Πώς η τεχνητή νοημοσύνη αλλάζει την επιστήμη
Κανένας άνθρωπος, ή ομάδα ανθρώπων, δεν θα μπορούσε ενδεχομένως να συμβαδίσει με τη χιονοστιβάδα των πληροφοριών που παράγονται από πολλά από τα σημερινά πειράματα φυσικής και αστρονομίας. Μερικά από αυτά καταγράφουν terabytes δεδομένων κάθε μέρα — και το torrent αυξάνεται. Το Square Kilometer Array, ένα ραδιοτηλεσκόπιο που πρόκειται να ενεργοποιηθεί στα μέσα της δεκαετίας του 2020, θα δημιουργεί περίπου τόση κίνηση δεδομένων κάθε χρόνο όσο ολόκληρο το Διαδίκτυο.
Ο κατακλυσμός έχει οδηγήσει πολλούς επιστήμονες να στραφούν στην τεχνητή νοημοσύνη για βοήθεια. Με ελάχιστη ανθρώπινη συνεισφορά, συστήματα τεχνητής νοημοσύνης, όπως τεχνητά νευρωνικά δίκτυα — δίκτυα νευρώνων προσομοιωμένα με υπολογιστή που μιμούνται τη λειτουργία του εγκεφάλου — μπορούν να ξεπεράσουν βουνά δεδομένων, να τονίσουν ανωμαλίες και να ανιχνεύσουν μοτίβα που οι άνθρωποι δεν θα μπορούσαν ποτέ να έχουν εντοπίσει.
Φυσικά, η χρήση υπολογιστών για βοήθεια στην επιστημονική έρευνα χρονολογείται πριν από περίπου 75 χρόνια και η μέθοδος χειροκίνητης επεξεργασίας δεδομένων για αναζήτηση ουσιαστικών προτύπων ξεκίνησε χιλιετίες νωρίτερα. Ωστόσο, ορισμένοι επιστήμονες υποστηρίζουν ότι οι πιο πρόσφατες τεχνικές στη μηχανική μάθηση και την τεχνητή νοημοσύνη αντιπροσωπεύουν έναν θεμελιωδώς νέο τρόπο επιστήμης. Μια τέτοια προσέγγιση, γνωστή ως γενετική μοντελοποίηση, μπορεί να βοηθήσει στον εντοπισμό της πιο εύλογης θεωρίας μεταξύ των ανταγωνιστικών εξηγήσεων για δεδομένα παρατήρησης, βασισμένη αποκλειστικά στα δεδομένα και, κυρίως, χωρίς καμία προ-προγραμματισμένη γνώση για το ποιες φυσικές διεργασίες ενδέχεται να λειτουργούν στο υπό μελέτη σύστημα. . Οι υποστηρικτές του γενεσιουργού μοντελισμού το βλέπουν αρκετά νέο ώστε να θεωρείται ένας πιθανός «τρίτος τρόπος» μάθησης για το σύμπαν.
Παραδοσιακά, μάθαμε για τη φύση μέσω της παρατήρησης. Σκεφτείτε τον Johannes Kepler να κοιτάζει τους πίνακες των πλανητικών θέσεων του Tycho Brahe και να προσπαθεί να διακρίνει το υποκείμενο μοτίβο. (Τελικά συμπέρανε ότι οι πλανήτες κινούνται σε ελλειπτικές τροχιές.) Η επιστήμη έχει επίσης προχωρήσει μέσω της προσομοίωσης. Ένας αστρονόμος θα μπορούσε να μοντελοποιήσει την κίνηση του Γαλαξία και του γειτονικού του γαλαξία, της Ανδρομέδας, και να προβλέψει ότι θα συγκρουστούν σε μερικά δισεκατομμύρια χρόνια. Τόσο η παρατήρηση όσο και η προσομοίωση βοηθούν τους επιστήμονες να δημιουργήσουν υποθέσεις που μπορούν στη συνέχεια να ελεγχθούν με περαιτέρω παρατηρήσεις. Η γενετική μοντελοποίηση διαφέρει και από αυτές τις δύο προσεγγίσεις.
«Είναι βασικά μια τρίτη προσέγγιση, μεταξύ παρατήρησης και προσομοίωσης», λέει ο Kevin Schawinski, ένας αστροφυσικός και ένας από τους πιο ενθουσιώδεις υποστηρικτές του γενετικού μοντέλου, ο οποίος εργαζόταν μέχρι πρόσφατα στο Ελβετικό Ομοσπονδιακό Ινστιτούτο Τεχνολογίας στη Ζυρίχη (ETH Zurich). "Είναι ένας διαφορετικός τρόπος να επιτεθείς σε ένα πρόβλημα."
