Hitting the Books: Γιατί η τεχνητή νοημοσύνη δεν θα πάρει τις δουλειές μας στην κοσμολογία

Το πρόβλημα με τη μελέτη του σύμπαντος γύρω μας είναι ότι είναι απλά πολύ μεγάλο. Τα άστρα από πάνω παραμένουν πολύ μακριά για να αλληλεπιδράσουν άμεσα, επομένως υποβιβαζόμαστε στη δοκιμή των θεωριών μας για το σχηματισμό των γαλαξιών με βάση παρατηρήσιμα δεδομένα.

Η προσομοίωση αυτών των ουράνιων σωμάτων σε υπολογιστές έχει αποδειχθεί μια εξαιρετικά χρήσιμη βοήθεια στο να τυλίξουμε τα κεφάλια μας γύρω από τη φύση της πραγματικότητας και, όπως εξηγεί ο Andrew Pontzen στο νέο του βιβλίο,


The Universe in a Box: Simulations and the Quest to Code the Cosmos


, οι πρόσφατες εξελίξεις στην τεχνολογία των υπερυπολογιστών φέρνουν περαιτέρω επανάσταση στην ικανότητά μας να μοντελοποιούμε την πολυπλοκότητα του σύμπαντος (για να μην αναφέρουμε τις μυριάδες προκλήσεις που βασίζονται στη Γη) σε μικρότερη κλίμακα. Στο παρακάτω απόσπασμα, ο Pontzen εξετάζει την πρόσφατη εμφάνιση συστημάτων τεχνητής νοημοσύνης με επίκεντρο την αστρονομία, τι είναι ικανά να επιτύχουν στον τομέα αυτό και γιατί δεν ανησυχεί πολύ μήπως χάσει τη δουλειά του από κάποιον.

Προσαρμοσμένο από

ΤΟ ΣΥΜΠΑΝ ΣΕ ΕΝΑ ΚΟΥΤΙ: Προσομοιώσεις και αναζήτηση κωδικοποίησης του Κόσμου

από τον Andrew Pontzen που δημοσιεύτηκε στις 13 Ιουνίου 2023 από την Riverhead, αποτύπωμα του Penguin Publishing Group, τμήμα της Penguin Random House LLC. Πνευματικά δικαιώματα © 2023 Andrew Pontzen.

Ως κοσμολόγος, ξοδεύω μεγάλο μέρος του χρόνου μου δουλεύοντας με υπερυπολογιστές, δημιουργώντας προσομοιώσεις του σύμπαντος για σύγκριση με δεδομένα από πραγματικά τηλεσκόπια. Ο στόχος είναι να κατανοήσουμε την επίδραση μυστηριωδών ουσιών όπως η σκοτεινή ύλη, αλλά κανένας άνθρωπος δεν μπορεί να αφομοιώσει όλα τα δεδομένα που υπάρχουν στο σύμπαν, ούτε όλα τα αποτελέσματα από προσομοιώσεις. Για το λόγο αυτό, η τεχνητή νοημοσύνη και η μηχανική μάθηση αποτελούν βασικό μέρος της δουλειάς των κοσμολόγων.

Σκεφτείτε το Παρατηρητήριο Vera Rubin, ένα γιγαντιαίο τηλεσκόπιο που κατασκευάστηκε στην κορυφή ενός βουνού της Χιλής και σχεδιάστηκε για να φωτογραφίζει επανειλημμένα τον ουρανό την επόμενη δεκαετία. Δεν θα δημιουργήσει απλώς μια στατική εικόνα: θα αναζητήσει συγκεκριμένα αντικείμενα που κινούνται (αστεροειδείς και κομήτες) ή αλλάζουν φωτεινότητα (αστέρια που τρεμοπαίζουν, κβάζαρ και σουπερνόβα), ως μέρος της συνεχιζόμενης εκστρατείας μας για την κατανόηση του διαρκώς μεταβαλλόμενου σύμπαντος. Η μηχανική μάθηση μπορεί να εκπαιδευτεί για να εντοπίζει αυτά τα αντικείμενα, επιτρέποντάς τους να μελετηθούν με άλλα, πιο εξειδικευμένα τηλεσκόπια. Παρόμοιες τεχνικές μπορούν ακόμη και να βοηθήσουν στην αναζήτηση της μεταβαλλόμενης φωτεινότητας τεράστιου αριθμού αστεριών για να βρεθούν ενδεικτικά σημάδια για τους πλανήτες που φιλοξενούν, συμβάλλοντας στην αναζήτηση ζωής στο σύμπαν. Πέρα από την αστρονομία, δεν λείπουν επιστημονικές εφαρμογές: η θυγατρική DeepMind της

