|
Όπως έγραψε σε
πρόσφατο άρθρο του στο Project Syndicate ο
Giulio Boccaletti
(Επιστημονικός Διευθυντής του Ευρωμεσογειακού Κέντρου για
την Κλιματική Αλλαγή, είναι ο συγγραφέας του Water: A
Biography - Pantheon Books, 2021 - και του Siccità -
Mondadori, 2023), μόλις γίναμε μάρτυρες μιας
αλλαγής στην επιστήμη της γης. Μια εργασία που δημοσιεύτηκε
στο Nature τον Ιούλιο έδειξε ότι ένα νευρωνικό δίκτυο
(τεχνητή νοημοσύνη) προέβλεψε τον καιρό καλύτερα από το
Ευρωπαϊκό Κέντρο Μεσοπρόθεσμων Προγνώσεων Καιρού, το οποίο
διαθέτει το πιο προηγμένο σύστημα πρόβλεψης στον κόσμο. Στη
συνέχεια, τον Νοέμβριο, το DeepMind της Google ανακοίνωσε
ότι η τεχνητή νοημοσύνη της για την πρόγνωση του καιρού είχε
παράγει ακόμη ισχυρότερες προβλέψεις.
Η παραδοσιακή
προσέγγιση για την πρόγνωση του καιρού είναι η χρήση
παρατηρήσεων που λαμβάνονται σε μια χρονική στιγμή ως
αρχικές συνθήκες για εξισώσεις που βασίζονται σε φυσικές
αρχές. Αντίθετα, η τεχνητή νοημοσύνη θα απορροφήσει δεδομένα
που συλλέγονται για μεγάλες χρονικές περιόδους και στη
συνέχεια θα «μάθει» τη δυναμική που πρέπει να περιγράφουν
ρητά οι παραδοσιακές εξισώσεις. Τόσο η παραδοσιακή μέθοδος
όσο και η μέθοδος, που βασίζεται στην τεχνητή νοημοσύνη
βασίζονται σε υπερυπολογιστές, αλλά η τεχνητή νοημοσύνη δεν
χρειάζεται επίσημα αναπτυγμένες θεωρίες.
Η πρόβλεψη του
καιρού καθορίζει πότε και πού πετούν τα αεροπλάνα, τι ρότα
χαράζουν τα πλοία και βοηθά στη διαχείριση όλων των
πολιτικών και στρατιωτικών κινδύνων που έρχονται με ένα
μεταβλητό περιβάλλον. Και έχει σημασία. Και μπορεί να είναι
σχετικά οι πρώτες ημέρες για τις εφαρμογές AI στον τομέα
αυτό και πρέπει να εξακολουθούν να επεξεργάζονται, όπως σε
άλλους τομείς, η πρόβλεψη που καθοδηγείται από την AI μπορεί
να μετατοπίσει εξειδικευμένο εργατικό δυναμικό, αφού τα
νευρωνικά δίκτυα δεν απαιτούν γνώση της δυναμικής
μετεωρολογίας ( οι συγγραφείς της εργασίας Nature είναι
μηχανικοί χωρίς τέτοιο υπόβαθρο). Αλλά οι επιπτώσεις δύσκολα
σταματούν εκεί.
Γράφοντας για το
πρόβλημα της στατιστικής πρόβλεψης στη δεκαετία του 1950, ο
Norbert Wiener, ο πατέρας της Cybernetics, επεσήμανε ότι εάν
γνωρίζουμε ήδη την ιστορία ενός συστήματος που παρουσιάζει
ορισμένες ιδιότητες, προσθέτοντας γνώση των εξισώσεων που
διέπουν τη δυναμική της δεν θα βελτιώσει απαραιτήτως μας
προβλέψεις. Ο Wiener έκανε ένα σε μεγάλο βαθμό θεωρητικό
σημείο, επειδή οι περιορισμοί στις παρατηρήσεις, τα
δεδομένα, η υπολογιστική ισχύς και άλλοι παράγοντες δεν
επέτρεψαν τίποτα άλλο εκείνη τη στιγμή. Αλλά τώρα, το
επιχείρημά του χτυπά στην καρδιά του θέματος, καταγράφοντας
τις ευρύτερες επιπτώσεις των πρόσφατων προόδων στην τεχνητή
νοημοσύνη.