Μερικοί επιστήμονες βλέπουν το γενετικό μοντέλο και άλλες νέες τεχνικές απλώς ως ηλεκτρικά εργαλεία για την παραδοσιακή επιστήμη. Αλλά οι περισσότεροι συμφωνούν ότι η τεχνητή νοημοσύνη έχει τεράστιο αντίκτυπο και ότι ο ρόλος της στην επιστήμη θα αυξηθεί. Ο Μπράιαν Νορντ, ένας αστροφυσικός στο Εθνικό Εργαστήριο Επιταχυντή Φέρμι που χρησιμοποιεί τεχνητά νευρωνικά δίκτυα για να μελετήσει το σύμπαν, είναι μεταξύ εκείνων που φοβούνται ότι δεν υπάρχει τίποτα που να κάνει ένας επιστήμονας που θα είναι αδύνατο να αυτοματοποιηθεί. «Είναι λίγο ανατριχιαστική σκέψη», είπε.
Ανακάλυψη ανά γενιά
Από το μεταπτυχιακό σχολείο, ο Schawinski φτιάχνει όνομα στην επιστήμη που βασίζεται στα δεδομένα. Ενώ εργαζόταν για το διδακτορικό του, αντιμετώπισε το καθήκον να ταξινομήσει χιλιάδες γαλαξίες με βάση την εμφάνισή τους. Επειδή δεν υπήρχε άμεσα διαθέσιμο λογισμικό για τη δουλειά, αποφάσισε να το κάνει crowdsource — και έτσι γεννήθηκε το επιστημονικό έργο των πολιτών του Galaxy Zoo. Ξεκινώντας το 2007, απλοί χρήστες υπολογιστών βοήθησαν τους αστρονόμους καταγράφοντας τις καλύτερες εικασίες τους ως προς το ποιος γαλαξίας ανήκε σε ποια κατηγορία, με τον κανόνα της πλειοψηφίας να οδηγεί συνήθως σε σωστές ταξινομήσεις. Το έργο στέφθηκε με επιτυχία, αλλά, όπως σημειώνει ο Schawinski, η τεχνητή νοημοσύνη το έχει καταστήσει ξεπερασμένο:«Σήμερα, ένας ταλαντούχος επιστήμονας με υπόβαθρο στη μηχανική μάθηση και πρόσβαση στο υπολογιστικό νέφος θα μπορούσε να κάνει τα πάντα σε ένα απόγευμα».
Ο Schawinski στράφηκε στο ισχυρό νέο εργαλείο της γενετικής μοντελοποίησης το 2016. Ουσιαστικά, το γενετικό μοντέλο ρωτά πόσο πιθανό είναι, δεδομένης της συνθήκης Χ, να παρατηρήσετε το αποτέλεσμα Y. Η προσέγγιση έχει αποδειχθεί απίστευτα ισχυρή και ευέλικτη. Για παράδειγμα, ας υποθέσουμε ότι τροφοδοτείτε ένα μοντέλο παραγωγής με ένα σύνολο εικόνων ανθρώπινων προσώπων, με κάθε πρόσωπο να επισημαίνεται με την ηλικία του ατόμου. Καθώς το πρόγραμμα υπολογιστή χτενίζει αυτά τα «δεδομένα προπόνησης», αρχίζει να δημιουργεί μια σύνδεση μεταξύ των ηλικιωμένων προσώπων και μια αυξημένη πιθανότητα εμφάνισης ρυτίδων. Τελικά μπορεί να «γεράσει» οποιοδήποτε πρόσωπο του δίνεται — δηλαδή, μπορεί να προβλέψει ποιες φυσικές αλλαγές είναι πιθανό να υποστεί ένα δεδομένο πρόσωπο οποιασδήποτε ηλικίας.
