Tot grote ergernis van vakantiegangers die een zomerpicknick plannen, is het weer een ongelooflijk grillig en onvoorspelbaar iets. Kleine veranderingen in regenval, temperatuur, vochtigheid, windsnelheid of windrichting kunnen de buitenomstandigheden in de loop van uren of dagen veranderen. Daarom worden weersvoorspellingen meestal niet meer dan zeven dagen in de toekomst gedaan - en daarom zijn voor picknicks noodplannen vereist.
Maar wat als we een chaotisch systeem goed genoeg zouden kunnen begrijpen om te voorspellen hoe het zich in de verre toekomst zal gedragen?
Kunt u het weer voor het jaar voorspellen?
In januari 2018 is het wetenschappers gelukt. Ze gebruikten machine learning om de uitkomst van een chaotisch systeem over een veel langere periode nauwkeurig te voorspellen dan voor mogelijk werd gehouden. En de machine deed het eenvoudig door de dynamiek van het systeem te observeren, zonder enig idee van de vergelijkingen erachter.
Ontzag, angst en opwinding
We zijn al begonnen te wennen aan de ongelooflijke manifestaties van kunstmatige intelligentie.
Vorig jaar leerde een programma met de naam AlphaZero de regels van het schaakspel in slechts een dag helemaal opnieuw en versloeg vervolgens 's werelds beste schaaksoftware. Ze leerde ook Go spelen en overtrof de voormalige siliciumkampioen, het AlphaGo Zero-algoritme, dat in het spel verbeterde met vallen en opstaan nadat ze de regels had gekregen.
Promotie video:
Veel van deze algoritmen beginnen met een pure staat van zalige onwetendheid en verwerven snel kennis door het proces te bekijken of tegen zichzelf te spelen, waarbij ze bij elke stap duizenden keren per seconde verbeteren. Hun capaciteiten wekken gevoelens van angst, ontzag en opwinding op. We horen vaak over de chaos waarin ze de mensheid ooit kunnen storten.
Maar het is veel interessanter wat kunstmatige intelligentie in de toekomst met de wetenschap zal doen, met haar ‘begrip’.
Perfecte voorspelling betekent begrip?
De meeste wetenschappers zullen het er waarschijnlijk over eens zijn dat voorspellen en begrijpen niet hetzelfde zijn. De reden ligt in de mythe over de oorsprong van de natuurkunde - en, je zou kunnen zeggen, de moderne wetenschap in het algemeen.
Feit is dat mensen al meer dan duizend jaar de methoden gebruiken die zijn voorgesteld door de Grieks-Romeinse wiskundige Ptolemaeus om de beweging van planeten aan de hemel te voorspellen.
Ptolemaeus wist niets van de zwaartekrachttheorie of dat de zon het centrum van het zonnestelsel was. Zijn methoden omvatten rituele berekeningen met cirkels binnen cirkels binnen cirkels. En hoewel ze de planetaire beweging vrij goed voorspelden, begreep niemand waarom het werkte of waarom de planeten dergelijke schijnbaar complexe regels gehoorzamen.
Dan waren er Copernicus, Galileo, Kepler en Newton.
Newton ontdekte de fundamentele differentiaalvergelijkingen die de beweging van elke planeet bepalen. Met hun hulp was het mogelijk om elke planeet in het zonnestelsel te beschrijven. En dat was geweldig, want we begrepen waarom de planeten bewegen.
Het oplossen van differentiaalvergelijkingen bleek een efficiëntere manier om planetaire beweging te voorspellen in vergelijking met het algoritme van Ptolemaeus. Belangrijker is echter dat ons geloof in deze methode ons in staat heeft gesteld nieuwe onzichtbare planeten te ontdekken, dankzij de wet van universele zwaartekracht. Hij legde uit waarom raketten vliegen en appels vallen, en ook waarom manen en sterrenstelsels bestaan.
