Au grand dam des organisateurs de fêtes estivales, la météo est un système notoirement chaotique. De petits changements dans les précipitations, Température, humidité, vitesse ou direction du vent, etc. peut se transformer en un tout nouvel ensemble de conditions en quelques jours. C'est pourquoi les prévisions météorologiques ne sont plus fiables plus de sept jours environ dans le futur et pourquoi les pique-niques nécessitent des plans de secours.

Mais que se passerait-il si nous pouvions comprendre suffisamment un système chaotique pour prédire comment il se comporterait dans le futur ?

En janvier de cette année, les scientifiques ont fait exactement cela. Ils ont utilisé l'apprentissage automatique pour prédire avec précision le résultat d'un système chaotique sur une durée beaucoup plus longue que ce que l'on pensait possible. Et la machine l'a fait juste en observant la dynamique du système, sans aucune connaissance des équations sous-jacentes.

Admiration, peur et excitation

Nous nous sommes récemment habitués aux démonstrations de capacités éblouissantes de l'intelligence artificielle (IA).

L'année dernière, un programme appelé AlphaZero a appris lui-même les règles des échecs à partir de zéro en une journée environ, et a ensuite battu les meilleurs programmes de jeu d'échecs du monde. Il a également appris lui-même le jeu de Go à partir de zéro et a surpassé le précédent champion de silicium, l'algorithme AlphaGo Zero, qui avait lui-même maîtrisé le jeu par essais et erreurs après s'être nourri des règles.

Beaucoup de ces algorithmes commencent par une ardoise vierge d'ignorance bienheureuse, et construisent rapidement leur "savoir" en observant un processus ou en jouant contre eux-mêmes, s'améliorant à chaque étape, des milliers de pas à chaque seconde. Leurs capacités ont diversement inspiré des sentiments de crainte, peur et excitation, et nous entendons souvent ces jours-ci les ravages qu'ils peuvent causer à l'humanité.

Mon souci ici est plus simple :je veux comprendre ce que l'IA signifie pour l'avenir de la "compréhension" en science.

Si vous le prédisez parfaitement, Est ce que tu comprends ça?

La plupart des scientifiques conviendraient probablement que la prédiction et la compréhension ne sont pas la même chose. La raison réside dans le mythe d'origine de la physique - et sans doute, celui de la science moderne dans son ensemble.

Depuis plus d'un millénaire, l'histoire continue, les gens ont utilisé des méthodes transmises par le mathématicien gréco-romain Ptolémée pour prédire comment les planètes se déplaçaient dans le ciel.

Ptolémée ne savait rien de la théorie de la gravité ni même que le soleil était au centre du système solaire. Ses méthodes impliquaient des calculs obscurs utilisant des cercles dans des cercles dans des cercles. Alors qu'ils prédisaient plutôt bien le mouvement planétaire, il n'y avait pas entente pourquoi ces méthodes ont fonctionné, et pourquoi les planètes devraient suivre des règles aussi compliquées.

Puis vint Copernic, Galilée, Kepler et Newton.

Newton a découvert les équations différentielles fondamentales qui régissent le mouvement de chaque planète. Les mêmes équations différentielles pourraient être utilisées pour décrire chaque planète du système solaire.

C'était clairement bon, car maintenant nous entendu pourquoi les planètes bougent.

La résolution d'équations différentielles s'est avérée être un moyen plus efficace de prédire le mouvement planétaire par rapport à l'algorithme de Ptolémée. Peut-être plus important encore, bien que, notre confiance dans cette méthode nous a permis de découvrir de nouvelles planètes invisibles basées sur un principe unificateur - la loi de la gravitation universelle - qui fonctionne sur les fusées et les pommes qui tombent, les lunes et les galaxies.

Ce modèle de base (trouver un ensemble d'équations décrivant un principe unificateur) a été utilisé avec succès à maintes reprises en physique. C'est ainsi que nous avons compris le modèle standard, l'aboutissement d'un demi-siècle de physique des particules, qui décrit avec précision la structure sous-jacente de chaque atome, noyau ou particule. C'est ainsi que nous essayons de comprendre la supraconductivité à haute température, matière noire et ordinateurs quantiques. (L'efficacité déraisonnable de cette méthode a suscité des questions sur les raisons pour lesquelles l'univers semble si délicieusement se prêter à une description mathématique.)

Dans toute la science, discutablement, la notion de compréhension de quelque chose renvoie toujours à ce modèle :si vous pouvez résumer un phénomène compliqué à un simple ensemble de principes, alors vous l'avez compris.

Exceptions tenaces

Cependant il y a des exceptions fâcheuses qui gâchent ce beau récit. La turbulence - l'une des raisons pour lesquelles la prévision météorologique est difficile - est un exemple notable de la physique. La grande majorité des problèmes de biologie, avec leurs structures complexes au sein des structures, refusent aussi obstinément de renoncer à de simples principes unificateurs.

S'il ne fait aucun doute que les atomes et la chimie, et donc des principes simples, sous-tendent ces systèmes, les décrire à l'aide d'équations universellement valides semble être un moyen plutôt inefficace de générer des prédictions utiles.

En attendant, il devient évident que ces problèmes céderont facilement aux méthodes d'apprentissage automatique.

Tout comme les anciens Grecs cherchaient des réponses auprès de l'Oracle mystique de Delphes, nous devrons peut-être bientôt chercher des réponses à bon nombre des questions les plus difficiles de la science en faisant appel aux oracles de l'IA.

De tels oracles d'IA guident déjà les voitures autonomes et les investissements boursiers, et prédira bientôt quels médicaments seront efficaces contre une bactérie - et à quoi ressemblera le temps dans deux semaines.

Ils rendront ces prédictions bien meilleures que nous n'aurions jamais pu l'avoir, et ils le feront sans recourir à nos modèles et équations mathématiques.

Il n'est pas inconcevable que, armé de données provenant de milliards de collisions au Grand collisionneur de hadrons, ils pourraient faire un meilleur travail pour prédire le résultat d'une expérience de physique des particules que même le modèle standard bien-aimé des physiciens !

Comme pour les paroles impénétrables des prêtresses de Delphes, nos oracles d'IA sont également peu susceptibles d'être en mesure d'expliquer Pourquoi ils prédisent ce qu'ils font. Leurs sorties seront basées sur de nombreuses microsecondes de ce que l'on pourrait appeler « l'expérience ». Ils ressemblent à cette caricature d'un agriculteur sans instruction qui peut parfaitement prédire de quel côté va tourner le temps, basé sur l'expérience et une intuition.

La science sans comprendre ?

Les implications de l'intelligence artificielle, pour le processus de faire de la science et pour la philosophie des sciences, pourrait être immense.

Par exemple, face à des prédictions de plus en plus irréprochables, bien qu'obtenu par des méthodes qu'aucun humain ne peut comprendre, peut-on continuer à nier que les machines aient une meilleure connaissance ?

Si la prédiction est en fait le but premier de la science, comment devrions-nous modifier le méthode scientifique , l'algorithme qui depuis des siècles nous a permis d'identifier les erreurs et de les corriger ?

Si nous renonçons à comprendre, est-il utile de poursuivre la connaissance scientifique telle que nous la connaissons ?

Je n'ai pas les réponses. Mais à moins que nous puissions expliquer pourquoi la science est plus que la capacité de faire de bonnes prédictions, les scientifiques pourraient également bientôt découvrir qu'une "IA formée pourrait faire leur travail".

Cet article a été initialement publié sur The Conversation. Lire l'article original.