuši, neizmantojot matemātiskos modeļus un vienādojumus.
Iespējams, ka, bruņojušies ar datiem par miljardiem sadursmju Lielajā hadronu sadursmē, viņi labāk prognozēs eksperimenta ar daļiņām iznākumu nekā pat iemīļotais standarta modelis.
Līdzīgi kā ar neizskaidrojamiem avotiem, kas saistīti ar Delfu priesteru atklāsmēm, arī mūsu mākslīgā intelekta pravieši, visticamāk, nespēs izskaidrot, kāpēc viņi prognozē šādi un ne savādāk. Viņu secinājumi balstīsies uz daudzām mikrosekundēm no tā, ko varētu saukt par “pieredzi”. Viņi būs kā neizglītots zemnieks, kurš zina, kā precīzi paredzēt, kā mainīsies laika apstākļi, “jo sāp kauli” vai citi priekšnoteikumi.
Zinātne bez izpratnes?
Mašīnizlūkošanas darba ietekme uz zinātnes jomu un zinātnes filozofiju var būt satriecoša.
Piemēram, saskaroties ar arvien precīzākām prognozēm, kaut arī tās iegūtas ar cilvēkiem nesaprotamām metodēm, vai mēs noliegsim, ka mašīnām ir labākas zināšanas nekā mums?
Ja prognozēšana patiešām ir zinātnes galvenais mērķis, kā mums vajadzētu modificēt zinātnisko metodi, algoritmu, kas gadsimtiem ļāvis identificēt kļūdas un labot tās?
Ja mēs atsakāmies no izpratnes, vai ir kāda jēga darīt zinātni, ko mēs darījām?
Neviens nezin. Bet, ja mēs nespējam artikulēt, kāpēc zinātne ir kas vairāk nekā spēja izdarīt labas prognozes, zinātnieki drīz secinās, ka "apmācīts mākslīgais intelekts viņu darbu dara labāk nekā viņi paši."
Iļja Khel
