Abstrakt
Rozwój sztucznej inteligencji zmienia sposób funkcjonowania współczesnej nauki. W wielu dziedzinach – takich jak wulkanologia, meteorologia, medycyna czy ekonomia – algorytmy uczenia maszynowego coraz skuteczniej wykrywają relacje pomiędzy ogromnymi zbiorami danych, często bez konieczności wcześniejszego sformułowania pełnego modelu mechanistycznego. Artykuł proponuje interpretację tego zjawiska w świetle epistemologii modalnej. Autor argumentuje, że sztuczna inteligencja nie zastępuje modeli naukowych, lecz reorganizuje logodygmat prognozowania, przesuwając środek ciężkości z rekonstrukcji pojedynczych operatorów wyjaśniających ku organizacji relacji pomiędzy materializacjami. W rezultacie pojawia się nowy poziom organizacji poznania, który można określić mianem algorytmicznej organizacji możliwości poznawczych.
Słowa kluczowe: sztuczna inteligencja, epistemologia modalna, logodygmat, uczenie maszynowe, prognozowanie, wulkanologia, relacje.
1. Wprowadzenie
Przez większą część historii nauki rozwój poznania polegał na konstruowaniu modeli wyjaśniających.
Najpierw obserwowano zjawiska.
Następnie rekonstruowano operator wyjaśniający.
Na końcu budowano model pozwalający przewidywać przyszłe zdarzenia.
Rozwój sztucznej inteligencji wprowadza jednak nowy sposób organizacji poznania.
2. Klasyczna architektura prognozowania
W klasycznej metodologii proces poznania przebiega następująco:
materializacje
↓
rekonstrukcja operatora
↓
model naukowy
↓
prognoza.
W przypadku wulkanologii obserwuje się:
aktywność sejsmiczną,
deformacje powierzchni,
emisję gazów,
temperaturę.
Na tej podstawie rekonstruowany jest operator geodynamiczny, np. migracja magmy lub wzrost ciśnienia w komorze magmowej.
Model geofizyczny umożliwia następnie ocenę prawdopodobieństwa erupcji.
3. Algorytmy uczenia maszynowego
Uczenie maszynowe nie funkcjonuje w identyczny sposób.
Algorytm nie musi rozpoczynać od pełnej rekonstrukcji operatora.
Może identyfikować złożone współzależności pomiędzy materializacjami.
Przykładowo:
określone wzorce mikrowstrząsów,
określone tempo deformacji powierzchni,
określone proporcje gazów wulkanicznych
mogą tworzyć konfigurację statystycznie powiązaną z późniejszą erupcją.
Algorytm rozpoznaje tę konfigurację, nawet jeżeli mechanizm fizyczny nie został jeszcze w pełni opisany.
4. Relacje jako przedmiot rekonstrukcji
Nie oznacza to, że sztuczna inteligencja „rozumie” proces geologiczny.
Rozpoznaje ona przede wszystkim relacje pomiędzy materializacjami.
Można powiedzieć, że operator wyjaśniający zostaje częściowo zastąpiony przez operator relacyjny opisujący strukturę współwystępowania danych.
Nie jest to rezygnacja z wyjaśnienia, lecz zmiana jego organizacji.
5. Epistemologia modalna
Epistemologia modalna pozwala uporządkować oba podejścia.
W modelu klasycznym:
materializacje
↓
operator wyjaśniający
↓
model
↓
prognoza.
W modelu algorytmicznym:
materializacje
↓
organizacja relacji
↓
predykcja
↓
hipoteza dotycząca operatora.
Oba modele mogą się uzupełniać.
Model mechanistyczny wyjaśnia.
Model algorytmiczny rozpoznaje wzorce.
6. Studium przypadku – Etna
Monitoring Etny obejmuje dane sejsmiczne, geodezyjne, geochemiczne i satelitarne.
Współczesne algorytmy uczenia maszynowego są wykorzystywane do wykrywania subtelnych zmian poprzedzających aktywność erupcyjną.
Nie oznacza to, że algorytm zastępuje geologa.
Oznacza natomiast, że organizuje relacje pomiędzy tysiącami obserwowanych materializacji szybciej i często skuteczniej niż analiza prowadzona wyłącznie przez człowieka.
7. Logodygmat algorytmiczny
Powstaje zatem nowy logodygmat.
Nie polega on wyłącznie na organizacji modeli.
Organizuje również przestrzeń możliwych relacji pomiędzy danymi.
Im większa liczba materializacji, tym większe znaczenie ma ich algorytmiczna organizacja.
Sztuczna inteligencja nie eliminuje potrzeby teorii.
Zmienia jednak kolejność procesu poznawczego.
Coraz częściej najpierw odkrywany jest wzorzec relacyjny, a dopiero później poszukiwane jest jego wyjaśnienie mechanistyczne.
8. Metaepistemologia sztucznej inteligencji
Najgłębsze pytanie brzmi jednak inaczej.
Dlaczego algorytm uznał właśnie tę konfigurację danych za istotną?
Dlaczego właśnie taki model uczenia?
Dlaczego właśnie taka funkcja celu?
Na tym poziomie sztuczna inteligencja staje się przedmiotem metaepistemologii.
Nie analizujemy już wyłącznie relacji pomiędzy materializacjami.
Analizujemy sposób organizacji samej organizacji poznania.
9. Hierarchia organizacji poznania
Rozwój nauki można przedstawić następująco:
Rzeczywistość
↓
Materializacje
↓
Relacje pomiędzy materializacjami
↓
Operator wyjaśniający
↓
Model naukowy
↓
Algorytmiczna organizacja relacji
↓
Prognoza
↓
Metaepistemologia organizacji poznania
Każdy kolejny poziom nie zastępuje poprzedniego.
Organizuje go na wyższym poziomie.
10. Wnioski
Rozwój sztucznej inteligencji nie oznacza końca klasycznej nauki.
Nie oznacza również rezygnacji z modeli mechanistycznych.
Oznacza pojawienie się nowego poziomu organizacji poznania, w którym podstawowym przedmiotem analizy stają się relacje pomiędzy materializacjami oraz ich algorytmiczna organizacja.
Epistemologia modalna pozwala opisać tę zmianę jako przejście od rekonstrukcji operatorów wyjaśniających do organizacji możliwości ich algorytmicznego rozpoznawania.
Można zatem sformułować następującą zasadę:
Im bardziej złożony jest badany system, tym większego znaczenia nabiera nie tylko liczba obserwacji ani liczba modeli, lecz sposób organizacji relacji pomiędzy materializacjami. Sztuczna inteligencja nie zastępuje nauki, lecz rozszerza logodygmat organizacji poznania o poziom algorytmicznej rekonstrukcji relacji.
Komentarze
Pokaż komentarze (1)