Óveður getur enn komið spámönnum á óvart NASA
Það vita allir að það er ómögulegt spá fyrir um framtíðina, en ekki margir staldra við og velta fyrir sér hvers vegna. Jafnvel ef þú setur spurninguna um frjálst val til hliðar er það ekki einfalt. Þegar öllu er á botninn hvolft er hægt að nota hreyfilögmál Isaac Newtons til að reikna út hvað hvaða hlutur mun gera ef við þekkjum upphafsferil hans og kraftana sem verka á hann. Franski hugsuður Pierre-Simon Laplace ímyndaði sér einu sinni veru vopnaða þessum lögum og miklum upplýsingum og skrifaði að „fyrir slíka greind væri ekkert óviss og framtíðin, rétt eins og fortíðin, væri til staðar fyrir augum hennar“.
Ástæðan fyrir því að heimurinn þróast enn í fossi hins óvænta er sú að það er bil á milli þess sem jöfnur geta spáð fyrir um í orði og þess sem hægt er að reikna út í reynd. Takmörk tækninnar okkar, hraði tölvunnar okkar og ótrúlega margbreytileiki náttúrunnar gera það að verkum að sumt er nánast ómögulegt að vita.
Eitt vandamál er að hlutirnir sem við viljum rannsaka eru stundum samsettir úr mörgum hlutum sem hafa gagnkvæm áhrif hver á annan. Svo þó að við getum sagt fyrir um leið fljúgandi fótbolta, getum við ekki gert það sama með agnir vegna þess að það er yfirleitt fullt af þeim sem fljúga um, sem allir beita krafti hver á aðra. Það er umfram núverandi tölvugetu okkar að líkja eftir öllum þessum samskiptum í einu – með meira en um það bil 10 ögnum eigum við ekki möguleika.
Flækjustig er vandamál á mörgum sviðum vísinda, ekki síst læknisfræði. Taktu prótein, langa strengi amínósýrusameinda sem brjóta sig saman í flókin form inni í líkama okkar til að vinna alls kyns störf, frá sem knýr efnaskipti okkar til að verjast bakteríum. Við vitum hvaða kraftar og sjónarmið ráða virkninni, samanbrotnu löguninni sem hvert prótein mun taka upp. En það eru svo mörg atóm sem hafa samskipti sín á milli að við getum ekki reiknað þetta fullkomlega út. Þetta er pirrandi takmörk fyrir þekkingu okkar, því að vita nákvæma uppbyggingu próteins getur hjálpað okkur að hanna ný lyf.
Kaos kenning
Þar er enn meira grundvallaratriði í spilinu. Það kemur í ljós að hegðun sumra kerfa er viðkvæm fyrir jafnvel minnsta mun á byrjunarskilyrðum – þau eru háð því sem við köllum glundroða. Veðrið er klassískt dæmi. Litlar breytingar á lofthita eða rakastigi á einum degi geta valdið ófyrirsjáanlegum stormi þann næsta. Óreiða á líka við um einfaldari aðstæður að því er virðist. Um það bil 27 daga braut tunglsins um plánetuna okkar er misjafnlega breytileg um allt að 15 klukkustundir frá mánuði til mánaðar vegna stöðugrar hreyfingar sem tunglið finnur frá jörðinni og sólinni.
Óreiða og margbreytileiki setja vissulega takmörk fyrir það sem við getum vitað. En þau eru sveigjanlegri en járnklæddu mörkin sem eðlislögmálin segja til um (sjá “Hvernig getum við skilið skammtaveruleikann ef það er ómögulegt að mæla?”). Til dæmis, með því að mæla andrúmsloftið í nútímanum nákvæmari og nota hraðari tölvur, getum við gert betri veðurspár, upp að vissu marki.
Þó að þættir heimsins – allt frá veðri til fjármálamarkaða til útbreiðslumynstra sjúkdóma – verði alltaf háðir glundroða, þá eru brögð sem við getum gripið til til að skilja þau betur. Ein gagnleg aðferð, segir eðlisfræðingur Tim Palmer við háskólann í Oxford, er að keyra stóra röð af uppgerðum af kerfinu sem þú ert að rannsaka með örlitlum breytingum á byrjunarskilyrðum þínum. Því fyrr sem niðurstöður sviðsmyndanna fara að víkja, því ófyrirsjáanlegra er kerfið. Þessar „samstæðulíkingar“ eru nú stöðluð nálgun. Þess vegna fylgja rigningarspár nú oft með prósentulíkum – gagnlegt til að gefa okkur viðeigandi sjálfstraust við að skilja regnhlífarnar eftir heima. „Upplýst fáfræði einkennist oft af því að vita það sem þú veist ekki,“ segir heimspekingurinn James Ladyman við háskólann í Bristol, Bretlandi.
En þetta þarf ekki endilega að vera svona. Dæmi um það er hvernig gervigreind (AI) hefur gjörbylti getu okkar til að reikna út strúktúrana sem prótein tileinka sér. Djúplærð gervigreind reyna ekki að brjóta þetta niður með því að móta eðlisfræðina. Þess í stað eru þeir þjálfaðir á þúsundum þekktra próteinbygginga og nota þessa þekkingu til að spá fyrir um nýjar. Í júlí 2022 sagði gervigreindarfyrirtækið DeepMind að AlphaFold reikniritið hefði reiknað út uppbyggingu 200 milljóna próteina, næstum allra þeirra sem vísindin þekkja. Stundum geta takmörk þess sem hægt er að átta sig á breyst verulega á örskotsstundu.
