Tot grote ergernis van planners van zomerfeesten, het weer is een notoir chaotisch systeem. Kleine veranderingen in neerslag, temperatuur, vochtigheid, windsnelheid of richting, enz. kan binnen een paar dagen in een geheel nieuwe reeks omstandigheden ballonvaren. Dat is de reden waarom weersvoorspellingen onbetrouwbaar worden tot meer dan zeven dagen in de toekomst - en waarom picknicks back-upplannen nodig hebben.

Maar wat als we een chaotisch systeem goed genoeg zouden begrijpen om te voorspellen hoe het zich tot ver in de toekomst zou gedragen?

In januari van dit jaar, wetenschappers deden precies dat. Ze gebruikten machine learning om de uitkomst van een chaotisch systeem nauwkeurig te voorspellen over een veel langere duur dan voor mogelijk werd gehouden. En de machine deed dat door de dynamiek van het systeem te observeren, zonder enige kennis van de onderliggende vergelijkingen.

Ontzag, angst en opwinding

We zijn de laatste tijd gewend geraakt aan de duizelingwekkende vertoningen van bekwaamheid van kunstmatige intelligentie (AI).

Vorig jaar, een programma genaamd AlphaZero leerde zichzelf de regels van het schaken vanaf het begin in ongeveer een dag, en ging toen door met het verslaan van 's werelds beste schaakprogramma's. Het leerde zichzelf ook het spel Go vanaf het begin en verbeterde de vorige siliciumkampioen, het algoritme AlphaGo Zero, die het spel zelf met vallen en opstaan ​​onder de knie had na de regels te hebben gekregen.

Veel van deze algoritmen beginnen met een onbeschreven blad van zalige onwetendheid, en snel hun "kennis" opbouwen door een proces te observeren of tegen zichzelf te spelen, bij elke stap verbeteren, duizenden stappen per seconde. Hun capaciteiten hebben op verschillende manieren gevoelens van ontzag geïnspireerd, angst en opwinding, en we horen tegenwoordig vaak over de verwoesting die ze de mensheid kunnen aanrichten.

Mijn zorg hier is eenvoudiger:ik wil begrijpen wat AI betekent voor de toekomst van "begrijpen" in de wetenschap.

Als je het perfect voorspelt, begrijp je het?

De meeste wetenschappers zijn het er waarschijnlijk over eens dat voorspellen en begrijpen niet hetzelfde zijn. De reden ligt in de oorsprongsmythe van de natuurkunde - en aantoonbaar, die van de moderne wetenschap als geheel.

Al meer dan een millennium, het verhaal gaat, mensen gebruikten methoden van de Grieks-Romeinse wiskundige Ptolemaeus om te voorspellen hoe de planeten door de lucht bewogen.

Ptolemaeus wist niets van de theorie van de zwaartekracht of zelfs dat de zon in het centrum van het zonnestelsel stond. Zijn methoden omvatten mysterieuze berekeningen met cirkels binnen cirkels binnen cirkels. Hoewel ze de planetaire beweging redelijk goed voorspelden, er was geen begrip waarom deze methoden werkten, en waarom planeten zulke ingewikkelde regels zouden moeten volgen.

Toen kwam Copernicus, Galileo, Kepler en Newton.

Newton ontdekte de fundamentele differentiaalvergelijkingen die de beweging van elke planeet bepalen. Dezelfde differentiaalvergelijkingen kunnen worden gebruikt om elke planeet in het zonnestelsel te beschrijven.

Dit was duidelijk goed, omdat we nu begrepen waarom planeten bewegen.

Het oplossen van differentiaalvergelijkingen bleek een efficiëntere manier om planetaire beweging te voorspellen in vergelijking met het algoritme van Ptolemaeus. Misschien nog belangrijker, Hoewel, ons vertrouwen in deze methode stelde ons in staat nieuwe onzichtbare planeten te ontdekken op basis van een verenigend principe - de wet van universele zwaartekracht - dat werkt op raketten en vallende appels en manen en sterrenstelsels.

