Может ли машинное обучение положить конец «понятной» науке?

К большому огорчению отдыхающих, планирующих летний пикник, погода — невероятно капризная и непредсказуемая штука. Небольшие изменения в осадках, температуре, влажности, скорости ветра или его направлении могут изменить уличные условия за какие-то часы или дни. Поэтому прогнозы погоды обычно не делаются больше чем на семь дней в будущее — и поэтому же пикники требуют запасных планов.

Но что, если бы мы могли понять хаотическую систему достаточно хорошо, чтобы предсказывать, как она будет вести себя далеко в будущем?

Можно ли спрогнозировать погоду на год?

В январе 2018 года ученым это удалось. Они использовали машинное обучение для точного прогнозирования исхода хаотической системы на протяжении намного более длительного времени, чем считалось возможным. И машина сделала это просто наблюдая за динамикой системы, не имея никакого представления об уравнениях, стоящих за ней.

Трепет, страх и волнение

Мы уже начали привыкать к невероятным проявлениям способностей искусственного интеллекта.

В прошлом году программа под названием AlphaZero обучилась правилам игры в шахматы с нуля всего за день, а затем одолела лучшие в мире программы для игры в шахматы. Также она обучилась игре в го и превзошла бывшего кремниевого чемпиона, алгоритм AlphaGo Zero, который совершенствовался в игре в процессе проб и ошибок после того, как ему скормили правила.

Многие из этих алгоритмов начинают с чистого состояния блаженного невежества и быстро набирают знания, наблюдая за процессом или играя против самих себя, совершенствуясь на каждом шаге тысячи раз в секунду. Их способности внушают чувства страха, благоговения, волнения. Зачастую мы слышим о хаосе, в который они могут повергнуть человечество однажды.

(adsbygoogle = window.adsbygoogle || []).push({});

Но куда интереснее, что сделает искусственный интеллект с наукой в будущем, с ее «пониманием».

Идеальное прогнозирование означает понимание?

Большинство ученых, вероятно, сойдутся во мнении, что предсказание и понимание — не одно и то же. Причина кроется в мифе о происхождении физики — и, можно сказать, современной науки в целом.

Дело в том, что больше тысячи лет люди использовали методы, предложенные греко-римским математиком Птолемеем, чтобы предсказывать движение планет по небу.

Птолемей не знал ничего о теории гравитации или о том, что солнце было центром Солнечной системы. Его методы включали ритуальные расчеты с использованием кругов внутри кругов внутри кругов. И хотя они предсказывали планетарное движение довольно хорошо, никто не понимал, почему это работает и почему планеты подчиняются таким, казалось бы, сложным правилам.

Затем были Коперник, Галилей, Кеплер и Ньютон.

Ньютон открыл фундаментальные дифференциальные уравнения, которые управляют движением каждой планеты. С их помощью можно было описать каждую планету в Солнечной системе. И это было прекрасно, потому что мы поняли, почему планеты двигаются.

Решение дифференциальных уравнение оказалось более эффективным способом прогнозирования планетарного движения в сравнении с алгоритмом Птолемея. Что более важно, впрочем, это то, что наша вера в этот метод позволила нам открыть новые невидимые планеты, благодая закону универсальной гравитации. Он объяснял, почему ракеты летают и яблоки падают, а также почему существуют луны и галактики.

Этот базовый шаблон — поиск набора уравнений, описывающих объединяющий принцип — использовался успешно в физике снова и снова. Так мы определили Стандартную модель, кульминацию полувека исследований физики частиц, которая точно описывает структуру каждого атома, ядра или частицы. Так мы пытаемся понять высокотемпературную сверхпроводимость, темную материю и квантовые компьютеры. (Неоправданная эффективность этого метода даже вызвала вопросы о том, почему вселенная так прекрасно поддается математическому описанию).

Во всей науке понятие понимания чего-то означает возвращение к изначальной схеме: если вы можете сократить сложное явление до простого набора принципов, вы его поняли.

Исключения из правил

И все же, существуют досадные исключения, которые портят этот красивый рассказ. Турбулентность — одна из причин, по которым предсказывать погоду трудно — яркий пример из физики. Подавляющее большинство проблем из биологии, из запутанных структур в других структурах, также не поддаются объяснению при помощи простых принципов объединения и упрощения.

Хотя нет никаких сомнений в том, что атомы и химия, а значит и простые принципы, лежащие в основе этих систем, описываются при помощи универсально эффективных уравненрий, это довольно неэффективный способ генерации полезных предсказаний.

В то же время становится очевидным, что эти проблемы легко поддаются методам машинного обучения.

Так же, как древние греки искали ответы у мистического дельфийского оракула, мы будем искать ответы на сложнейшие вопросы науки у всезнающих оракулов с искусственным интеллектом.

Такие оракулы уже управляют автономными автомобилями и выбирают объекты для инвестиций на рынке акций, а очень скоро будут предсказывать, какие лекарства будут эффективны против бактерий — и какой будет погода через две недели.

Они будут делать эти предсказания с высочайшей точностью, какая нам и не снилась, не используя никакие математические модели и уравнения.

Не исключено, что, вооружившись данными о миллиардах столкновений на Большом адронном коллайдере, они лучше справятся с предсказаниями исхода эксперимента с частицами, чем даже любимая физиками Стандартная модель.

Подобно необъяснимым источникам откровения жриц из Дельфы, наши пророки искусственного интеллекта также вряд ли смогут объяснить, почему они предсказывают именно так, а не иначе. Их выводы будут основаны на многих микросекундах того, что можно назвать «опытом». Они будут походить на необразованного фермера, который умеет точно предсказывать, как изменится погода, «потому что кости ноют» или по другим предчувствиям.

Наука без понимания?

Последствия работы машинного интеллекта в области науки и философии науки могут быть потрясающими.

Например, перед лицом все более точных прогнозов, хоть и полученных методами, непонятными человеку, будем ли мы отрицать, что машины обладают лучшим знанием, нежели мы?

Если прогнозирование на самом деле является главной целью науки, как мы должны модифицировать научный метод, алгоритм, который на протяжении веков позволял нам выявлять ошибки и исправлять их?

Если мы откажемся от понимания, есть ли смысл заниматься наукой, которой мы занимались?

Никто не знает. Но если мы не можем сформулировать, почему наука — это больше, чем способность делать хорошие предсказания, ученые вскоре обнаружат, что «обученный искусственный интеллект делает их работу лучше их самих».