Evo jedne definicije nauke: to je u suštini iterativni proces izgradnje modela sa sve većom moći objašnjenja.
Model je samo aproksimacija ili pojednostavljenje načina na koji mislimo da svet funkcioniše. U prošlosti, ovi modeli su mogli biti veoma jednostavni, u stvari jednostavni kao matematička formula. Ali tokom vremena, oni su evoluirali i naučnici su gradili sve sofisticiranije simulacije sveta kako su novi podaci postali dostupni.
Kompjuterski model Zemljine klime može nam pokazati da će temperature rasti kako nastavimo da ispuštamo gasove staklene bašte u atmosferu. Modeli takođe mogu predvideti kako će se zarazna bolest širiti u populaciji, na primer.
Kompjuterski modeli mogu biti odbačeni ako ih eksperimentalni dokazi ne podržavaju. Dakle, postoji neka vrsta trke u naoružanju kako bi modeli bili konkurentni kako se pojavljuju novi podaci. A revolucija koja se dogodila u oblasti veštačke inteligencije (AI) mogla bi učiniti ove vitalne alate još boljim.
Uzmite vremensku i klimatsku prognozu. Numerički modeli koji se koriste za predviđanje vremena su veliki, složeni i zahtevni u pogledu količine računarske snage potrebne za njihovo pokretanje.
Takođe nisu u stanju da uče iz prošlih vremenskih obrazaca. Međutim, metode zasnovane na veštačkoj inteligenciji, uključujući podskup veštačke inteligencije poznat kao mašinsko učenje, pokazale su ogroman potencijal da unaprede ono što trenutno imamo.
Mašinsko učenje uključuje kreiranje algoritama (skupova matematičkih pravila za obavljanje određenih zadataka) koji mogu da uče iz podataka i primenjuju ove lekcije na nevidljive podatke.
Ali do nedavno, vremenski modeli koji su uključivali tehnike mašinskog učenja nisu se smatrali prikladnim za ono što se zove ansambl prognoza, skup prognoza koji pokazuje opseg mogućih budućih vremenskih uslova. Niti su bili korisni za simulacije vremena i klime na duži rok, za razliku od kratkoročnih prognoza.
Međutim, nedavna studija objavljena u časopisu Nature pokazala je da model mašinskog učenja pod nazivom NeuralGCM daje prognoze ansambla koje su bile jednako dobre kao i vodeći modeli. Takođe bi moglo da proizvede realne dugoročne prognoze klimatskih promena.
Modeli mašinskog učenja moraju biti „obučeni“ tako što će im dati puno podataka, iz kojih uče i poboljšavaju ono što rade. Proces obuke je skup i zahteva mnogo računarske snage.
Međutim, nakon što je model obučen, njegovo korišćenje za predviđanje je relativno brzo i jeftino. Rezultati pokazuju da AI može poboljšati fizičke simulacije velikih razmera koje su neophodne za razumevanje i predviđanje klimatskog sistema.
Kako je rekao britanski statističar Džordž E.P. Boks je rekao: „Svi modeli su pogrešni, ali neki modeli su korisni.“ Takođe moramo zapamtiti da su sva merenja pogrešna. U našim podacima uvek postoji neka buka i to nije sasvim tačan odraz stanja u svetu.
Ali modeli koji koriste mašinsko učenje omogućeni su „velikim podacima“. Ogromna skladišta informacija i merenja mogu se koristiti za obuku ovih modela, dajući im sve veću moć predviđanja. Generalno, velike podatke karakterišu tri v-a: zapremina, brzina i raznolikost.
Podaci sada stižu u većim količinama, većom brzinom i sa povećanom raznovrsnošću. Ovo je delimično zbog načina na koji se različiti elektronski uređaji mogu povezati, preko onoga što se zove „Internet stvari“.
Poboljšanje našeg razumevanja o tome kako će se klimatski sistem Zemlje razvijati u narednim decenijama biće od vitalnog značaja za informisanje napora da se uhvati u koštac sa emisijama staklene bašte. Takođe će nam pomoći da se prilagodimo efektima globalnog zagrevanja.
Za otkrivanje i praćenje COVID-19 korišćeni su modeli koji koriste mašinsko učenje i drugi pristup zasnovan na veštačkoj inteligenciji koji se zove duboko učenje. Istraživači su razvili modele mašinskog učenja koji uključuju kliničke, genetske faktore i faktore načina života kako bi predvideli rizik pojedinca od razvoja kardiovaskularnih bolesti.
Naučnici su takođe koristili AI tehniku učenja dubokog pojačanja da bi razvili alate koji im omogućavaju da kontrolišu vruću plazmu neophodnu za generisanje reakcija nuklearne fuzije.
U prošlosti je veštačka inteligencija bila prilično uska oblast sa vrlo specifičnim primenama, kao što je igranje šaha. Sa zorom generativne veštačke inteligencije, njena upotreba je mnogo šira, sa tehnologijom koja može da kreira novi sadržaj kao što su tekst, slike i video.
Ovo nas približava cilju opšte veštačke inteligencije, gde tehnologija postaje sposobna da izvrši bilo koji zadatak koji čovek može da uradi. Izgradnja kompjuterskih modela sveta uz pomoć veštačke inteligencije predstavlja još jednu veliku prekretnicu.
Svet nauke počinje da prepoznaje moć veštačke inteligencije, što se vidi u ovogodišnjoj dodeli dve Nobelove nagrade za rad koji uključuje veštačku inteligenciju. Možda nismo toliko daleko od toga da se Nobelova nagrada dodeljuje veštačkoj inteligenciji — ili čak situacije u kojoj mašina odlučuje kome će dodeliti nagrade.