Google

για την τεχνητή νοημοσύνη, για παράδειγμα, έχει δημιουργήσει ένα δίκτυο που μπορεί να ξεπεράσει όλες τις γνωστές τεχνικές για την πρόβλεψη των σχημάτων των πρωτεϊνών ξεκινώντας από τη μοριακή τους δομή, ένα κρίσιμο και δύσκολο βήμα για την κατανόηση πολλών βιολογικών διαδικασίες.

Αυτά τα παραδείγματα δείχνουν γιατί ο επιστημονικός ενθουσιασμός γύρω από τη μηχανική μάθηση έχει δημιουργηθεί κατά τη διάρκεια αυτού του αιώνα, και υπήρξαν ισχυροί ισχυρισμοί ότι γινόμαστε μάρτυρες μιας επιστημονικής επανάστασης. Ήδη από το 2008, ο Chris Anderson έγραψε ένα άρθρο για

Ενσύρματο

περιοδικό που κήρυξε την επιστημονική μέθοδο, στην οποία οι άνθρωποι προτείνουν και δοκιμάζουν συγκεκριμένες υποθέσεις, ξεπερασμένη: «Μπορούμε να σταματήσουμε να ψάχνουμε για μοντέλα. Μπορούμε να αναλύσουμε τα δεδομένα χωρίς υποθέσεις για το τι μπορεί να δείχνουν. Μπορούμε να ρίξουμε τους αριθμούς στα μεγαλύτερα συμπλέγματα υπολογιστών που έχει δει ποτέ ο κόσμος και να αφήσουμε τους στατιστικούς αλγόριθμους να βρουν μοτίβα όπου η επιστήμη δεν μπορεί».

Νομίζω ότι αυτό οδηγεί τα πράγματα πολύ μακριά. Η μηχανική μάθηση μπορεί να απλοποιήσει και να βελτιώσει ορισμένες πτυχές των παραδοσιακών επιστημονικών προσεγγίσεων, ειδικά όπου απαιτείται επεξεργασία σύνθετων πληροφοριών. Ή μπορεί να αφομοιώσει κείμενο και να απαντήσει σε πραγματικές ερωτήσεις, όπως φαίνεται από συστήματα όπως το

ChatGPT

. Αλλά δεν μπορεί να υποκαταστήσει εντελώς την επιστημονική λογική, γιατί πρόκειται για την αναζήτηση μιας βελτιωμένης κατανόησης του σύμπαντος γύρω μας. Η εύρεση νέων προτύπων σε δεδομένα ή η επαναδιατύπωση υπαρχόντων γεγονότων είναι μόνο στενές πτυχές αυτής της αναζήτησης. Υπάρχει πολύς δρόμος να διανυθεί μέχρι να μπορέσουν οι μηχανές να κάνουν ουσιαστική επιστήμη χωρίς καμία ανθρώπινη επίβλεψη.

Για να κατανοήσετε τη σημασία του πλαισίου και της κατανόησης στην επιστήμη, εξετάστε την περίπτωση του πειράματος OPERA που το 2011 φαινομενικά καθόρισε ότι τα νετρίνα ταξιδεύουν ταχύτερα από την ταχύτητα του φωτός. Ο ισχυρισμός πλησιάζει σε βλασφημία της φυσικής, γιατί η σχετικότητα θα έπρεπε να ξαναγραφτεί. το όριο ταχύτητας είναι αναπόσπαστο στη διατύπωσή του. Δεδομένου του τεράστιου βάρους των πειραματικών στοιχείων που υποστηρίζουν τη σχετικότητα, η αμφισβήτηση των θεμελίων της δεν είναι ένα βήμα που πρέπει να ληφθεί σοβαρά υπόψη.