Τα πιο γνωστά συστήματα γενετικής μοντελοποίησης είναι τα «παραγωγικά ανταγωνιστικά δίκτυα» (GANs). Μετά από επαρκή έκθεση σε δεδομένα εκπαίδευσης, ένα GAN μπορεί να επιδιορθώσει εικόνες που έχουν κατεστραμμένα ή λείπουν εικονοστοιχεία ή μπορεί να κάνει ευκρινείς θολές φωτογραφίες. Μαθαίνουν να συνάγουν τις πληροφορίες που λείπουν μέσω ενός διαγωνισμού (εξ ου και ο όρος «αντίπαλος»):Ένα μέρος του δικτύου, γνωστό ως γεννήτρια, παράγει πλαστά δεδομένα, ενώ ένα δεύτερο μέρος, ο διαχωριστής, προσπαθεί να διακρίνει τα πλαστά δεδομένα από πραγματικά δεδομένα. Καθώς το πρόγραμμα τρέχει, και τα δύο ημίχρονα βελτιώνονται σταδιακά. Μπορεί να έχετε δει μερικά από τα υπερρεαλιστικά «πρόσωπα» που παράγονται από το GAN που κυκλοφόρησαν πρόσφατα — εικόνες «εξαιρετικά ρεαλιστικών ανθρώπων που δεν υπάρχουν στην πραγματικότητα», όπως το έθεσε ένας τίτλος.
Γενικότερα, η γενετική μοντελοποίηση λαμβάνει σύνολα δεδομένων (συνήθως εικόνες, αλλά όχι πάντα) και αναλύει το καθένα από αυτά σε ένα σύνολο βασικών, αφηρημένων δομικών στοιχείων - οι επιστήμονες το αναφέρουν ως «λανθάνον χώρο» των δεδομένων. Ο αλγόριθμος χειρίζεται στοιχεία του λανθάνοντος χώρου για να δει πώς αυτό επηρεάζει τα αρχικά δεδομένα και αυτό βοηθά στην αποκάλυψη φυσικών διεργασιών που λειτουργούν στο σύστημα.
Η ιδέα ενός λανθάνοντος χώρου είναι αφηρημένη και δύσκολο να οπτικοποιηθεί, αλλά ως μια πρόχειρη αναλογία, σκεφτείτε τι μπορεί να κάνει ο εγκέφαλός σας όταν προσπαθείτε να προσδιορίσετε το φύλο ενός ανθρώπινου προσώπου. Ίσως παρατηρήσετε χτένισμα, σχήμα μύτης και ούτω καθεξής, καθώς και σχέδια που δεν μπορείτε εύκολα να εκφράσετε με λέξεις. Το πρόγραμμα υπολογιστή αναζητά παρόμοια χαρακτηριστικά μεταξύ των δεδομένων:Αν και δεν έχει ιδέα τι είναι το μουστάκι ή τι είναι το φύλο, αν έχει εκπαιδευτεί σε σύνολα δεδομένων στα οποία ορισμένες εικόνες έχουν επισημανθεί ως «άνδρας» ή «γυναίκα» και στα οποία Μερικοί έχουν μια ετικέτα "μουστάκι", θα συμπεράνει γρήγορα μια σύνδεση.
Σε μια εργασία που δημοσιεύτηκε τον Δεκέμβριο στο Astronomy &Astrophysics , ο Schawinski και οι συνάδελφοί του στο ETH Zurich, Dennis Turp και Ce Zhang, χρησιμοποίησαν γενετικά μοντέλα για να διερευνήσουν τις φυσικές αλλαγές που υφίστανται οι γαλαξίες καθώς εξελίσσονται. (Το λογισμικό που χρησιμοποίησαν αντιμετωπίζει τον λανθάνοντα χώρο κάπως διαφορετικά από τον τρόπο που τον αντιμετωπίζει ένα παραγωγικό ανταγωνιστικό δίκτυο, επομένως δεν είναι τεχνικά GAN, αν και παρόμοιο.) Το μοντέλο τους δημιούργησε τεχνητά σύνολα δεδομένων ως τρόπο δοκιμής υποθέσεων σχετικά με φυσικές διεργασίες. Ρώτησαν, για παράδειγμα, πώς η «σβέση» του σχηματισμού άστρων - μια απότομη μείωση των ρυθμών σχηματισμού - σχετίζεται με την αυξανόμενη πυκνότητα του περιβάλλοντος ενός γαλαξία.