Dit basispatroon - het vinden van een reeks vergelijkingen die een verenigend principe beschrijven - is keer op keer met succes in de natuurkunde gebruikt. Dit is hoe we het standaardmodel hebben gedefinieerd, het hoogtepunt van een halve eeuw deeltjesfysisch onderzoek, dat de structuur van elk atoom, elke kern of elk deeltje nauwkeurig beschrijft. Op deze manier proberen we supergeleiding bij hoge temperaturen, donkere materie en kwantumcomputers te begrijpen. (De ongerechtvaardigde effectiviteit van deze methode riep zelfs vragen op over waarom het universum zich zo goed leent voor wiskundige beschrijving.)
Iets begrijpen betekent in de wetenschap teruggaan naar het oorspronkelijke schema: als je een complex fenomeen kunt terugbrengen tot een eenvoudige reeks principes, dan begrijp je het.
Uitzonderingen op de regel
En toch zijn er vervelende uitzonderingen die dit mooie verhaal bederven. Turbulentie is een van de redenen waarom het moeilijk is om het weer te voorspellen - een schoolvoorbeeld uit de natuurkunde. De overgrote meerderheid van problemen uit de biologie, uit verstrengelde structuren in andere structuren, tart ook verklaring door eenvoudige principes van eenmaking en vereenvoudiging.
Hoewel er geen twijfel over bestaat dat atomen en chemie, en dus de eenvoudige principes die aan deze systemen ten grondslag liggen, worden beschreven met universeel effectieve vergelijkingen, is dit een nogal ondoelmatige manier om bruikbare voorspellingen te genereren.
Tegelijkertijd wordt duidelijk dat deze problemen zich gemakkelijk lenen voor machine learning-methoden.
Net zoals de oude Grieken naar antwoorden zochten van het mystieke Delphische orakel, zullen wij antwoorden zoeken op de meest complexe vragen van de wetenschap van alwetende orakels met kunstmatige intelligentie.
Dergelijke orakels rijden al in autonome voertuigen en selecteren investeringsdoelen op de aandelenmarkt, en zeer binnenkort zullen ze voorspellen welke medicijnen effectief zullen zijn tegen bacteriën - en hoe het weer over twee weken zal zijn.
Ze zullen deze voorspellingen doen met de hoogste precisie waar we nooit van hadden kunnen dromen, zonder wiskundige modellen en vergelijkingen te gebruiken.
Het is mogelijk dat ze, gewapend met gegevens over miljarden botsingen bij de Large Hadron Collider, de uitkomst van een experiment met deeltjes beter voorspellen dan zelfs het geliefde standaardmodel.
Net als de onverklaarbare bronnen van de openbaring van de Delphi-priesteressen, is het onwaarschijnlijk dat onze AI-profeten kunnen verklaren waarom ze op deze manier voorspellen en niet anders. Hun conclusies zullen gebaseerd zijn op vele microseconden van wat men "ervaring" zou kunnen noemen. Ze zullen zijn als een ongeschoolde boer die nauwkeurig weet te voorspellen hoe het weer zal veranderen, "omdat de botten pijn doen" of andere voorgevoelens.
Wetenschap zonder begrip?
De implicaties van het werk van machine-intelligentie op het gebied van wetenschap en wetenschapsfilosofie kunnen verrassend zijn.
Zullen we bijvoorbeeld in het licht van steeds nauwkeurigere voorspellingen, hoewel verkregen met methoden die voor mensen onbegrijpelijk zijn, ontkennen dat machines over betere kennis beschikken dan wij?
Als voorspellen echt het belangrijkste doel van de wetenschap is, hoe moeten we dan de wetenschappelijke methode aanpassen, het algoritme waarmee we fouten kunnen identificeren en deze eeuwenlang kunnen corrigeren?
Als we het begrip opgeven, heeft het dan nog zin om de wetenschap te doen die we aan het doen waren?
Niemand weet. Maar als we niet kunnen verwoorden waarom wetenschap meer is dan het vermogen om goede voorspellingen te doen, zullen wetenschappers al snel ontdekken dat 'getrainde kunstmatige intelligentie hun werk beter doet dan zijzelf'.
Ilya Khel
