Orai yra nepaprastai kaprizingas ir nenuspėjamas dalykas, kai atostogaujantieji planuoja vasaros pikniką. Nedideli kritulių, temperatūros, drėgmės, vėjo greičio ar vėjo krypties pokyčiai gali per kelias valandas ar dienas pakeisti lauko sąlygas. Todėl orų prognozės paprastai sudaromos ne vėliau kaip per septynias dienas į ateitį, todėl piknikams reikalingi nenumatytų atvejų planai.
O kas, jei mes pakankamai gerai suprastume chaotišką sistemą, kad nuspėtume, kaip ji elgsis toli ateityje?
- „Salik.biz“
Ar galite numatyti orų metus?
2018 m. Sausio mėn. Mokslininkams pasisekė. Jie naudojo mašininį mokymąsi, kad tiksliai numatytų chaotiškos sistemos baigtį per daug ilgesnį laiką, nei manyta įmanoma. Mašina tai padarė tiesiog stebėdama sistemos dinamiką, net nesuvokdama už jos esančių lygčių.
Baimė, baimė ir jaudulys
Mes jau pradėjome priprasti prie neįtikėtinų dirbtinio intelekto apraiškų.
Praėjusiais metais programa „AlphaZero“vos per dieną išmoko šachmatų žaidimo taisykles nuo nulio ir tada įveikė geriausią pasaulyje šachmatų programinę įrangą. Ji taip pat išmoko žaisti „Go“ir pranoko buvusį silicio čempioną „AlphaGo Zero“algoritmą, kuris pagerėjo žaidime per bandymus ir klaidas po to, kai buvo laikomasi taisyklių.
Reklaminis vaizdo įrašas:
Daugelis šių algoritmų prasideda nuo gryno palaimingo nežinojimo ir greitai įgyja žinių stebėdami procesą ar žaisdami prieš save, tobulindami kiekvieną žingsnį tūkstančius kartų per sekundę. Jų sugebėjimai sukelia baimės, baimės, jaudulio jausmus. Mes dažnai girdime apie chaosą, į kurį jie vieną dieną gali pasinerti žmonijai.
Tačiau daug įdomiau, ką dirbtinis intelektas darys su mokslu ateityje, su jo „supratimu“.
Tobulas numatymas reiškia supratimą?
Dauguma mokslininkų tikriausiai sutiks, kad numatymas ir supratimas nėra tas pats dalykas. Priežastis slypi mite apie fizikos kilmę - ir, galima sakyti, apskritai šiuolaikiniame moksle.
Faktas yra tas, kad daugiau nei tūkstantį metų žmonės naudojo metodus, kuriuos pasiūlė graikų-romėnų matematikas Ptolemėjas, kad nuspėtų planetų judėjimą per dangų.
Ptolemėjas nieko nežinojo apie gravitacijos teoriją ar tai, kad saulė yra saulės sistemos centras. Jo metodai apėmė ritualinius skaičiavimus, naudojant ratus apskritimų viduje. Ir nors jie gana gerai prognozavo planetų judėjimą, niekas nesuprato, kodėl tai veikė ar kodėl planetos paklūsta tokioms, atrodytų, sudėtingoms taisyklėms.
Tada ten buvo Kopernikas, Galilejas, Kepleris ir Niutonas.
Niutonas atrado pagrindines diferencialines lygtis, kurios valdo kiekvienos planetos judėjimą. Jų pagalba buvo įmanoma apibūdinti kiekvieną Saulės sistemos planetą. Ir tai buvo puiku, nes mes supratome, kodėl planetos juda.
Diferencialinių lygčių sprendimas buvo efektyvesnis būdas numatyti planetų judesį, palyginti su Ptolemėjaus algoritmu. Tačiau svarbiau yra tai, kad tikėjimas šiuo metodu leido mums atrasti naujas nematomas planetas, remiantis visuotinės gravitacijos dėsniu. Jis paaiškino, kodėl skraido raketos ir krenta obuoliai, ir kodėl egzistuoja mėnuliai ir galaktikos.