Για τον Schawinski, το βασικό ερώτημα είναι πόσες πληροφορίες για αστρικές και γαλαξιακές διεργασίες θα μπορούσαν να εξαχθούν μόνο από τα δεδομένα. «Ας σβήσουμε όλα όσα γνωρίζουμε για την αστροφυσική», είπε. "Σε ποιο βαθμό θα μπορούσαμε να ανακαλύψουμε ξανά αυτή τη γνώση, χρησιμοποιώντας απλώς τα ίδια τα δεδομένα;"
Πρώτον, οι εικόνες των γαλαξιών περιορίστηκαν στον λανθάνοντα χώρο τους. Στη συνέχεια, ο Schawinski θα μπορούσε να τροποποιήσει ένα στοιχείο αυτού του χώρου με τρόπο που να αντιστοιχεί σε μια συγκεκριμένη αλλαγή στο περιβάλλον του γαλαξία - την πυκνότητα του περιβάλλοντός του, για παράδειγμα. Τότε θα μπορούσε να αναγεννήσει τον γαλαξία και να δει ποιες διαφορές εμφανίστηκαν. «Έτσι τώρα έχω μια μηχανή δημιουργίας υποθέσεων», εξήγησε. «Μπορώ να πάρω μια ολόκληρη δέσμη γαλαξιών που βρίσκονται αρχικά σε περιβάλλον χαμηλής πυκνότητας και να τους κάνω να φαίνονται σαν να βρίσκονται σε περιβάλλον υψηλής πυκνότητας, με αυτή τη διαδικασία». Οι Schawinski, Turp και Zhang είδαν ότι, καθώς οι γαλαξίες πηγαίνουν από περιβάλλον χαμηλής σε υψηλής πυκνότητας, γίνονται πιο κόκκινο στο χρώμα και τα αστέρια τους συγκεντρώνονται πιο κεντρικά. Αυτό ταιριάζει με τις υπάρχουσες παρατηρήσεις για τους γαλαξίες, είπε ο Schawinski. Το ερώτημα είναι γιατί συμβαίνει αυτό.
Το επόμενο βήμα, λέει ο Schawinski, δεν έχει ακόμη αυτοματοποιηθεί:«Πρέπει να έρθω σαν άνθρωπος και να πω, «Εντάξει, τι είδους φυσική θα μπορούσε να εξηγήσει αυτό το φαινόμενο;» Για την εν λόγω διαδικασία, υπάρχουν δύο εύλογες εξηγήσεις:Ίσως οι γαλαξίες γίνονται πιο κόκκινοι σε περιβάλλοντα υψηλής πυκνότητας επειδή περιέχουν περισσότερη σκόνη ή ίσως γίνονται πιο κόκκινοι λόγω της μείωσης του σχηματισμού αστεριών (με άλλα λόγια, τα αστέρια τους τείνουν να είναι μεγαλύτερα). Με ένα παραγωγικό μοντέλο, και οι δύο ιδέες μπορούν να δοκιμαστούν:Στοιχεία στον λανθάνοντα χώρο που σχετίζονται με τη σκόνη και τους ρυθμούς σχηματισμού αστεριών αλλάζουν για να δούμε πώς αυτό επηρεάζει το χρώμα των γαλαξιών. «Και η απάντηση είναι ξεκάθαρη», είπε ο Schawinski. Οι πιο κόκκινοι γαλαξίες είναι «όπου είχε πέσει ο σχηματισμός των αστεριών, όχι αυτοί όπου άλλαξε η σκόνη. Θα πρέπει λοιπόν να ευνοήσουμε αυτήν την εξήγηση.»
Η προσέγγιση σχετίζεται με την παραδοσιακή προσομοίωση, αλλά με κρίσιμες διαφορές. Μια προσομοίωση βασίζεται «ουσιαστικά σε υποθέσεις», είπε ο Schawinski. "Η προσέγγιση είναι να πούμε, "Νομίζω ότι ξέρω ποιοι είναι οι υποκείμενοι φυσικοί νόμοι που δημιουργούν όλα όσα βλέπω στο σύστημα." Έτσι, έχω μια συνταγή για το σχηματισμό άστρων, έχω μια συνταγή για το πώς συμπεριφέρεται η σκοτεινή ύλη, και ούτω καθεξής. Έβαλα όλες τις υποθέσεις μου εκεί και άφησα την προσομοίωση να τρέξει. Και μετά ρωτάω:Μοιάζει με πραγματικότητα;» Αυτό που έχει κάνει με τη γενετική μοντελοποίηση, είπε, είναι «κατά κάποια έννοια, ακριβώς το αντίθετο από μια προσομοίωση. Δεν ξέρουμε τίποτα. δεν θέλουμε να υποθέσουμε τίποτα. Θέλουμε τα ίδια τα δεδομένα να μας πουν τι μπορεί να συμβαίνει.”
