Till stor förtret för sommarfestplanerare, vädret är ett notoriskt kaotiskt system. Små förändringar i nederbörd, temperatur, fuktighet, vindhastighet eller riktning, etc. kan ballongera in i en helt ny uppsättning förhållanden inom några dagar. Det är därför väderprognoser blir opålitliga mer än cirka sju dagar in i framtiden — och varför picknicker behöver reservplaner.

Men tänk om vi kunde förstå ett kaotiskt system tillräckligt bra för att förutsäga hur det skulle bete sig långt in i framtiden?

I januari i år, forskare gjorde just det. De använde maskininlärning för att exakt förutsäga resultatet av ett kaotiskt system under en mycket längre tid än vad man trodde var möjligt. Och maskinen gjorde det bara genom att observera systemets dynamik, utan någon kännedom om de underliggande ekvationerna.

Vördnad, rädsla och spänning

Vi har nyligen blivit vana vid artificiell intelligenss (AI) bländande uppvisningar av förmåga.

Förra året, ett program som heter AlphaZero lärde sig schackreglerna från början på ungefär en dag, och fortsatte sedan med att slå världens bästa schackspelsprogram. Den lärde sig också spelet Go från grunden och överträffade den tidigare kiselmästaren, algoritmen AlphaGo Zero, som själv hade bemästrat spelet genom att trial and error efter att ha blivit matad med reglerna.

Många av dessa algoritmer börjar med ett tomt blad av lycklig okunnighet, och snabbt bygga upp sin "kunskap" genom att observera en process eller spela mot sig själva, förbättras vid varje steg, tusentals steg varje sekund. Deras förmågor har på olika sätt inspirerat till känslor av vördnad, rädsla och spänning, och vi hör ofta dessa dagar om vilken förödelse de kan orsaka mänskligheten.

Min oro här är enklare:jag vill förstå vad AI betyder för framtiden för "förståelse" inom vetenskapen.

Om du förutsäger det perfekt, förstår du det?

De flesta forskare skulle förmodligen hålla med om att förutsägelse och förståelse inte är samma sak. Anledningen ligger i fysikens ursprungsmyt - och utan tvekan, den moderna vetenskapen som helhet.

I mer än ett årtusende, historien går, människor använde metoder som överlämnats av den grekisk-romerske matematikern Ptolemaios för att förutsäga hur planeterna rörde sig över himlen.

Ptolemaios visste ingenting om gravitationsteorin eller ens om att solen var i centrum av solsystemet. Hans metoder involverade svårbegripliga beräkningar med cirklar inom cirklar inom cirklar. Även om de förutspådde planetrörelser ganska bra, det fanns ingen förståelse om varför dessa metoder fungerade, och varför planeter borde följa så komplicerade regler.

Sedan kom Copernicus, Galileo, Kepler och Newton.

Newton upptäckte de fundamentala differentialekvationerna som styr varje planets rörelse. Samma differentialekvationer skulle kunna användas för att beskriva varje planet i solsystemet.

Det här var helt klart bra, för nu är vi förstått varför planeter rör sig.

Att lösa differentialekvationer visade sig vara ett mer effektivt sätt att förutsäga planetrörelser jämfört med Ptolemaios algoritm. Kanske ännu viktigare, fastän, vårt förtroende för denna metod gjorde det möjligt för oss att upptäcka nya osynliga planeter baserade på en förenande princip – lagen om universell gravitation – som fungerar på raketer och fallande äpplen och månar och galaxer.

Denna grundläggande mall – att hitta en uppsättning ekvationer som beskriver en förenande princip – har använts framgångsrikt i fysiken om och om igen. Så här kom vi fram till standardmodellen, kulmen på ett halvt sekel av partikelfysik, som exakt beskriver den underliggande strukturen för varje atom, kärna eller partikel. Det är så vi försöker förstå supraledning vid hög temperatur, mörk materia och kvantdatorer. (Den här metodens orimliga effektivitet har inspirerat till frågor om varför universum verkar vara så förtjusande mottagligt för en matematisk beskrivning.)

I all vetenskap, det kan argumenteras att, Begreppet att förstå något hänvisar alltid tillbaka till denna mall:Om du kan koka ner ett komplicerat fenomen till en enkel uppsättning principer, då har du förstått det.

Envisa undantag

Det finns dock irriterande undantag som förstör denna vackra berättelse. Turbulens - en av anledningarna till att väderförutsägelser är svåra - är ett anmärkningsvärt exempel från fysiken. De allra flesta problem från biologi, med sina invecklade strukturer inom strukturer, vägrar också envist att ge upp enkla förenande principer.

Även om det inte råder någon tvekan om att atomer och kemi, och därför enkla principer, ligger bakom dessa system, Att beskriva dem med universellt giltiga ekvationer verkar vara ett ganska ineffektivt sätt att generera användbara förutsägelser.

Sålänge, det blir uppenbart att dessa problem lätt kommer att ge efter för maskininlärningsmetoder.

Precis som de gamla grekerna sökte svar från det mystiska oraklet i Delfi, vi kanske snart måste söka svar på många av vetenskapens svåraste frågor genom att vädja till AI-orakel.

Sådana AI-orakel är redan vägledande för självkörande bilar och aktiemarknadsinvesteringar, och kommer snart att förutsäga vilka läkemedel som kommer att vara effektiva mot en bakterie — och hur vädret kommer att se ut två veckor framåt.

De kommer att göra dessa förutsägelser mycket bättre än vi någonsin skulle kunna ha, och de kommer att göra det utan att använda våra matematiska modeller och ekvationer.

Det är inte otänkbart att beväpnad med data från miljarder kollisioner vid Large Hadron Collider, de kanske gör ett bättre jobb med att förutsäga resultatet av ett partikelfysikexperiment än till och med fysikers älskade standardmodell!

Liksom med de outgrundliga uttalandena från Delfis prästinnor, våra AI-orakel kommer sannolikt inte heller att kunna förklara Varför de förutsäger vad de gör. Deras utdata kommer att baseras på många mikrosekunder av vad som kan kallas "erfarenhet". De liknar den där karikatyren av en outbildad bonde som perfekt kan förutse åt vilket håll vädret kommer att vända, baserat på erfarenhet och magkänsla.

Vetenskap utan förståelse?

Implikationerna av maskinintelligens, för processen att göra vetenskap och för vetenskapsfilosofin, kan vara enormt.

Till exempel, inför allt mer felfria förutsägelser, även om det erhållits med metoder som ingen människa kan förstå, kan vi fortsätta att förneka att maskiner har bättre kunskap?

Om förutsägelse i själva verket är vetenskapens primära mål, hur ska vi ändra vetenskaplig metod , algoritmen som i århundraden har gjort det möjligt för oss att identifiera fel och rätta till dem?

Om vi ​​ger upp förståelsen, Finns det någon mening med att eftersträva vetenskaplig kunskap som vi känner den?

Jag har inte svaren. Men om vi inte kan formulera varför vetenskap handlar om mer än förmågan att göra bra förutsägelser, forskare kan också snart finna att en "utbildad AI kan göra sitt jobb."

Denna artikel publicerades ursprungligen på The Conversation. Läs originalartikeln.