Meget til uhyggelighed for ferierende, der planlægger en sommerpiknik, er vejret en utrolig lunefuld og uforudsigelig ting. Små ændringer i nedbør, temperatur, fugtighed, vindhastighed eller vindretning kan ændre udendørsforhold over timer eller dage. Derfor er vejrprognoser normalt ikke lavet mere end syv dage fremover - og derfor kræver picnics beredskabsplaner.
Men hvad nu hvis vi kunne forstå et kaotisk system godt nok til at forudsige, hvordan det vil opføre sig langt i fremtiden?
Kan du forudsige vejret for året?
I januar 2018 lykkedes det forskerne. De brugte maskinlæring til nøjagtigt at forudsige resultatet af et kaotisk system over en meget længere periode, end hvad man troede var muligt. Og maskinen gjorde det ganske enkelt ved at observere systemets dynamik uden at have nogen idé om ligningerne bag det.
Ærefrygt, frygt og spænding
Vi er allerede begyndt at vænne os til de utrolige manifestationer af kunstig intelligens.
Sidste år lærte et program kaldet AlphaZero reglerne for skakspelet fra bunden af på bare en dag og derefter slå verdens bedste skak-software. Hun lærte også at spille Go og overgik den tidligere siliciummester, AlphaGo Zero-algoritmen, som forbedrede sig i spillet gennem prøve og fejl efter at have fået fodret med reglerne.
Salgsfremmende video:
Mange af disse algoritmer starter med en ren tilstand af lyksalig uvidenhed og får hurtigt viden ved at se processen eller spille mod sig selv og forbedre sig ved hvert trin tusinder af gange i sekundet. Deres evner inspirerer til følelser af frygt, ærefrygt, spænding. Vi hører ofte om det kaos, som de kan dyppe menneskeheden en dag i.
Men det er meget mere interessant, hvad kunstig intelligens vil gøre med videnskab i fremtiden med dens "forståelse".
Perfekt prognose betyder forståelse?
De fleste forskere er sandsynligvis enige om, at forudsigelse og forståelse ikke er den samme ting. Årsagen ligger i myten om fysikens oprindelse - og man kan sige, moderne videnskab generelt.
Faktum er, at mennesker i over tusind år har brugt de metoder, der er foreslået af den græsk-romerske matematiker Ptolemæus for at forudsige bevægelsen af planeter hen over himlen.
Ptolemeus vidste intet om tyngdekraften eller om, at solen var centrum for solsystemet. Hans metoder omfattede rituelle beregninger ved hjælp af cirkler inden for cirkler inden for cirkler. Og mens de forudsagde planetbevægelse temmelig godt, forstod ingen, hvorfor det fungerede, eller hvorfor planeterne adlyder sådanne tilsyneladende komplekse regler.
Derefter var der Copernicus, Galileo, Kepler og Newton.
Newton opdagede de grundlæggende differentialligninger, der styrer bevægelsen af hver planet. Med deres hjælp var det muligt at beskrive hver planet i solsystemet. Og det var fantastisk, fordi vi forstod, hvorfor planeterne bevæger sig.
Opløsning af differentialligninger viste sig at være en mere effektiv måde at forudsige planetbevægelse i sammenligning med Ptolemys algoritme. Vigtigere er det imidlertid, at vores tro på denne metode har gjort det muligt for os at opdage nye usynlige planeter takket være loven om universal tyngdekraft. Han forklarede, hvorfor raketter flyver og æbler falder, og også hvorfor måner og galakser findes.
Dette grundlæggende mønster - at finde et sæt ligninger, der beskriver et samlende princip - er blevet brugt med succes i fysik igen og igen. Det er sådan, vi definerede standardmodellen, kulminationen på et halvt århundrede af partikelfysikforskning, der nøjagtigt beskriver strukturen i hvert atom, kerne eller partikel. Sådan prøver vi at forstå superledningsevne, mørk stof og kvante computere ved høj temperatur. (Den uberettigede effektivitet af denne metode rejste endda spørgsmål om, hvorfor universet egner sig så godt til matematisk beskrivelse.)
Gennem videnskaben betyder forståelse af noget at vende tilbage til det originale skema: Hvis du kan reducere et komplekst fænomen til et enkelt sæt principper, forstår du det.
Undtagelser fra reglen
Og alligevel er der irriterende undtagelser, der ødelægger denne smukke historie. Turbulens er en af grundene til, at det er vanskeligt at forudsige vejret - et godt eksempel fra fysik. Langt de fleste af biologiske problemer, fra sammenfiltrede strukturer i andre strukturer, trodses også forklaring med enkle principper for forening og forenkling.
Selvom der ikke er nogen tvivl om, at atomer og kemi, og dermed de enkle principper, der ligger til grund for disse systemer, beskrives ved anvendelse af universelt effektive ligninger, er dette en temmelig ineffektiv måde at generere nyttige forudsigelser.
Samtidig bliver det tydeligt, at disse problemer let egner sig til maskinindlæringsmetoder.
Ligesom de gamle grækere kiggede efter svar fra det mystiske Delphic-orakel, vil vi lede efter svar på de mest komplekse videnskabsspørgsmål fra alvidende orakler med kunstig intelligens.
Sådanne orakler kører allerede autonome køretøjer og vælger investeringsmål på aktiemarkedet, og meget snart vil de forudsige, hvilke lægemidler der vil være effektive mod bakterier - og hvordan vejret vil være om to uger.
De vil gøre disse forudsigelser med den højeste præcision, som vi aldrig har drømt om, uden at bruge matematiske modeller og ligninger.
Det er muligt, bevæbnet med data om milliarder af kollisioner i Large Hadron Collider, vil de gøre det bedre med at forudsige resultatet af et eksperiment med partikler end endda den elskede standardmodel.
I lighed med de uforklarlige kilder til Delphi-præsternes åbenbaring er det ikke sandsynligt, at vores kunstige intelligensprofeter er i stand til at forklare, hvorfor de forudsiger denne måde og ikke andet. Deres konklusioner vil være baseret på mange mikrosekunder af, hvad der kan kaldes "oplevelse". De vil være som en uuddannet landmand, der ved, hvordan man nøjagtigt kan forudsige, hvordan vejret vil ændre sig, "fordi knoglerne har ondt" eller andre forudsætninger.
Videnskab uden forståelse?
Implikationerne af arbejdet med maskineintelligens inden for videnskabsområdet og videnskabsfilosofien kan være overraskende.
For eksempel, i lyset af stadig mere nøjagtige forudsigelser, om end fået ved metoder, der er uforståelige for mennesker, vil vi benægte, at maskiner har bedre viden end vi gør?
Hvis prognoser virkelig er videnskabens hovedmål, hvordan skal vi så ændre den videnskabelige metode, den algoritme, der har gjort det muligt for os at identificere fejl og rette dem i århundreder?
Hvis vi opgiver forståelsen, er der da nogen mening i at udføre den videnskab, vi gjorde?
Ingen ved. Men hvis vi ikke kan formulere, hvorfor videnskab er mere end evnen til at komme med gode forudsigelser, vil forskere snart finde ud af, at "trænet kunstig intelligens gør deres job bedre end dem selv."
Ilya Khel
