• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  • O aprendizado de máquina pode significar o fim da compreensão na ciência?

    Crédito:Shutterstock

    Para grande desgosto dos planejadores de festas de verão, o clima é um sistema notoriamente caótico. Pequenas mudanças na precipitação, temperatura, umidade, velocidade ou direção do vento, etc. podem inflar em um conjunto inteiramente novo de condições dentro de alguns dias. É por isso que as previsões do tempo não são confiáveis ​​daqui a cerca de sete dias - e porque os piqueniques precisam de planos alternativos.

    Mas e se pudéssemos entender um sistema caótico bem o suficiente para prever como ele se comportaria no futuro?

    Em janeiro deste ano, cientistas fizeram exatamente isso. Eles usaram o aprendizado de máquina para prever com precisão o resultado de um sistema caótico por um período muito mais longo do que se pensava possível. E a máquina fez isso apenas observando a dinâmica do sistema, sem qualquer conhecimento das equações subjacentes.

    Temor, medo e excitação

    Recentemente, nos acostumamos às impressionantes exibições de habilidade da inteligência artificial (IA).

    Ano passado, um programa chamado AlphaZero ensinou sozinho as regras do xadrez do zero em cerca de um dia, e então passou a vencer os melhores programas de xadrez do mundo. Ele também aprendeu sozinho o jogo de Go do zero e superou o campeão de silício anterior, o algoritmo AlphaGo Zero, que dominou o jogo por tentativa e erro depois de ter sido alimentada com as regras.

    Muitos desses algoritmos começam com uma tela em branco da ignorância feliz, e rapidamente constroem seu "conhecimento" observando um processo ou jogando contra si mesmos, melhorando a cada etapa, milhares de passos por segundo. Suas habilidades inspiraram sentimentos de admiração, medo e excitação, e freqüentemente ouvimos hoje em dia sobre os estragos que eles podem causar na humanidade.

    Minha preocupação aqui é mais simples:quero entender o que a IA significa para o futuro da "compreensão" na ciência.

    Se você predizer perfeitamente, você entende isso?

    A maioria dos cientistas provavelmente concordaria que previsão e compreensão não são a mesma coisa. A razão está no mito de origem da física - e indiscutivelmente, o da ciência moderna como um todo.

    Por mais de um milênio, a história continua, as pessoas usaram métodos transmitidos pelo matemático greco-romano Ptolomeu para prever como os planetas se moviam no céu.

    Ptolomeu não sabia nada sobre a teoria da gravidade ou mesmo que o sol estava no centro do sistema solar. Seus métodos envolviam cálculos misteriosos usando círculos dentro de círculos dentro de círculos. Embora eles tenham previsto o movimento planetário muito bem, não havia entendimento de por que esses métodos funcionaram, e por que os planetas devem seguir regras tão complicadas.

    Então veio Copérnico, Galileo, Kepler e Newton.

    Newton descobriu as equações diferenciais fundamentais que governam o movimento de cada planeta. As mesmas equações diferenciais podem ser usadas para descrever todos os planetas do sistema solar.

    Isso foi claramente bom, porque agora nós Entendido por que os planetas se movem.

    Resolver equações diferenciais acabou sendo uma maneira mais eficiente de prever o movimento planetário em comparação com o algoritmo de Ptolomeu. Talvez mais importante, no entanto, nossa confiança nesse método nos permitiu descobrir novos planetas invisíveis com base em um princípio unificador - a Lei da Gravitação Universal - que funciona em foguetes e maçãs, luas e galáxias em queda.

    Este modelo básico - encontrar um conjunto de equações que descrevem um princípio unificador - tem sido usado com sucesso na física repetidas vezes. É assim que descobrimos o modelo padrão, a culminação de meio século de física de partículas, que descreve com precisão a estrutura subjacente de cada átomo, núcleo ou partícula. É como estamos tentando entender a supercondutividade de alta temperatura, matéria escura e computadores quânticos. (A eficácia irracional deste método inspirou perguntas sobre por que o universo parece ser tão deliciosamente acessível a uma descrição matemática.)

    Em toda a ciência, discutivelmente, a noção de compreender algo sempre se refere a este modelo:se você pode resumir um fenômeno complicado a um simples conjunto de princípios, então você o entendeu.

    Exceções teimosas

    No entanto, existem exceções irritantes que estragam esta bela narrativa. Turbulência - uma das razões pelas quais a previsão do tempo é difícil - é um exemplo notável da física. A grande maioria dos problemas de biologia, com suas estruturas intrincadas dentro de estruturas, também teimosamente se recusam a desistir de princípios unificadores simples.

    Embora não haja dúvidas de que os átomos e a química, e, portanto, princípios simples, fundamentam esses sistemas, descrevê-los usando equações universalmente válidas parece ser uma forma bastante ineficiente de gerar previsões úteis.

    Enquanto isso, está se tornando evidente que esses problemas cederão facilmente aos métodos de aprendizado de máquina.

    Assim como os gregos antigos buscaram respostas do oráculo místico de Delfos, em breve teremos que buscar respostas para muitas das perguntas mais difíceis da ciência apelando para oráculos de IA.

    Esses oráculos de IA já estão orientando carros autônomos e investimentos no mercado de ações, e em breve irá prever quais drogas serão eficazes contra uma bactéria - e como ficará o clima daqui a duas semanas.

    Eles farão essas previsões muito melhores do que jamais poderíamos ter feito, e farão isso sem recorrer aos nossos modelos e equações matemáticas.

    Não é inconcebível que, armado com dados de bilhões de colisões no Grande Colisor de Hádrons, eles podem fazer um trabalho melhor em prever o resultado de um experimento de física de partículas do que até mesmo o amado Modelo Padrão dos físicos!

    Tal como acontece com as declarações inescrutáveis ​​das sacerdotisas de Delfos, nossos oráculos de IA também não são capazes de explicar porque eles predizem o que fazem. Suas saídas serão baseadas em muitos microssegundos do que pode ser chamado de "experiência". Eles se parecem com a caricatura de um fazendeiro inculto que pode prever perfeitamente para que lado o tempo vai virar, com base na experiência e em um pressentimento.

    Ciência sem compreensão?

    As implicações da inteligência da máquina, para o processo de fazer ciência e para a filosofia da ciência, pode ser imenso.

    Por exemplo, em face de previsões cada vez mais perfeitas, embora obtido por métodos que nenhum ser humano pode entender, podemos continuar a negar que as máquinas têm um conhecimento melhor?

    Se a previsão é de fato o objetivo principal da ciência, como devemos modificar o método científico , o algoritmo que durante séculos nos permitiu identificar erros e corrigi-los?

    Se desistirmos de entender, vale a pena buscar o conhecimento científico como o conhecemos?

    Eu não tenho as respostas. Mas, a menos que possamos articular por que a ciência envolve mais do que a capacidade de fazer boas previsões, os cientistas também podem descobrir em breve que uma "IA treinada poderia fazer seu trabalho".

    Este artigo foi publicado originalmente em The Conversation. Leia o artigo original.




    © Ciência https://pt.scienceaq.com