Mycket till skam för semesterfirare som planerar en sommarpicknick, är vädret en oerhört fiffig och oförutsägbar sak. Små förändringar i nederbörd, temperatur, luftfuktighet, vindhastighet eller vindriktning kan ändra utomhusförhållanden över timmar eller dagar. Därför görs väderprognoser vanligtvis inte mer än sju dagar framöver - och därför kräver picknick beredskapsplaner.
Men tänk om vi kunde förstå ett kaotiskt system tillräckligt bra för att förutsäga hur det kommer att bete sig långt i framtiden?
Kan du förutsäga vädret för året?
I januari 2018 lyckades forskare. De använde maskininlärning för att exakt förutsäga resultatet av ett kaotiskt system under en mycket längre period än man trodde var möjlig. Och maskinen gjorde det helt enkelt genom att observera systemets dynamik, utan att ha någon aning om ekvationerna bakom det.
Vördnad, rädsla och spänning
Vi har redan börjat vänja oss med de otroliga manifestationerna av konstgjord intelligens.
Förra året lärde ett program som heter AlphaZero reglerna för schackspelet från början på bara en dag och slog sedan världens bästa schackmjukvara. Hon lärde sig också att spela Go och överträffade den tidigare kiselmästaren, AlphaGo Zero-algoritmen, som förbättrades i spelet genom prov och fel efter att ha fått matning till reglerna.
Kampanjvideo:
Många av dessa algoritmer startar från ett rent tillstånd av lycklig okunnighet och får snabbt kunskap genom att titta på processen eller spela mot sig själva och förbättras i varje steg tusentals gånger per sekund. Deras förmågor inspirerar känslor av rädsla, vördnad, spänning. Vi hör ofta om det kaos där de kan kasta mänskligheten en dag.
Men det är mycket mer intressant vad konstgjord intelligens kommer att göra med vetenskap i framtiden, med dess "förståelse".
Perfekt prognos innebär förståelse?
De flesta forskare är förmodligen överens om att förutsägelse och förståelse inte är samma sak. Anledningen ligger i myten om fysikens ursprung - och man kan säga modern vetenskap i allmänhet.
Faktum är att i över tusen år har människor använt de metoder som föreslagits av den grekisk-romerska matematikern Ptolemaios för att förutsäga planets rörelse över himlen.
Ptolemaios visste ingenting om teorin om tyngdkraften eller att solen var solsystemets centrum. Hans metoder inkluderade ritualberäkningar med hjälp av cirklar inom cirklar inom cirklar. Och medan de förutspådde planetrörelse ganska bra, förstod ingen varför det fungerade eller varför planeterna följer sådana till synes komplicerade regler.
Sedan fanns det Copernicus, Galileo, Kepler och Newton.
Newton upptäckte de grundläggande differentiella ekvationer som styr varje planets rörelse. Med deras hjälp var det möjligt att beskriva varje planet i solsystemet. Och det var fantastiskt eftersom vi förstod varför planeterna rör sig.
Att lösa differentiella ekvationer visade sig vara ett mer effektivt sätt att förutsäga planetrörelse i jämförelse med Ptolemys algoritm. Viktigare är emellertid att vår tro på denna metod har gjort det möjligt för oss att upptäcka nya osynliga planeter, tack vare lagen om universell tyngdkraft. Han förklarade varför raketer flyger och äpplen faller, och också varför månar och galaxer finns.
Detta grundläggande mönster - att hitta en uppsättning ekvationer som beskriver en enhetlig princip - har framgångsrikt använts i fysiken om och om igen. Så här definierade vi Standardmodellen, kulminationen på ett halvt sekel av partikelfysikforskning, som exakt beskriver strukturen för varje atom, kärna eller partikel. Så här försöker vi förstå superledningsförmåga, mörk materia och kvantdatorer vid hög temperatur. (Den metodens oberättigade effektivitet väckte till och med frågor om varför universumet lämnar sig så bra till den matematiska beskrivningen.)
Under hela vetenskapen betyder att förstå något att gå tillbaka till det ursprungliga schemat: om du kan reducera ett komplext fenomen till en enkel uppsättning principer förstår du det.
Undantag från regeln
Och ändå finns det irriterande undantag som förstör denna vackra historia. Turbulens är en av orsakerna till att det är svårt att förutsäga vädret - ett utmärkt exempel från fysik. De allra flesta problem från biologi, från intrasslade strukturer i andra strukturer, trotsar också förklaringen med enkla principer för enhetlighet och förenkling.
Det finns ingen tvekan om att atomer och kemi, och därmed de enkla principerna som ligger till grund för dessa system, beskrivs med användning av universellt effektiva ekvationer, men detta är ett ganska ineffektivt sätt att generera användbara förutsägelser.
Samtidigt blir det uppenbart att dessa problem lätt lämpar sig för maskininlärningsmetoder.
Precis som de antika grekerna letade efter svar från det mystiska Delphic-orakelet, kommer vi att leta efter svar på de mest komplexa vetenskapliga frågorna från allvetande orakel med konstgjord intelligens.
Sådana orakler kör redan autonoma fordon och väljer investeringsmål på aktiemarknaden, och mycket snart kommer de att förutsäga vilka läkemedel som kommer att vara effektiva mot bakterier - och hur vädret kommer att bli om två veckor.
De kommer att göra dessa förutsägelser med högsta precision som vi aldrig drömt om utan att använda några matematiska modeller och ekvationer.
Det är möjligt att de, beväpnade med data om miljarder kollisioner vid Large Hadron Collider, kommer att göra det bättre med att förutsäga resultatet av ett experiment med partiklar än till och med den älskade standardmodellen.
Precis som de oförklarliga källorna till Delphi-prästinnarnas uppenbarelse är det inte troligt att våra AI-profeter kan förklara varför de förutsäger detta sätt och inte på annat sätt. Deras slutsatser kommer att baseras på många mikrosekunder av vad som kan kallas "erfarenhet". De kommer att vara som en outbildad bonde som vet hur man noggrant kan förutsäga hur vädret kommer att förändras, "eftersom benen värker" eller andra förutsägelser.
Vetenskap utan förståelse?
Implikationerna av arbetet med maskinell intelligens inom vetenskapsområdet och vetenskapsfilosofin kan vara häpnadsväckande.
Till exempel, mot bakgrund av allt mer exakta förutsägelser, om än erhållna med metoder som är obegripliga för människor, kommer vi att förneka att maskiner har bättre kunskap än vi gör?
Om prognoser verkligen är vetenskapens huvudmål, hur ska vi ändra den vetenskapliga metoden, algoritmen som har gjort det möjligt för oss att identifiera fel och korrigera dem i århundraden?
Om vi ger upp förståelsen, är det då någon mening med att göra vetenskapen vi gjorde?
Ingen vet. Men om vi inte kan formulera varför vetenskap är mer än förmågan att göra goda förutsägelser, kommer forskare snart att upptäcka att "utbildad konstgjord intelligens gör sitt jobb bättre än dem själva."
Ilya Khel