Dit basissjabloon - 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 bedacht, het hoogtepunt van een halve eeuw deeltjesfysica, die nauwkeurig de onderliggende structuur van elk atoom beschrijft, kern of deeltje. Dit is hoe we supergeleiding bij hoge temperaturen proberen te begrijpen, donkere materie en kwantumcomputers. (De onredelijke effectiviteit van deze methode heeft geleid tot vragen over waarom het universum zo heerlijk vatbaar lijkt voor een wiskundige beschrijving.)

In de hele wetenschap, bediscussieerbaar, het idee om iets te begrijpen verwijst altijd naar deze sjabloon:als je een gecompliceerd fenomeen kunt samenvatten tot een eenvoudige set principes, dan heb je het begrepen.

Koppige uitzonderingen

Er zijn echter vervelende uitzonderingen die dit mooie verhaal bederven. Turbulentie — een van de redenen waarom weersvoorspelling moeilijk is — is een opmerkelijk voorbeeld uit de natuurkunde. De overgrote meerderheid van de problemen uit de biologie, met hun ingewikkelde structuren binnen structuren, weigeren ook koppig eenvoudige verenigende principes op te geven.

Hoewel er geen twijfel over bestaat dat atomen en chemie, en daarom eenvoudige principes, ten grondslag liggen aan deze systemen, het beschrijven ervan met behulp van universeel geldige vergelijkingen lijkt een nogal inefficiënte manier om bruikbare voorspellingen te genereren.

Ondertussen, het wordt duidelijk dat deze problemen gemakkelijk zullen wijken voor machinale leermethoden.

Net zoals de oude Grieken antwoorden zochten bij het mystieke Orakel van Delphi, misschien moeten we binnenkort antwoorden zoeken op veel van de moeilijkste vragen van de wetenschap door een beroep te doen op AI-orakels.

Dergelijke AI-orakels leiden al zelfrijdende auto's en beursinvesteringen, en zal binnenkort voorspellen welke medicijnen effectief zullen zijn tegen een bacterie - en hoe het weer er over twee weken uit zal zien.

Ze zullen deze voorspellingen veel beter maken dan we ooit zouden kunnen hebben, en ze zullen het doen zonder onze wiskundige modellen en vergelijkingen te gebruiken.

Het is niet ondenkbaar dat, gewapend met gegevens van miljarden botsingen bij de Large Hadron Collider, ze kunnen de uitkomst van een deeltjesfysica-experiment misschien beter voorspellen dan zelfs het geliefde standaardmodel van natuurkundigen!

Net als bij de ondoorgrondelijke uitspraken van de priesteressen van Delphi, het is ook onwaarschijnlijk dat onze AI-orakels het kunnen verklaren waarom ze voorspellen wat ze doen. Hun output zal gebaseerd zijn op vele microseconden van wat men 'ervaring' zou kunnen noemen. Ze lijken op die karikatuur van een ongeschoolde boer die perfect kan voorspellen hoe het weer zal veranderen, op basis van ervaring en een onderbuikgevoel.

Wetenschap zonder begrip?

De implicaties van machine-intelligentie, voor het proces van wetenschap en voor de wetenschapsfilosofie, enorm kan zijn.

Bijvoorbeeld, in het licht van steeds foutlozere voorspellingen, zij het verkregen door methoden die geen mens kan begrijpen, kunnen we blijven ontkennen dat machines betere kennis hebben?

Als voorspelling in feite het primaire doel van de wetenschap is, hoe moeten we de wijzigen wetenschappelijke methode , het algoritme dat ons eeuwenlang in staat heeft gesteld om fouten te identificeren en te corrigeren?

Als we het begrip opgeven, heeft het zin om wetenschappelijke kennis na te streven zoals wij die kennen?

Ik heb de antwoorden niet. Maar tenzij we kunnen verwoorden waarom wetenschap meer is dan het vermogen om goede voorspellingen te doen, wetenschappers zouden ook snel kunnen ontdekken dat een "opgeleide AI hun werk zou kunnen doen".

Dit artikel is oorspronkelijk gepubliceerd op The Conversation. Lees het originele artikel.