Para disgusto de los planificadores de fiestas de verano, el clima es un sistema notoriamente caótico. Pequeños cambios en la precipitación, temperatura, humedad, velocidad o dirección del viento, etc., pueden aumentar a un conjunto de condiciones completamente nuevo en unos pocos días. Es por eso que los pronósticos meteorológicos se vuelven poco fiables más de siete días en el futuro, y por qué los picnics necesitan planes de respaldo.

Pero, ¿y si pudiéramos comprender un sistema caótico lo suficientemente bien como para predecir cómo se comportaría en el futuro?

En enero de este año, los científicos hicieron precisamente eso. Utilizaron el aprendizaje automático para predecir con precisión el resultado de un sistema caótico durante mucho más tiempo de lo que se creía posible. Y la máquina lo hizo simplemente observando la dinámica del sistema, sin ningún conocimiento de las ecuaciones subyacentes.

Temor, miedo y emoción

Recientemente nos hemos acostumbrado a las deslumbrantes demostraciones de habilidad de la inteligencia artificial (IA).

El año pasado, un programa llamado AlphaZero se enseñó a sí mismo las reglas del ajedrez desde cero en aproximadamente un día, y luego pasó a vencer a los mejores programas de ajedrez del mundo. También se enseñó a sí mismo el juego de Go desde cero y superó al anterior campeón de silicio, el algoritmo AlphaGo Zero, que había dominado el juego por prueba y error después de haber sido alimentada con las reglas.

Muchos de estos algoritmos comienzan con una pizarra en blanco de feliz ignorancia, y construir rápidamente su "conocimiento" observando un proceso o jugando contra ellos mismos, mejorando a cada paso, miles de pasos por segundo. Sus habilidades han inspirado diversos sentimientos de asombro, miedo y emoción, ya menudo escuchamos en estos días acerca de los estragos que pueden causar en la humanidad.

Mi preocupación aquí es más simple:quiero entender qué significa la IA para el futuro de la "comprensión" en la ciencia.

Si lo predice perfectamente, ¿Tú lo entiendes?

La mayoría de los científicos probablemente estarían de acuerdo en que la predicción y la comprensión no son lo mismo. La razón radica en el mito del origen de la física, y posiblemente, el de la ciencia moderna en su conjunto.

Durante más de un milenio, la historia va, la gente usaba métodos transmitidos por el matemático grecorromano Ptolomeo para predecir cómo se movían los planetas por el cielo.

Ptolomeo no sabía nada sobre la teoría de la gravedad o incluso que el sol estaba en el centro del sistema solar. Sus métodos involucraban cálculos arcanos usando círculos dentro de círculos dentro de círculos. Si bien predijeron bastante bien el movimiento planetario, no hubo comprensión de por qué funcionaron estos métodos, y por qué los planetas deberían seguir reglas tan complicadas.

Luego vino Copérnico, Galileo, Kepler y Newton.

Newton descubrió las ecuaciones diferenciales fundamentales que gobiernan el movimiento de cada planeta. Las mismas ecuaciones diferenciales podrían usarse para describir todos los planetas del sistema solar.

Esto fue claramente bueno, porque ahora nosotros comprendido por qué se mueven los planetas.

Resolver ecuaciones diferenciales resultó ser una forma más eficiente de predecir el movimiento planetario en comparación con el algoritmo de Ptolomeo. Quizás lo más importante, aunque, nuestra confianza en este método nos permitió descubrir nuevos planetas invisibles basados ​​en un principio unificador, la Ley de la Gravitación Universal, que funciona en los cohetes y las manzanas que caen, las lunas y las galaxias.

Esta plantilla básica —encontrar un conjunto de ecuaciones que describan un principio unificador— se ha utilizado con éxito en física una y otra vez. Así es como descubrimos el modelo estándar, la culminación de medio siglo de física de partículas, que describe con precisión la estructura subyacente de cada átomo, núcleo o partícula. Así es como intentamos comprender la superconductividad de alta temperatura, materia oscura y computadoras cuánticas. (La efectividad irrazonable de este método ha inspirado preguntas sobre por qué el universo parece ser tan deliciosamente susceptible de una descripción matemática).

En toda la ciencia posiblemente, la noción de comprender algo siempre se remite a esta plantilla:si puedes resumir un fenómeno complicado en un simple conjunto de principios, entonces lo has entendido.

Excepciones obstinadas

Sin embargo, existen molestas excepciones que estropean esta hermosa narrativa. La turbulencia, una de las razones por las que la predicción meteorológica es difícil, es un ejemplo notable de la física. La gran mayoría de los problemas de la biología, con sus intrincadas estructuras dentro de las estructuras, también se niegan obstinadamente a renunciar a simples principios unificadores.

Si bien no hay duda de que los átomos y la química, y por tanto principios sencillos, subyacen a estos sistemas, describirlos utilizando ecuaciones universalmente válidas parece ser una forma bastante ineficiente de generar predicciones útiles.

Mientras tanto, se está volviendo evidente que estos problemas cederán fácilmente a los métodos de aprendizaje automático.

Así como los antiguos griegos buscaron respuestas en el místico Oráculo de Delfos, Es posible que pronto tengamos que buscar respuestas a muchas de las preguntas más difíciles de la ciencia apelando a los oráculos de la IA.

Tales oráculos de IA ya están guiando los automóviles autónomos y las inversiones en el mercado de valores, y pronto predecirá qué medicamentos serán efectivos contra una bacteria y cómo será el clima dentro de dos semanas.

Harán estas predicciones mucho mejores de lo que podríamos haberlo hecho, y lo harán sin recurrir a nuestros modelos matemáticos y ecuaciones.

No es inconcebible que, armado con datos de miles de millones de colisiones en el Gran Colisionador de Hadrones, ¡podrían hacer un mejor trabajo al predecir el resultado de un experimento de física de partículas que incluso el amado Modelo Estándar de los físicos!

Como ocurre con las inescrutables palabras de las sacerdotisas de Delfos, Es poco probable que nuestros oráculos de IA sean capaces de explicar por qué predicen lo que hacen. Sus resultados se basarán en muchos microsegundos de lo que podría llamarse "experiencia". Se parecen a esa caricatura de un granjero sin educación que puede predecir perfectamente en qué dirección cambiará el clima, basado en la experiencia y un presentimiento.

¿Ciencia sin comprensión?

Las implicaciones de la inteligencia artificial, para el proceso de hacer ciencia y para la filosofía de la ciencia, podría ser inmenso.

Por ejemplo, ante predicciones cada vez más perfectas, aunque obtenido por métodos que ningún humano puede entender, ¿Podemos seguir negando que las máquinas tengan un mejor conocimiento?

Si la predicción es de hecho el objetivo principal de la ciencia, ¿Cómo deberíamos modificar el método científico , el algoritmo que durante siglos nos ha permitido identificar errores y corregirlos?

Si renunciamos a la comprensión, ¿Tiene sentido perseguir el conocimiento científico tal como lo conocemos?

No tengo las respuestas. Pero a menos que podamos articular por qué la ciencia es más que la capacidad de hacer buenas predicciones, Los científicos también podrían descubrir pronto que una "IA entrenada podría hacer su trabajo".

Este artículo se publicó originalmente en The Conversation. Lea el artículo original.