Μόλις τα τελευταία
χρόνια, έχουμε αυξήσει κατά πολύ τα δεδομένα παρατήρησης της
Γης. Μεταξύ 1993 και 2003, μόλις 25 δορυφόροι παρατήρησης
της Γης εκτοξεύτηκαν στο διάστημα. Αλλά μεταξύ του 2014 και
του 2022, ο αριθμός εκτινάχθηκε μέχρι το 997, φέρνοντας το
συνολικό στόλο των δορυφόρων που βρίσκονται σε τροχιά σε
περίπου 7.560. Με μια τεράστια υποδομή διαστημικής που
ακτινοβολεί τα δεδομένα σε σχεδόν οτιδήποτε – από την
ανάπτυξη των φυτών, τους υδρατμούς και τις εγκαταστάσεις
υποδομής, μέχρι την υπέρυθρη ακτινοβολία, το ύψος του θόλου
και τις μετρήσεις της κατάστασης της ατμόσφαιρας – έχουμε
εισέλθει σε μια χρυσή εποχή παρατήρησης της γης .
Αυτό το αυξανόμενο
αρχείο δεδομένων περιγράφει σχεδόν όλα όσα κάνουμε τόσο
εμείς όσο και η φύση στη Γη. Όταν συνδυάζεται με νέα μοντέλα
AI και την συνεχώς διευρυνόμενη υπολογιστική υποδομή μας, θα
μπορούσε να αυξήσει την κατανόησή μας για τον πλανήτη και
τον ρόλο μας σε αυτό.
Σκεφτείτε την αλλαγή
του κλίματος. Για τα τελευταία 40 χρόνια, η απάντηση της
ανθρωπότητας στην κρίση του κλίματος έχει καθοδηγηθεί από
την διακυβερνητική ομάδα για την αλλαγή του κλίματος, ένα
επιστημονικό όργανο που διακρίνεται από πειθαρχία: οι
φυσικές επιστήμες χρησιμοποιούν μεγάλα μοντέλα συστήματος
γης που έχουν πολλά κοινά με αυτά που χρησιμοποιούνται στις
καιρικές προβλέψεις, ενώ, ξεχωριστά, οι οικονομολόγοι και οι
γεωγράφοι ποσοτικοποιούν τον αντίκτυπο και επικεντρώνονται
στον ρόλο των πολιτικών προσαρμογής και μετριασμού στις
κοινωνίες μας.
Αυτός ο καταμερισμός
εργασίας – που αντικατοπτρίζεται στις τριμερείς ομάδες
εργασίας της IPCC – αντιστοιχεί σε έναν καταμερισμό
μεθοδολογιών. Ενώ τα μοντέλα της Γης που βασίζονται στη
φυσική προκύπτουν από τις εξισώσεις, οι οικονομολόγοι και τα
μοντέλα επιπτώσεων χρησιμοποιούν ένα χαρτοφυλάκιο εμπειρικών
μεθόδων και μη αναστρέψιμων θεωριών.
Το AI θα μπορούσε να
τα διαταράξει όλα αυτά. Αν και είναι απίθανο να
αντικαταστήσει πλήρως την παραδοσιακή μοντελοποίηση του
κλίματος – το ιστορικό παρατηρήσεών μας δεν είναι αρκετό για
να προσφέρει μια στατιστικά άφθονη εικόνα των κλιματικών
φαινομένων ανά τους αιώνες – παίζει ήδη σημαντικό ρόλο στο
πεδίο.
Πιο συγκεκριμένα,
αυτό που έχει μεγαλύτερη σημασία για εμάς δεν είναι πώς
συμπεριφέρεται το κλιματικό σύστημα αλλά πώς επηρεάζει τον
κόσμο στον οποίο ζούμε εμείς και άλλα πλάσματα.