Η φαινομενική επιτυχία της γενετικής μοντελοποίησης σε μια μελέτη όπως αυτή δεν σημαίνει προφανώς ότι οι αστρονόμοι και οι μεταπτυχιακοί φοιτητές έχουν απολυθεί — αλλά φαίνεται να αντιπροσωπεύει μια αλλαγή στον βαθμό στον οποίο η μάθηση για αστροφυσικά αντικείμενα και διαδικασίες μπορεί να επιτευχθεί με ένα τεχνητό σύστημα που έχει λίγα περισσότερα στα ηλεκτρονικά του χέρια από μια τεράστια δεξαμενή δεδομένων. "Δεν είναι πλήρως αυτοματοποιημένη επιστήμη — αλλά δείχνει ότι είμαστε ικανοί τουλάχιστον εν μέρει να χτίσουμε τα εργαλεία που κάνουν τη διαδικασία της επιστήμης αυτόματη", είπε ο Schawinski.
Το γενετικό μοντέλο είναι σαφώς ισχυρό, αλλά αν αντιπροσωπεύει πραγματικά μια νέα προσέγγιση στην επιστήμη είναι ανοιχτό σε συζήτηση. Για τον David Hogg, έναν κοσμολόγο στο Πανεπιστήμιο της Νέας Υόρκης και το Ινστιτούτο Flatiron (το οποίο, όπως το Quanta , χρηματοδοτείται από το Ίδρυμα Simons), η τεχνική είναι εντυπωσιακή, αλλά τελικά είναι απλώς ένας πολύ περίπλοκος τρόπος εξαγωγής μοτίβων από δεδομένα — αυτό που κάνουν οι αστρονόμοι εδώ και αιώνες. Με άλλα λόγια, είναι μια προηγμένη μορφή παρατήρησης και ανάλυσης. Το έργο του Hogg, όπως και του Schawinski, βασίζεται σε μεγάλο βαθμό στην τεχνητή νοημοσύνη. Χρησιμοποιούσε νευρωνικά δίκτυα για να ταξινομήσει τα αστέρια σύμφωνα με τα φάσματα τους και να συμπεράνει άλλα φυσικά χαρακτηριστικά των άστρων χρησιμοποιώντας μοντέλα που βασίζονται σε δεδομένα. Αλλά βλέπει το έργο του, όπως και του Schawinski, ως δοκιμασμένη και αληθινή επιστήμη. «Δεν νομίζω ότι είναι τρίτος τρόπος», είπε πρόσφατα. «Απλώς πιστεύω ότι εμείς ως κοινότητα γινόμαστε πολύ πιο εξελιγμένοι σχετικά με τον τρόπο χρήσης των δεδομένων. Συγκεκριμένα, γινόμαστε πολύ καλύτεροι στη σύγκριση δεδομένων με δεδομένα. Αλλά κατά την άποψή μου, η δουλειά μου εξακολουθεί να είναι καθαρά σε κατάσταση παρατήρησης."
Εργατικοί Βοηθοί
Είτε είναι εννοιολογικά νέα είτε όχι, είναι σαφές ότι η τεχνητή νοημοσύνη και τα νευρωνικά δίκτυα έχουν φτάσει να διαδραματίζουν κρίσιμο ρόλο στη σύγχρονη έρευνα αστρονομίας και φυσικής. Στο Ινστιτούτο Θεωρητικών Σπουδών της Χαϊδελβέργης, ο φυσικός Κάι Πόλστερερ ηγείται της ομάδας αστροπληροφορικής - μια ομάδα ερευνητών που επικεντρώθηκαν σε νέες μεθόδους αστροφυσικής με επίκεντρο τα δεδομένα. Πρόσφατα, χρησιμοποίησαν έναν αλγόριθμο μηχανικής μάθησης για να εξάγουν πληροφορίες μετατόπισης προς το κόκκινο από σύνολα δεδομένων γαλαξιών, μια εργασία που στο παρελθόν ήταν επίπονη.
Η Polsterer βλέπει αυτά τα νέα συστήματα που βασίζονται στην τεχνητή νοημοσύνη ως «εργατικούς βοηθούς» που μπορούν να χτενίζουν τα δεδομένα για ώρες χωρίς να βαριούνται ή να παραπονιούνται για τις συνθήκες εργασίας. Αυτά τα συστήματα μπορούν να κάνουν όλη την κουραστική δουλειά, είπε, αφήνοντάς σας «να κάνετε την δροσερή, ενδιαφέρουσα επιστήμη μόνοι σας».
