夏のパーティーの計画者にとっては残念なことに、天気は�named名高い混沌としたシステムです。降水量、気温、湿度、風速や風向などのわずかな変化が、数日のうちにまったく新しい状況へと膨らむことがあります。だからこそ天気予報は、約7日より先になると信頼性が低くなり、ピクニックにはバックアッププランが必要なのです。
しかし、混沌としたシステムを十分に理解して、その振る舞いを遠い未来まで予測できるとしたらどうでしょうか。
今年1月、科学者たちはまさにそれを成し遂げました。彼らは機械学習を用いて、混沌としたシステムの結果を正確に予測しました。これは、従来考えられていたよりもはるかに長い期間にわたるものでした。しかも機械は、基礎となる方程式についての知識を一切持たず、システムの力学を観察するだけでそれを行ったのです。
畏怖、恐怖、そして興奮。
私たちは最近、人工知能（AI）の目覚ましい能力に慣れ親しんできました。昨年、AlphaZeroと呼ばれるプログラムはチェスのルールをゼロから自ら学び、約1日で世界最高のチェス・プログラムを打ち負かしました。また、囲碁もゼロから自ら学び、それまでのシリコン王者であったアルゴリズムAlphaGo Zeroを上回りました。AlphaGo Zeroは、ルールを与えられた後に試行錯誤によってこのゲームを習得したものでした。
これらのアルゴリズムの多くは、無垢な無知の白紙の状態から始まり、プロセスを観察したり自己対戦したりすることで「知識」を急速に積み上げ、毎秒数千ものステップを通じて、あらゆる段階で改善していきます。その能力はさまざまな感情を呼び起こしており、畏怖、恐怖、そして興奮の念を生んでいます。近年、これらが人類にどのような惨禍をもたらしうるかについて耳にすることも少なくありません。
ここでの私の関心はより単純なものです。私は、科学における「理解」の未来にとってAIが何を意味するのかを理解したいのです。
もしそれを完璧に予測できるなら、それを理解しているといえるでしょうか。
ほとんどの科学者は、予測と理解が同じものではないことに同意するでしょう。その理由は、物理学の起源神話、そしておそらくは現代科学全体の起源神話に見出されます。
言い伝えによれば、千年以上にわたり、人々はギリシャ・ローマの数学者プトレマイオスから受け継がれた方法を用いて、惑星が空をどのように動くかを予測していました。
プトレマイオスは、重力理論や、太陽が太陽系の中心にあることについてすら何も知りませんでした。彼の方法は、円の中の円の中の円を用いた難解な計算を伴っていました。それらは惑星の運動をかなりよく予測しましたが、なぜこれらの方法が機能するのか、また、なぜ惑星がそのような複雑な規則に従うべきなのかについての理解はありませんでした。
その後、コペルニクス、ガリレオ、ケプラー、そしてニュートンが現れました。
ニュートンは、あらゆる惑星の運動を支配する基本的な微分方程式を発見しました。同じ微分方程式を用いて、太陽系のすべての惑星を記述することができたのです。
これは明らかに好ましいことでした。なぜなら今や私たちは理解したのです。なぜ惑星が動くのかを。
微分方程式を解くことは、プトレマイオスのアルゴリズムと比べて、惑星の運動を予測するより効率的な方法であることが分かりました。しかし、おそらくより重要なのは、この方法への私たちの信頼によって、統一原理に基づいて未知の新しい惑星を発見できたことです。その統一原理とは万有引力の法則であり、ロケットや落ちるリンゴ、月や銀河にまで働くものです。
一連の方程式を見つけて統一原理を記述するという、この基本的な型は、物理学において繰り返し成功裏に用いられてきました。このようにして私たちは標準模型を解明したのです。標準模型は半世紀にわたる素粒子物理学の集大成であり、あらゆる原子、原子核、素粒子の基礎構造を正確に記述します。また、高温超伝導、暗黒物質、量子コンピュータを理解しようとする際にも、この型が用いられています。（この方法の不条理なほどの有効性は、なぜ宇宙がこれほどまでに数学的記述に快く従うように見えるのかという問いを生んできました。）
科学全体において、何かを理解するという概念は、おそらくこの型に常に立ち返るものです。すなわち、複雑な現象を単純な一連の原理に還元できれば、それを理解したことになるのです。
頑固な例外。
しかし、この美しい物語を損なう厄介な例外も存在します。天候予測が難しい理由の一つである乱流は、物理学における顕著な例です。また生物学の問題の大半は、構造の中の複雑な構造を持ち、単純な統一原理に頑なに従おうとしません。
原子や化学、そしてそれゆえに単純な原理がこれらのシステムの基盤にあることに疑いはありませんが、普遍的に妥当な方程式を用いてそれらを記述することは、有用な予測を生み出す方法としてはかなり非効率に思われます。
一方で、これらの問題が容易に機械学習の手法によって解けるようになりつつあることは明らかになっています。
AIは、クレブシエラのような抗生物質耐性を持つ細菌を治療する新薬の特定に役立つ可能性があります。クレブシエラは、米国における院内感染の約10パーセントの原因となっています。
古代ギリシャ人が神秘的なデルフォイの神託に答えを求めたように、私たちもまもなく、科学における最も困難な問いの多くについて、AIの神託に頼って答えを求めることになるかもしれません。
そのようなAIの神託は、すでに自動運転車や株式市場への投資を導いており、まもなく、どの薬が細菌に効果的かを予測し、2週間後の天気がどのようになるかも予測するようになるでしょう。
AIは、私たちがかつてなしえたよりもはるかに優れた予測を行い、しかも私たちの数学モデルや方程式に頼ることなくそれを行うでしょう。
想像に難くないことですが、大型ハドロン衝突型加速器での数十億回の衝突によるデータを用いれば、素粒子物理学の実験の結果を、物理学者たちが愛してやまない標準模型よりもさらによく予測できるかもしれません！
デルフォイの巫女たちの不可解な託宣と同様に、私たちのAIの神託も、なぜそのような予測をするのかを説明できる可能性は低いでしょう。なぜそのような予測をするのか。その出力は、「経験」と呼ばれうるものを何百万マイクロ秒分も積み重ねた上に基づくものとなるでしょう。それは、経験と直感に基づいて天候がどちらに向かうかを完璧に予測できる、教育を受けていない農夫の戯画にも似ています。
理解なき科学？
機械知能が、科学を行う過程や科学哲学にもたらす影響は、計り知れないものになるかもしれません。
例えば、人間には理解できない方法によって得られたものではあるものの、ますます完璧になる予測に直面して、機械がより優れた知識を持っていることを私たちは今後も否定し続けることができるでしょうか。
もし予測が実際に科学の第一の目標であるならば、科学的方法――何世紀にもわたり、私たちが誤りを特定し修正することを可能にしてきたアルゴリズム――を、どのように修正すべきでしょうか。
もし理解を諦めるのであれば、私たちが知っているような科学的知識を追求することに意味はあるのでしょうか。
私には答えがありません。しかし、科学が良い予測を立てる能力以上のものであることを明確に説明できない限り、科学者たちもまもなく、「訓練されたAIが彼らの仕事をできる」と気づくかもしれません。
