Sciencemag.cz
Doporučujeme
Hong Qin z Princetonu vytvořil pomocí strojového učení na základě historických dat algoritmus, který dokázal vypočítat polohu libovolného tělesa Sluneční soustavy v daném okamžiku. Na tom není samo o sobě nic divného. Zajímavé má být, že příslušná umělá inteligence přitom vůbec neodvodila a nepoužívala Newtonovy gravitační zákony ani žádnou jejich obdobu (např. relativistickou). Fyzik Joshua Burby z Los Alamos National Laboratory uvádí, že Qinův program vlastně úplně vypouští fyzikální teorii ve smyslu formulace nějakého obecného pravidla, jde „od dat přímo k datům“. Kromě toho má být pozoruhodné i to, jak málo vstupních dat program ke schopnosti úspěšných předpovědí potřebuje.
Těžko říct, do jaké míry to tak platí (algoritmus vyvinutý pomocí strojového učení má v sobě nějaké vnitřní reprezentace, které možná odpovídají oněm fyzikálním zákonům, třeba i Newtonovým vzorečkům, akorát my je v té struktuře nevidíme?), ještě zajímavější ale je, co z toho Qin a Burby vyvozují dále. Zaprvé připomínají Searlův experiment/paradox Čínského pokoje. Můžeme říci, že program „rozumí fyzice“, když se pouze mechanicky řídí sadou instrukcí? (PH: Searl takto argumentoval vůbec proti možnosti, že by inteligence byla převoditelná na algoritmus. Přijde mi to ovšem jako zcela antiempirický přístup; do hlavy nevidíme ani lidskému překladateli a pokud Google Translator dává obdobné výsledky, pak můžeme stejně jako u člověka říct, že příslušné jazyky ovládá.)
Celý výzkum má podle Qina vztah i k filozofovi Nicku Bostromovi (jeden z průkopníků transhumanismu) a jeho přesvědčení, že celá námi vnímaná realita by mohla být počítačovou simulací. V takovém světě by se realita vždy počítala „pro každý pixel zvlášť“, tedy diskrétně. Stejně tak má postupovat i vyvinutý algoritmus; a pokud funguje, podporuje to když ne samotnou teorii o simulaci, tak alespoň představu nějakého „diskrétního pole“, odlišného od chápání prostoročasu ve většině současných fyzikálních modelů.
Tisková zpráva Princeton Plasma Physics Laboratory (příslušný program by se navíc měl dát upravit i k předpovědím chování plazmy ve fúzních zařízeních – odtud vztah k této instituci) končí otázkou, zda základem fyziky jsou opravdu teorie. Potřebujeme je, nebo nám stačí, když se od vstupních dat dostaneme ke správné předpovědi? Poskytuje nám potom „fyzikální zákon“ vůbec něco navíc? Z praktického hlediska možná ani ne.
Hong Qin, Machine learning and serving of discrete field theories, Scientific Reports (2020). DOI: 10.1038/s41598-020-76301-0
Zdroj: Princeton Plasma Physics Laboratory / Phys.org
Poznámky PH:
Přiznám se, že vazbě toho všeho k hypotéze simulace příliš nerozumím: simulovaná realita by mohla být přece počítána mnoha různými způsoby, ne nutně na úrovni pixelů. (Vlastně mi celá hypotéza simulovaného vesmíru přijde trochu k ničemu, protože z ní neplynou testovatelné předpovědi.)
Jinak bych řekl, že zákon umožňuje lépe navrhovat další teorie a také je komprimovanější; oproti čistě algoritmickému přístupu možná spíše méně přesný, jde (možná) spíše o naši abstrakci z reality než realitu samotnou. Nicméně i příslušná umělá inteligence musí mít nějaké pravidlo, jak se od vstupních dat dostat k výstupním, jak se to liší od fyzikálního zákona? (Leda vzoreček bude krajně komplikovaný, nesrozumitelný, nepřístupný logické interpretaci? Naopak Newtonův vztah se dá vysvětlit velmi dobře.)
Je to vcelku logické. Když chcete udělat palačinky a víte, že na ně potřebujete vejce, mouku, cukr a pánev. Tak si formou pokusu a omylu palačinky vyrobíte v perfektním provedení. Autonomní program provedl hromady pokusu a omylů až se mu data sešla. Otázkou je, jaký používá vzorec a jestli se tento vzorec dá porovnat s naší známou fyzikou.
nemohu se vrátit v čase help pomoc
nemohu se vrátrit v čase pomoc
Ad Translator.
Netvrdil bych, ze ten prekladac ovlada jakykoliv jazyk. Sice se naucil prevest jeden typ dat (jazyk) na jiny, avsak co ktere slovo znamena.., tak to nema ani potuchy. To asi nebude ovladani jazyka.