Γνωρίζοντας αυτό, οι θεωρητικοί φυσικοί έκαναν ουρά για να απορρίψουν το αποτέλεσμα, υποπτευόμενοι ότι τα νετρίνα πρέπει στην πραγματικότητα να ταξιδεύουν πιο αργά από τις υποδεικνυόμενες μετρήσεις. Ωστόσο, δεν βρέθηκε κανένα πρόβλημα με τη μέτρηση – έως ότου, έξι μήνες αργότερα, η OPERA ανακοίνωσε ότι ένα καλώδιο είχε χαλαρώσει κατά τη διάρκεια του πειράματός τους, γεγονός που ευθύνεται για την απόκλιση. Τα νετρίνα δεν ταξίδεψαν γρηγορότερα από το φως. τα δεδομένα που υποδηλώνουν το αντίθετο ήταν λάθος.

Τα εκπληκτικά δεδομένα μπορούν να οδηγήσουν σε αποκαλύψεις υπό τις κατάλληλες συνθήκες. Ο πλανήτης Ποσειδώνας ανακαλύφθηκε όταν οι αστρονόμοι παρατήρησαν κάτι στραβά με τις τροχιές των άλλων πλανητών. Αλλά όταν ένας ισχυρισμός είναι ασυμβίβαστος με τις υπάρχουσες θεωρίες, είναι πολύ πιο πιθανό να υπάρχει σφάλμα στα δεδομένα. Αυτή ήταν η εντερική αίσθηση που εμπιστεύτηκαν οι φυσικοί όταν είδαν τα αποτελέσματα της OPERA. Είναι δύσκολο να επισημοποιηθεί μια τέτοια αντίδραση σε έναν απλό κανόνα προγραμματισμού σε μια ευφυΐα υπολογιστή, επειδή βρίσκεται στη μέση μεταξύ των κόσμων της ανάκλησης γνώσης και της αναζήτησης προτύπων.

Τα ανθρώπινα στοιχεία της επιστήμης δεν θα αντιγραφούν από μηχανές, εκτός εάν μπορούν να ενσωματώσουν την ευέλικτη επεξεργασία δεδομένων τους με ένα ευρύτερο σύνολο γνώσεων. Υπάρχει μια έκρηξη διαφορετικών προσεγγίσεων προς αυτόν τον στόχο, που οφείλεται εν μέρει στην εμπορική ανάγκη για ευφυΐες υπολογιστών να εξηγούν τις αποφάσεις τους. Στην Ευρώπη, εάν ένα μηχάνημα λάβει μια απόφαση που σας επηρεάζει προσωπικά – απορρίπτοντας την αίτησή σας για υποθήκη, ίσως, ή αυξάνοντας τα ασφάλιστρά σας ή σας παραμερίζοντας σε ένα αεροδρόμιο – έχετε το νόμιμο δικαίωμα να ζητήσετε εξηγήσεις. Αυτή η εξήγηση πρέπει απαραίτητα να φτάσει έξω από τον στενό κόσμο των δεδομένων προκειμένου να συνδεθεί με την ανθρώπινη αίσθηση του τι είναι λογικό ή παράλογο.