Αλλά δεν είναι τέλειοι. Ειδικότερα, ο Polsterer προειδοποιεί ότι οι αλγόριθμοι μπορούν να κάνουν μόνο αυτό που έχουν εκπαιδευτεί να κάνουν. Το σύστημα είναι «αγνωστικό» όσον αφορά την είσοδο. Δώστε του έναν γαλαξία και το λογισμικό μπορεί να υπολογίσει τη μετατόπισή του στο κόκκινο και την ηλικία του — αλλά τροφοδοτήστε το ίδιο σύστημα με μια selfie ή μια εικόνα ενός σάπιου ψαριού και θα δώσει μια (πολύ λάθος) ηλικία και για αυτό. Στο τέλος, η επίβλεψη από έναν ανθρώπινο επιστήμονα παραμένει ουσιαστική, είπε. «Επιστρέφει σε σένα, ο ερευνητής. Είστε αυτός που είναι υπεύθυνος για την διερμηνεία.»
Από την πλευρά του, ο Nord, στο Fermilab, προειδοποιεί ότι είναι ζωτικής σημασίας τα νευρωνικά δίκτυα να παρέχουν όχι μόνο αποτελέσματα, αλλά και ράβδους σφαλμάτων για να συμβαδίζουν με αυτά, όπως κάθε προπτυχιακός είναι εκπαιδευμένος να κάνει. Στην επιστήμη, αν κάνετε μια μέτρηση και δεν αναφέρετε μια εκτίμηση του σχετικού σφάλματος, κανείς δεν θα λάβει τα αποτελέσματα στα σοβαρά, είπε.
Όπως πολλοί ερευνητές τεχνητής νοημοσύνης, ο Nord ανησυχεί επίσης για την αδιαπερατότητα των αποτελεσμάτων που παράγονται από τα νευρωνικά δίκτυα. Συχνά, ένα σύστημα παρέχει μια απάντηση χωρίς να προσφέρει μια σαφή εικόνα του τρόπου με τον οποίο προέκυψε αυτό το αποτέλεσμα.
Ωστόσο, δεν πιστεύουν όλοι ότι η έλλειψη διαφάνειας είναι αναγκαστικά πρόβλημα. Η Lenka Zdeborová, ερευνήτρια στο Ινστιτούτο Θεωρητικής Φυσικής στο CEA Saclay στη Γαλλία, επισημαίνει ότι οι ανθρώπινες διαισθήσεις είναι συχνά εξίσου αδιαπέραστες. Κοιτάς μια φωτογραφία και αναγνωρίζεις αμέσως μια γάτα — «αλλά δεν ξέρεις πώς ξέρεις», είπε. "Ο δικός σας εγκέφαλος είναι κατά μία έννοια ένα μαύρο κουτί."
Δεν είναι μόνο οι αστροφυσικοί και οι κοσμολόγοι που μεταναστεύουν προς την επιστήμη που βασίζεται στην τεχνητή νοημοσύνη και βασίζεται σε δεδομένα. Κβαντικοί φυσικοί όπως ο Roger Melko του Perimeter Institute for Theoretical Physics και το Πανεπιστήμιο του Waterloo στο Οντάριο έχουν χρησιμοποιήσει νευρωνικά δίκτυα για να λύσουν μερικά από τα πιο δύσκολα και πιο σημαντικά προβλήματα σε αυτό το πεδίο, όπως το πώς να αναπαραστήσουν τη μαθηματική «συνάρτηση κύματος» που περιγράφει μια σύστημα πολλών σωματιδίων. Η τεχνητή νοημοσύνη είναι απαραίτητη λόγω αυτού που ο Melko αποκαλεί «η εκθετική κατάρα της διάστασης». Δηλαδή, οι δυνατότητες για τη μορφή μιας κυματικής συνάρτησης αυξάνονται εκθετικά με τον αριθμό των σωματιδίων στο σύστημα που περιγράφει. Η δυσκολία είναι παρόμοια με το να προσπαθείς να κάνεις την καλύτερη κίνηση σε ένα παιχνίδι όπως το σκάκι ή το Go:Προσπαθείς να κοιτάξεις μπροστά στην επόμενη κίνηση, φαντάζεσαι τι θα παίξει ο αντίπαλός σου και μετά επιλέγεις την καλύτερη απάντηση, αλλά με κάθε κίνηση, ο αριθμός των δυνατοτήτων πολλαπλασιάζεται.
Φυσικά, τα συστήματα AI έχουν κατακτήσει και τα δύο αυτά παιχνίδια - το σκάκι, πριν από δεκαετίες, και το Go το 2016, όταν ένα σύστημα τεχνητής νοημοσύνης που ονομάζεται AlphaGo νίκησε έναν κορυφαίο άνθρωπο παίκτη. Ταιριάζουν ομοίως σε προβλήματα της κβαντικής φυσικής, λέει ο Melko.
