Kan maskinlæring betyde enden på forståelsen i videnskab?

Til stor ærgrelse for planlæggere af sommerfester, vejret er et notorisk kaotisk system. Små ændringer i nedbør, temperatur, fugtighed, vindhastighed eller retning, osv. kan ballonere ind i et helt nyt sæt forhold inden for få dage. Det er grunden til, at vejrudsigter bliver upålidelige mere end omkring syv dage ude i fremtiden - og hvorfor picnic har brug for backup-planer.

Men hvad nu hvis vi kunne forstå et kaotisk system godt nok til at forudsige, hvordan det ville opføre sig langt ud i fremtiden?

I januar i år, videnskabsmænd gjorde netop det. De brugte maskinlæring til præcist at forudsige resultatet af et kaotisk system over en meget længere varighed, end man troede var muligt. Og det gjorde maskinen bare ved at observere systemets dynamik, uden kendskab til de underliggende ligninger.

ærefrygt, frygt og begejstring

Vi har for nylig vænnet os til kunstig intelligenss (AI) blændende demonstrationer af evner.

Sidste år, et program kaldet AlphaZero lærte sig selv reglerne for skak fra bunden på omkring en dag, og fortsatte derefter med at slå verdens bedste skakprogrammer. Det lærte sig selv spillet Go fra bunden og forbedrede den tidligere siliciummester, algoritmen AlphaGo Zero, som selv havde mestret spillet ved trial and error efter at være blevet fodret med reglerne.

Mange af disse algoritmer begynder med en blank tavle af salig uvidenhed, og hurtigt opbygge deres "viden" ved at observere en proces eller spille mod sig selv, forbedres ved hvert skridt, tusindvis af skridt hvert sekund. Deres evner har på forskellig vis inspireret følelser af ærefrygt, frygt og begejstring, og vi hører ofte i disse dage om, hvilken ødelæggelse de kan forårsage på menneskeheden.

Min bekymring her er enklere:Jeg vil gerne forstå, hvad AI betyder for fremtiden for "forståelse" i videnskaben.

Hvis du forudsiger det perfekt, forstår du det?

De fleste videnskabsmænd er nok enige om, at forudsigelse og forståelse ikke er det samme. Årsagen ligger i fysikkens oprindelsesmyte - og velsagtens, den moderne videnskab som helhed.

I mere end et årtusinde, historien går, folk brugte metoder overleveret af den græsk-romerske matematiker Ptolemæus til at forudsige, hvordan planeterne bevægede sig hen over himlen.

Ptolemæus vidste ikke noget om tyngdekraftsteorien eller endda om, at solen var i centrum af solsystemet. Hans metoder involverede mystiske beregninger ved hjælp af cirkler i cirkler i cirkler. Mens de forudsagde planetarisk bevægelse ret godt, der var nej forståelse hvorfor disse metoder virkede, og hvorfor planeter burde følge så komplicerede regler.

Så kom Copernicus, Galileo, Kepler og Newton.

Newton opdagede de fundamentale differentialligninger, der styrer hver planets bevægelse. De samme differentialligninger kunne bruges til at beskrive hver planet i solsystemet.

Det var klart godt, for nu er vi forstået hvorfor planeter bevæger sig.

Løsning af differentialligninger viste sig at være en mere effektiv måde at forudsige planetarisk bevægelse sammenlignet med Ptolemæus' algoritme. Måske endnu vigtigere, selvom, vores tillid til denne metode gjorde det muligt for os at opdage nye usete planeter baseret på et samlende princip – loven om universel tyngdekraft – der virker på raketter og faldende æbler og måner og galakser.

Denne grundlæggende skabelon - at finde et sæt ligninger, der beskriver et samlende princip - er blevet brugt med succes i fysik igen og igen. Sådan fandt vi ud af standardmodellen, kulminationen på et halvt århundredes partikelfysik, som præcist beskriver den underliggende struktur af hvert atom, kerne eller partikel. Det er sådan, vi forsøger at forstå højtemperatur-superledning, mørkt stof og kvantecomputere. (Denne metodes urimelige effektivitet har givet anledning til spørgsmål om, hvorfor universet ser ud til at være så dejligt modtageligt for en matematisk beskrivelse.)

I hele videnskaben, velsagtens, Begrebet at forstå noget refererer altid tilbage til denne skabelon:Hvis du kan koge et kompliceret fænomen ned til et simpelt sæt principper, så har du forstået det.

Stædige undtagelser

Der er dog irriterende undtagelser, der ødelægger denne smukke fortælling. Turbulens - en af ​​grundene til, at vejrudsigelse er vanskelig - er et bemærkelsesværdigt eksempel fra fysikken. Langt de fleste problemer fra biologi, med deres indviklede strukturer i strukturer, nægter også stædigt at opgive simple samlende principper.

Selvom der ikke er nogen tvivl om, at atomer og kemi, og derfor simple principper, ligger til grund for disse systemer, At beskrive dem ved hjælp af universelt gyldige ligninger ser ud til at være en ret ineffektiv måde at generere nyttige forudsigelser på.

I mellemtiden, det er ved at blive tydeligt, at disse problemer let vil give efter for maskinlæringsmetoder.

Ligesom de gamle grækere søgte svar fra det mystiske orakel i Delphi, vi bliver måske snart nødt til at søge svar på mange af videnskabens sværeste spørgsmål ved at appellere til AI-orakler.

Sådanne AI-orakler vejleder allerede selvkørende biler og aktiemarkedsinvesteringer, og vil snart forudsige, hvilke lægemidler der vil være effektive mod en bakterie - og hvordan vejret vil se ud to uger frem.

De vil gøre disse forudsigelser meget bedre, end vi nogensinde kunne have, og de vil gøre det uden at ty til vores matematiske modeller og ligninger.

Det er ikke utænkeligt, at bevæbnet med data fra milliarder af kollisioner ved Large Hadron Collider, de kan måske gøre et bedre stykke arbejde med at forudsige resultatet af et partikelfysisk eksperiment end selv fysikeres elskede standardmodel!

Ligesom med de uudgrundelige ytringer fra præstinderne i Delfi, vores AI-orakler vil næppe heller kunne forklare hvorfor de forudsiger, hvad de gør. Deres output vil være baseret på mange mikrosekunder af, hvad man kan kalde "erfaring". De ligner den karikatur af en uuddannet landmand, der perfekt kan forudsige, hvilken vej vejret vil vende, baseret på erfaring og en mavefornemmelse.

Videnskab uden forståelse?

Implikationerne af maskinintelligens, for processen med at udføre videnskab og for videnskabsfilosofien, kunne være enormt.

For eksempel, i lyset af stadig mere fejlfri forudsigelser, omend opnået ved metoder, som intet menneske kan forstå, kan vi blive ved med at benægte, at maskiner har bedre viden?

Hvis forudsigelse i virkeligheden er videnskabens primære mål, hvordan skal vi ændre videnskabelig metode , den algoritme, der i århundreder har givet os mulighed for at identificere fejl og rette dem?

Hvis vi opgiver forståelsen, er der en mening i at forfølge videnskabelig viden, som vi kender den?

Jeg har ikke svarene. Men medmindre vi kan formulere, hvorfor videnskab handler om mere end evnen til at lave gode forudsigelser, videnskabsmænd kan også snart opdage, at en "uddannet AI kunne gøre deres arbejde."

Denne artikel blev oprindeligt publiceret på The Conversation. Læs den originale artikel.