Hãy xem xét Đài thiên văn Vera Rubin, một kính viễn vọng khổng lồ được xây dựng trên đỉnh một ngọn núi ở Chile và được thiết kế để chụp ảnh bầu trời liên tục trong thập kỷ tới. Nó sẽ không chỉ xây dựng một bức tranh tĩnh: nó sẽ đặc biệt tìm kiếm các vật thể di chuyển (tiểu hành tinh và sao chổi) hoặc thay đổi độ sáng (các ngôi sao nhấp nháy, chuẩn tinh và siêu tân tinh), như một phần trong chiến dịch đang diễn ra của chúng tôi để hiểu vũ trụ luôn thay đổi. Máy học có thể được đào tạo để phát hiện những vật thể này, cho phép chúng được nghiên cứu bằng các kính thiên văn khác, chuyên dụng hơn. Các kỹ thuật tương tự thậm chí có thể giúp sàng lọc độ sáng thay đổi của một số lượng lớn các ngôi sao để tìm ra các dấu hiệu nhận biết về hành tinh chủ, góp phần tìm kiếm sự sống trong vũ trụ. Ngoài thiên văn học, không thiếu các ứng dụng khoa học: chẳng hạn, công ty con trí tuệ nhân tạo DeepMind của Google đã xây dựng một mạng có thể vượt trội hơn tất cả các kỹ thuật đã biết để dự đoán hình dạng của protein bắt đầu từ cấu trúc phân tử của chúng, một bước quan trọng và khó khăn để hiểu nhiều sinh học. các quy trình.

Những ví dụ này minh họa lý do tại sao sự hào hứng khoa học xung quanh máy học đã hình thành trong thế kỷ này và đã có những tuyên bố mạnh mẽ rằng chúng ta đang chứng kiến ​​một cuộc cách mạng khoa học. Từ năm 2008, Chris Anderson đã viết một bài báo cho tạp chí Wired tuyên bố phương pháp khoa học, trong đó con người đề xuất và thử nghiệm các giả thuyết cụ thể, đã lỗi thời: ‘Chúng ta có thể dừng lại tìm kiếm các mô hình. Chúng ta có thể phân tích dữ liệu mà không cần đưa ra giả thuyết về những gì nó có thể hiển thị. Chúng ta có thể đưa các con số vào các cụm máy tính lớn nhất mà thế giới từng thấy và để các thuật toán thống kê tìm ra các mẫu mà khoa học không thể làm được.’

Tôi nghĩ điều này đang đưa mọi thứ đi quá xa. Học máy có thể đơn giản hóa và cải thiện một số khía cạnh của phương pháp tiếp cận khoa học truyền thống, đặc biệt là khi cần xử lý thông tin phức tạp. Hoặc nó có thể hiểu văn bản và trả lời các câu hỏi thực tế, như được minh họa bởi các hệ thống như ChatGPT. Nhưng nó không thể thay thế hoàn toàn lý luận khoa học, bởi vì đó là việc tìm kiếm sự hiểu biết được cải thiện về vũ trụ xung quanh chúng ta. Tìm kiếm các mẫu mới trong dữ liệu hoặc trình bày lại các sự kiện hiện có chỉ là những khía cạnh hẹp của tìm kiếm đó. Còn một chặng đường dài trước khi máy móc có thể thực hiện khoa học có ý nghĩa mà không cần bất kỳ sự giám sát nào của con người.

Để hiểu tầm quan trọng của bối cảnh và sự hiểu biết trong khoa học, hãy xem xét trường hợp thí nghiệm OPERA năm 2011 dường như đã xác định được rằng neutrino di chuyển nhanh hơn tốc độ ánh sáng. Tuyên bố này gần giống như một sự báng bổ vật lý, bởi vì thuyết tương đối sẽ phải được viết lại; giới hạn tốc độ là không thể thiếu trong công thức của nó. Với sức nặng khổng lồ của bằng chứng thực nghiệm ủng hộ thuyết tương đối, việc đặt nghi ngờ về nền tảng của nó không phải là một bước có thể xem nhẹ.

Biết được điều này, các nhà vật lý lý thuyết đã xếp hàng để bác bỏ kết quả, nghi ngờ các neutrino phải thực sự đang di chuyển chậm hơn so với các phép đo được chỉ ra. Tuy nhiên, không có vấn đề gì với phép đo được tìm thấy – cho đến sáu tháng sau, OPERA thông báo rằng một dây cáp đã bị lỏng trong quá trình thử nghiệm của họ, giải thích cho sự khác biệt. Neutrino di chuyển không nhanh hơn ánh sáng; dữ liệu gợi ý ngược lại đã sai.