Το μυαλό της μηχανής
Είτε ο Schawinski έχει δίκιο όταν ισχυρίζεται ότι βρήκε έναν «τρίτο τρόπο» να κάνει επιστήμη ή αν, όπως λέει ο Hogg, είναι απλώς παραδοσιακή παρατήρηση και ανάλυση δεδομένων «σε στεροειδή», είναι ξεκάθαρο ότι η τεχνητή νοημοσύνη αλλάζει τη γεύση της επιστημονικής ανακάλυψης και είναι σίγουρα το επιταχύνει. Πόσο μακριά θα φτάσει η επανάσταση της τεχνητής νοημοσύνης στην επιστήμη;
Περιστασιακά, διατυπώνονται μεγάλοι ισχυρισμοί σχετικά με τα επιτεύγματα ενός «ρομπο-επιστήμονα». Πριν από μια δεκαετία, ένας χημικός ρομπότ τεχνητής νοημοσύνης ονόματι Adam ερεύνησε το γονιδίωμα της μαγιάς αρτοποιίας και ανακάλυψε ποια γονίδια είναι υπεύθυνα για την παραγωγή ορισμένων αμινοξέων. (Ο Adam το έκανε αυτό παρατηρώντας στελέχη ζύμης που είχαν ορισμένα γονίδια που λείπουν και συγκρίνοντας τα αποτελέσματα με τη συμπεριφορά των στελεχών που είχαν τα γονίδια.) Wired Ο τίτλος του ήταν:"Το ρομπότ κάνει επιστημονική ανακάλυψη μόνο του."
Πιο πρόσφατα, ο Lee Cronin, ένας χημικός στο Πανεπιστήμιο της Γλασκόβης, χρησιμοποιεί ένα ρομπότ για να αναμειγνύει τυχαία χημικές ουσίες, για να δει τι είδους νέες ενώσεις σχηματίζονται. Παρακολουθώντας τις αντιδράσεις σε πραγματικό χρόνο με ένα φασματόμετρο μάζας, μια μηχανή πυρηνικού μαγνητικού συντονισμού και ένα υπέρυθρο φασματόμετρο, το σύστημα τελικά έμαθε να προβλέπει ποιοι συνδυασμοί θα ήταν οι πιο αντιδραστικοί. Ακόμη και αν δεν οδηγήσει σε περαιτέρω ανακαλύψεις, είπε ο Cronin, το ρομποτικό σύστημα θα μπορούσε να επιτρέψει στους χημικούς να επιταχύνουν την έρευνά τους κατά περίπου 90 τοις εκατό.
Πέρυσι, μια άλλη ομάδα επιστημόνων στο ETH Zurich χρησιμοποίησε νευρωνικά δίκτυα για να συναγάγει φυσικούς νόμους από σύνολα δεδομένων. Το σύστημά τους, ένα είδος ρομπο-Κέπλερ, ανακάλυψε ξανά το ηλιοκεντρικό μοντέλο του ηλιακού συστήματος από τα αρχεία της θέσης του ήλιου και του Άρη στον ουρανό, όπως φαίνεται από τη Γη, και κατάλαβε τον νόμο της διατήρησης της ορμής παρατηρώντας συγκρουόμενες μπάλες . Δεδομένου ότι οι φυσικοί νόμοι μπορούν συχνά να εκφραστούν με περισσότερους από έναν τρόπους, οι ερευνητές αναρωτιούνται εάν το σύστημα μπορεί να προσφέρει νέους τρόπους —ίσως απλούστερους τρόπους— σκέψης για γνωστούς νόμους.