Τα μοντέλα τεχνητής
νοημοσύνης – αγνωστικά σε οποιεσδήποτε τρέχουσες
επιστημονικές θεωρίες ή πειθαρχικά παραδείγματα – θα
μπορούσαν να μας βοηθήσουν να συμπεράνουμε και πιθανώς να
προβλέψουμε πώς η βιομάζα στο τοπίο αλλάζει με την πάροδο
του χρόνου. Αυτό, με τη σειρά του, θα μπορούσε να βελτιώσει
τον τρόπο με τον οποίο διαχειριζόμαστε τα δάση και τη
γεωργία, να κατασκευάσουμε διαγνωστικά εργαλεία και
συστήματα έγκαιρης προειδοποίησης για κίνδυνο πυρκαγιάς ή
πλημμύρας , να κατανοήσουμε πώς η ενεργειακή οικονομία
συνδέεται με αυτές τις αλλαγές ή να προβλέψει τις επιπτώσεις
τους στην ευρύτερη οικονομία και ακόμη και στις
διαπραγματεύσεις για το κλίμα . Και όλα αυτά θα έρθουν στην
κορυφή του τρόπου με τον οποίο η AI μπορεί να επιταχύνει τη
μετάβαση σε μια οικονομία χαμηλής άνθρακα.
Φυσικά, η AI δεν
υποκαθιστά την επιστημονική κατανόηση. Η επιστήμη θα
παραμείνει μια κατ’ ουσίαν ανθρώπινη επιδίωξη, όπου η αξία
έγκειται περισσότερο στο να θέσουμε τη σωστή ερώτηση και όχι
απλώς να εξάγουμε μια απάντηση από δεδομένα. Παρ ‘όλα αυτά,
θα πρέπει να προσπαθήσουμε να αξιοποιήσουμε στο έπακρο την
επιστημολογική μετατόπιση ότι η άνοδος της AI φτάνει. Μπορεί
να μας βοηθήσει να εντοπίσουμε νέα παρατηρήσιμα φαινόμενα
που μέχρι στιγμής έχουν ξεφύγει από τους πειθαρχικούς
φακούς. Μπορεί να μας βοηθήσει στη διαχείριση συστημάτων
κλίμακας τοπίου που είναι πολύ περίπλοκα για να είναι
επιρρεπή σε θεωρητικοποίηση. Είναι το απόλυτο διερευνητικό
εργαλείο για την κατάρριψη των πειθαρχικών ορίων.
Αυτή η μετατόπιση
αποτελεί επίσης μια βαθιά πρόκληση πολιτικής. Η υποδομή που
την οδηγεί -δορυφόροι που παρατηρούν τη Γη και υπολογισμοί-
ελέγχεται ολοένα και περισσότερο από τον ιδιωτικό τομέα. Ο
μοναδικός μεγαλύτερος ιδιοκτήτης των δορυφόρων που παρατηρεί
τη γη είναι μια εταιρεία που ονομάζεται Planet Labs. Οι
εταιρείες υψηλής τεχνολογίας – από την IBM και την Nvidia
έως τις DeepMind και Huawei (οι υπάλληλοι της οποίας έγραψαν
το έγγραφο του Ιουλίου στο Nature ) – βρίσκονται στα όρια
της μηχανικής μάθησης. Με την πρόσβαση σε απαράμιλλα
κεφάλαια και πόρους, οι εταιρείες αυτές μπορούν εύκολα να
εξαλείψουν τα περισσότερα δημόσια ερευνητικά κέντρα. Μερικοί
μπορεί να είναι αρκετά φιλάνθρωποι, αλλά τελικά δεν έχουν
καμία υποχρέωση να παραδίδουν δημόσια αγαθά ή να ανησυχούν
για τη δίκαιη πρόσβαση στις υποδομές τους.
Καθώς
αντιμετωπίζουμε τις συνέπειες της ψηφιακής επανάστασης και
ένα φυσικό περιβάλλον που αλλάζει μπροστά στα μάτια μας, η
AI μπορεί να κρατήσει το κλειδί για να ξεδιπλώσει κάποια από
την πολυπλοκότητα που έχει ξεπεράσει την κατανόησή μας.
Όμως, έχοντας τα μέσα έρευνας σταθερά στα χέρια των ιδιωτών,
οι υπεύθυνοι χάραξης πολιτικής θα πρέπει να επαγρυπνούν για
να εξασφαλίσουν ότι αυτά τα νέα εργαλεία παρέχουν δημόσια
αγαθά και όχι απλώς ιδιωτικά οφέλη, και ότι τα ερωτήματα που
τους τίθενται παράγουν απαντήσεις που ενημερώνουν τους
νόμιμους στόχους πολιτικής των χωρών . |