Šis pagrindinis modelis - rasti lygčių rinkinį, apibūdinantį vienijantį principą - vėl ir vėl buvo sėkmingai naudojamas fizikoje. Taip mes apibrėžėme standartinį modelį, kuris yra pusmečio dalelių fizikos tyrimų kulminacija ir tiksliai apibūdina kiekvieno atomo, branduolio ar dalelės struktūrą. Taip mes bandome suprasti superlaidumą aukštoje temperatūroje, tamsiąją medžiagą ir kvantinius kompiuterius. (Nepagrįstas šio metodo veiksmingumas netgi kėlė klausimų, kodėl Visata taip gerai naudojasi matematiniu aprašymu.)
Viso mokslo metu ką nors suprasti reiškia grįžti prie pradinės schemos: jei jūs galite redukuoti sudėtingą reiškinį į paprastą principų rinkinį, jūs jį suprantate.
Taisyklių išimtys
Ir vis dėlto yra erzinančių išimčių, sugadinančių šią gražią istoriją. Turbulencija yra viena iš priežasčių, dėl kurios sunku numatyti orą - puikus pavyzdys iš fizikos. Daugelį problemų, susijusių su biologija, nuo įstrigusių struktūrų kitose struktūrose, paaiškina ir paprasčiausi suvienijimo ir supaprastinimo principai.
Nors nėra abejonių, kad atomai ir chemija, taigi ir paprasti principai, kuriais grindžiamos šios sistemos, yra aprašomi naudojant visuotinai veiksmingas lygtis, tai yra gana neveiksmingas būdas naudingoms prognozėms sudaryti.
Kartu tampa akivaizdu, kad šios problemos lengvai pritaikomos mašininio mokymosi metodams.
Panašiai, kaip senovės graikai ieškojo atsakymų iš mistiškojo Delphico orakulo, mes ieškosime atsakymų į sudėtingiausius mokslo klausimus iš visažinių orakulių su dirbtiniu intelektu.
Tokie orkai jau vairuoja autonomines transporto priemones ir pasirenka investavimo tikslus akcijų rinkoje, ir labai greitai jie nuspės, kokie vaistai bus veiksmingi prieš bakterijas - o koks bus oras per dvi savaites.
Jie atliks šias prognozes aukščiausiu tikslumu, apie kurį mes niekada nesvajojome, nenaudodami jokių matematinių modelių ir lygčių.
Gali būti, kad apsiginklavę duomenimis apie milijardus susidūrimų dideliame hadronų susidūrime, jie geriau nuspės eksperimento su dalelėmis rezultatus nei net mylimas standartinis modelis.
Kaip ir nepaaiškinami Delfų kunigų apreiškimo šaltiniai, mūsų dirbtinio intelekto pranašai taip pat greičiausiai nesugebės paaiškinti, kodėl jie prognozuoja būtent taip, o ne kitaip. Jų išvados bus pagrįstos daugybe mikrosekundžių to, kas gali būti vadinama „patirtimi“. Jie bus kaip neišsilavinęs ūkininkas, žinantis, kaip tiksliai nuspėti, kaip pasikeis oras, „nes skauda kaulai“ar kitos išankstinės nuostatos.
Mokslas be supratimo?
Mašininio intelekto darbo mokslo srityje ir mokslo filosofijos padariniai gali būti stulbinantys.
Pavyzdžiui, ar, atsižvelgiant į vis tikslesnes prognozes, nors ir gautas žmonėms nesuprantamais metodais, mes paneigsime, kad mašinos turi geresnių žinių nei mes?
Jei numatymas iš tikrųjų yra pagrindinis mokslo tikslas, kaip turėtume modifikuoti mokslinį metodą, algoritmą, kuris šimtmečius leido mums nustatyti klaidas ir jas ištaisyti?
Jei mes atsisakome supratimo, ar yra prasmė daryti mokslą, kurį darėme?
Niekas nežino. Bet jei negalėsime paaiškinti, kodėl mokslas yra daugiau nei galimybė daryti geras prognozes, mokslininkai netrukus pastebės, kad „apmokytas dirbtinis intelektas savo darbą atlieka geriau nei jie patys“.
Ilja Khel