Προβληματικά, συχνά δεν είναι δυνατό να δημιουργηθεί ένας πλήρης απολογισμός του τρόπου με τον οποίο τα συστήματα μηχανικής μάθησης φτάνουν σε μια συγκεκριμένη απόφαση. Χρησιμοποιούν πολλές διαφορετικές πληροφορίες, συνδυάζοντάς τις με πολύπλοκους τρόπους. η μόνη πραγματικά ακριβής περιγραφή είναι να γράψετε τον κώδικα του υπολογιστή και να δείξετε τον τρόπο με τον οποίο εκπαιδεύτηκε το μηχάνημα. Αυτό είναι ακριβές αλλά όχι πολύ επεξηγηματικό. Στο άλλο άκρο, θα μπορούσε κανείς να επισημάνει έναν προφανή παράγοντα που κυριάρχησε στην απόφαση μιας μηχανής: είστε ισόβιος καπνιστής, ίσως, και άλλοι ισόβιοι καπνιστές πέθαναν νέοι, επομένως σας απορρίφθηκαν για ασφάλιση ζωής. Αυτή είναι μια πιο χρήσιμη εξήγηση, αλλά μπορεί να μην είναι πολύ ακριβής: άλλοι καπνιστές με διαφορετικό ιστορικό απασχόλησης και ιατρικό ιστορικό έχουν γίνει δεκτοί, οπότε ποια ακριβώς είναι η διαφορά; Η επεξήγηση των αποφάσεων με γόνιμο τρόπο απαιτεί μια ισορροπία μεταξύ ακρίβειας και κατανοητότητας.

Στην περίπτωση της φυσικής, η χρήση μηχανών για τη δημιουργία εύπεπτων, ακριβών εξηγήσεων που είναι αγκυρωμένες σε υπάρχοντες νόμους και πλαίσια είναι μια προσέγγιση στην αρχή της. Ξεκινά με τις ίδιες απαιτήσεις όπως η εμπορική τεχνητή νοημοσύνη: το μηχάνημα δεν πρέπει απλώς να υποδεικνύει την απόφασή του (ότι βρήκε μια νέα σουπερνόβα, ας πούμε) αλλά και να δώσει μια μικρή, εύπεπτη ποσότητα πληροφοριών σχετικά με το γιατί πήρε αυτή την απόφαση. Με αυτόν τον τρόπο, μπορείτε να αρχίσετε να καταλαβαίνετε τι είναι στα δεδομένα που οδήγησαν σε ένα συγκεκριμένο συμπέρασμα και να δείτε εάν συμφωνεί με τις υπάρχουσες ιδέες σας και τις θεωρίες αιτίας και αποτελέσματος. Αυτή η προσέγγιση έχει αρχίσει να αποδίδει καρπούς, παράγοντας απλές αλλά χρήσιμες γνώσεις για την κβαντική μηχανική, τη θεωρία χορδών και (από τις δικές μου συνεργασίες) την κοσμολογία.

Αυτές οι εφαρμογές εξακολουθούν να είναι όλες πλαισιωμένες και ερμηνευμένες από τον άνθρωπο. Θα μπορούσαμε να φανταστούμε τον υπολογιστή να πλαισιώνει τις δικές του επιστημονικές υποθέσεις, να εξισορροπεί νέα δεδομένα με το βάρος των υπαρχουσών θεωριών και να συνεχίζει να εξηγεί τις ανακαλύψεις του γράφοντας μια επιστημονική εργασία χωρίς ανθρώπινη βοήθεια; Αυτό δεν είναι το όραμα του Άντερσον για το μέλλον της επιστήμης χωρίς θεωρίες, αλλά ένας πιο συναρπαστικός, πιο ανατρεπτικός και πολύ πιο δύσκολος στόχος: οι μηχανές να κατασκευάζουν και να δοκιμάζουν νέες θεωρίες πάνω από εκατοντάδες χρόνια ανθρώπινης διορατικότητας.

Όλα τα προϊόντα που προτείνει η Engadget επιλέγονται από τη συντακτική μας ομάδα, ανεξάρτητα από τη μητρική μας εταιρεία. Ορισμένες από τις ιστορίες μας περιλαμβάνουν συνδέσμους συνεργατών. Εάν αγοράσετε κάτι μέσω ενός από αυτούς τους συνδέσμους, ενδέχεται να κερδίσουμε μια προμήθεια θυγατρικών. Όλες οι τιμές είναι σωστές τη στιγμή της δημοσίευσης.