Dữ liệu đáng ngạc nhiên có thể dẫn đến những tiết lộ trong những trường hợp phù hợp. Hành tinh Neptune được phát hiện khi các nhà thiên văn học nhận thấy có gì đó không ổn với quỹ đạo của các hành tinh khác. Nhưng khi một tuyên bố không nhất quán với các lý thuyết hiện có, thì nhiều khả năng là có lỗi với dữ liệu; đây là cảm giác ruột thịt mà các nhà vật lý tin tưởng khi nhìn thấy kết quả OPERA. Thật khó để chính thức hóa một phản ứng như vậy thành một quy tắc đơn giản để lập trình thành trí tuệ máy tính, bởi vì nó nằm ở giữa thế giới ghi nhớ kiến ​​thức và tìm kiếm khuôn mẫu.

Các yếu tố con người của khoa học sẽ không được sao chép bằng máy móc trừ khi chúng có thể tích hợp quá trình xử lý dữ liệu linh hoạt của mình với kho kiến ​​thức rộng hơn. Có sự bùng nổ các cách tiếp cận khác nhau hướng tới mục tiêu này, một phần do nhu cầu thương mại về trí thông minh máy tính để giải thích các quyết định của họ. Ở châu Âu, nếu một cỗ máy đưa ra quyết định ảnh hưởng đến cá nhân bạn – có thể là từ chối đơn xin thế chấp của bạn, hoặc tăng phí bảo hiểm của bạn, hoặc kéo bạn sang một bên ở sân bay – thì bạn có quyền hợp pháp để yêu cầu giải thích. Lời giải thích đó nhất thiết phải vượt ra ngoài thế giới hạn hẹp của dữ liệu để kết nối với cảm nhận của con người về điều gì là hợp lý hoặc không hợp lý.

Có vấn đề, thường không thể tạo ra một tài khoản đầy đủ về cách thức máy móc. -hệ thống học tập đạt được một quyết định cụ thể. Họ sử dụng nhiều mẩu thông tin khác nhau, kết hợp chúng theo những cách phức tạp; mô tả thực sự chính xác duy nhất là viết ra mã máy tính và chỉ ra cách máy được đào tạo. Đó là chính xác nhưng không phải là rất giải thích. Ở một thái cực khác, người ta có thể chỉ ra một yếu tố rõ ràng đã chi phối quyết định của máy móc: có lẽ bạn là người hút thuốc suốt đời, và những người hút thuốc suốt đời khác đã chết trẻ, vì vậy bạn đã bị từ chối mua bảo hiểm nhân thọ. Đó là một lời giải thích hữu ích hơn, nhưng có thể không chính xác lắm: những người hút thuốc khác có lịch sử việc làm và hồ sơ y tế khác đã được chấp nhận, vậy sự khác biệt chính xác là gì? Việc giải thích các quyết định một cách hiệu quả đòi hỏi sự cân bằng giữa tính chính xác và tính dễ hiểu.

Trong trường hợp vật lý, việc sử dụng máy móc để tạo ra những lời giải thích chính xác, dễ hiểu, gắn liền với các định luật và khuôn khổ hiện có là một cách tiếp cận trong lĩnh vực này. thời thơ ấu. Nó bắt đầu với những yêu cầu giống như trí tuệ nhân tạo thương mại: máy không chỉ chỉ ra quyết định của nó (rằng nó đã tìm thấy một siêu tân tinh mới chẳng hạn) mà còn cung cấp một lượng thông tin nhỏ, dễ hiểu về lý do tại sao nó đưa ra quyết định đó. Bằng cách đó, bạn có thể bắt đầu hiểu những gì trong dữ liệu đã dẫn đến một kết luận cụ thể và xem liệu nó có phù hợp với ý tưởng và lý thuyết nhân quả hiện có của bạn hay không. Cách tiếp cận này đã bắt đầu đơm hoa kết trái, tạo ra những hiểu biết đơn giản nhưng hữu ích về cơ học lượng tử, lý thuyết dây và vũ trụ học (từ sự hợp tác của riêng tôi).

Tất cả những ứng dụng này vẫn do con người đóng khung và diễn giải. Thay vào đó, chúng ta có thể tưởng tượng việc máy tính tự đóng khung các giả thuyết khoa học của riêng mình, cân bằng dữ liệu mới với sức nặng của các lý thuyết hiện có và tiếp tục giải thích những khám phá của nó bằng cách viết một bài báo học thuật mà không cần bất kỳ sự trợ giúp nào của con người không? Đây không phải là tầm nhìn của Anderson về tương lai không có lý thuyết của khoa học, mà là một mục tiêu thú vị hơn, đột phá hơn và khó khăn hơn nhiều: để máy móc xây dựng và thử nghiệm các lý thuyết mới dựa trên hiểu biết hàng trăm năm của con người.

Tất cả các sản phẩm do Engadget đề xuất đều do nhóm biên tập của chúng tôi lựa chọn, độc lập với công ty mẹ của chúng tôi. Một số câu chuyện của chúng tôi bao gồm các liên kết liên kết. Nếu bạn mua thứ gì đó thông qua một trong những liên kết này, chúng tôi có thể kiếm được hoa hồng liên kết. Tất cả giá đều chính xác tại thời điểm xuất bản.