Όλα αυτά είναι παραδείγματα της τεχνητής νοημοσύνης που ξεκινά τη διαδικασία της επιστημονικής ανακάλυψης, αν και σε κάθε περίπτωση, μπορούμε να συζητήσουμε πόσο επαναστατική είναι η νέα προσέγγιση. Ίσως το πιο αμφιλεγόμενο είναι το ερώτημα πόσες πληροφορίες μπορούν να συλλεχθούν μόνο από δεδομένα - ένα πιεστικό ερώτημα στην εποχή των εκπληκτικά μεγάλων (και αυξανόμενων) σωρών τους. Στο The Book of Why (2018), η επιστήμονας υπολογιστών Judea Pearl και η επιστημονική συγγραφέας Dana Mackenzie ισχυρίζονται ότι τα δεδομένα είναι «βαθίως ανόητα». Ερωτήσεις σχετικά με την αιτιότητα «δεν μπορούν ποτέ να απαντηθούν μόνο από δεδομένα», γράφουν. «Κάθε φορά που βλέπετε ένα έγγραφο ή μια μελέτη που αναλύει τα δεδομένα με τρόπο χωρίς μοντέλα, μπορείτε να είστε σίγουροι ότι το αποτέλεσμα της μελέτης απλώς θα συνοψίσει και ίσως θα μεταμορφώσει, αλλά δεν θα ερμηνεύσει τα δεδομένα». Ο Schawinski συμπάσχει με τη θέση του Pearl, αλλά περιέγραψε την ιδέα της συνεργασίας με «μόνο τα δεδομένα» ως «λίγο άχυρο». Ποτέ δεν ισχυρίστηκε ότι συμπεραίνει την αιτία και το αποτέλεσμα με αυτόν τον τρόπο, είπε. "Απλώς λέω ότι μπορούμε να κάνουμε περισσότερα με δεδομένα από ό,τι κάνουμε συνήθως συμβατικά."
Ένα άλλο επιχείρημα που ακούγεται συχνά είναι ότι η επιστήμη απαιτεί δημιουργικότητα και ότι - τουλάχιστον μέχρι στιγμής - δεν έχουμε ιδέα πώς να το προγραμματίσουμε σε μια μηχανή. (Το να δοκιμάζεις τα πάντα, όπως ο ρομπο-χημικός του Cronin, δεν φαίνεται ιδιαίτερα δημιουργικό.) «Το να καταλήξεις σε μια θεωρία, με συλλογισμό, νομίζω ότι απαιτεί δημιουργικότητα», είπε ο Polsterer. «Κάθε φορά που χρειάζεστε δημιουργικότητα, θα χρειαστείτε έναν άνθρωπο». Και από πού πηγάζει η δημιουργικότητα; Ο Polsterer υποπτεύεται ότι σχετίζεται με την πλήξη - κάτι που, όπως λέει, μια μηχανή δεν μπορεί να βιώσει. «Για να είσαι δημιουργικός, πρέπει να αντιπαθείς να βαριέσαι. Και δεν νομίζω ότι ένας υπολογιστής θα βαρεθεί ποτέ». Από την άλλη πλευρά, λέξεις όπως "δημιουργικό" και "εμπνευσμένο" έχουν χρησιμοποιηθεί συχνά για να περιγράψουν προγράμματα όπως το Deep Blue και το AlphaGo. Και ο αγώνας να περιγράψουμε τι συμβαίνει μέσα στο «μυαλό» μιας μηχανής αντικατοπτρίζεται από τη δυσκολία που έχουμε να διερευνήσουμε τις δικές μας διαδικασίες σκέψης.
Ο Schawinski εγκατέλειψε πρόσφατα τον ακαδημαϊκό χώρο για τον ιδιωτικό τομέα. Τώρα διευθύνει μια startup που ονομάζεται Modulos, η οποία απασχολεί αρκετούς επιστήμονες ETH και, σύμφωνα με τον ιστότοπό της, εργάζεται «στο μάτι της καταιγίδας των εξελίξεων στην τεχνητή νοημοσύνη και τη μηχανική μάθηση». Όποια και αν είναι τα εμπόδια μεταξύ της τρέχουσας τεχνολογίας AI και των πλήρους τεχνητών μυαλών, ο ίδιος και άλλοι ειδικοί πιστεύουν ότι οι μηχανές είναι έτοιμες να κάνουν όλο και περισσότερο το έργο των ανθρώπων επιστημόνων. Το αν υπάρχει όριο μένει να φανεί.
«Θα είναι δυνατόν, στο άμεσο μέλλον, να κατασκευαστεί μια μηχανή που θα μπορεί να ανακαλύψει τη φυσική ή τα μαθηματικά που οι λαμπρότεροι άνθρωποι εν ζωή δεν είναι σε θέση να κάνουν μόνοι τους, χρησιμοποιώντας βιολογικό υλικό;» αναρωτιέται ο Σαβίνσκι. «Το μέλλον της επιστήμης τελικά θα οδηγηθεί αναγκαστικά από μηχανές που λειτουργούν σε ένα επίπεδο που δεν μπορούμε ποτέ να φτάσουμε; Δεν γνωρίζω. Είναι μια καλή ερώτηση."
Αυτό το άρθρο ανατυπώθηκε στις Wired.com .
