Hepimiz zaman zaman zor kararlar vermek zorundayız. Hayatımın en zoru, doktoramdan sonra temel fizikten iklim fiziğine kadar araştırma alanlarını değiştirip değiştirmemekti. Beni her iki yöne de götürebilecek iş teklifleri aldım – biri Cambridge Üniversitesi’nde Stephen Hawking’in Relativity and Gravitation Group’a katılmak, diğeri de Met Office’e bilimsel memur olarak katılmak.
Her iki seçeneğin de artılarını ve eksilerini olması gerektiği gibi yazdım ama sonra bir türlü kararımı veremedim. Buridan’ın eşeği gibi , ne saman balyasına ne de su kovasına hareket edemiyordum. Analize göre klasik bir felç vakasıydı.
Başımı ağrıttığı için, sorunu birkaç haftalığına unutup hayatıma devam etmeye karar verdim. Aradan geçen o sürede bilinçsiz beynim benim yerime karar verdi. Bir gün ofisime girdim ve cevap bir şekilde apaçık ortaya çıktı: Hava ve iklimi incelemeye geçiş yapacaktım.
Kırk yılı aşkın bir süre sonra yine aynı kararı verirdim. Tatmin edici kariyerim, insani yardım ve afet yardım kuruluşlarının aşırı hava olayları öncesinde daha iyi kararlar almasına yardımcı olan, hava ve iklimi tahmin etmenin yeni, olasılıklı bir yolunu geliştirmeyi içeriyordu . (Bu ve diğer pek çok yön, yeni kitabım The Primacy of Doubt’ta anlatılıyor .)
Ama o zamanlar kafamın içinde olup bitenler beni büyülemeye devam ediyor, bu da bilinçaltımın, bilincimin yapamadığı, hayat değiştiren bir karar vermesine neden oldu. Burada sadece zor kararların nasıl alınacağıyla ilgili değil, aynı zamanda insanların böylesine yaratıcı bir tür olarak bizi karakterize eden hayal gücü sıçramalarını nasıl yaptıklarıyla ilgili olarak anlaşılması gereken bir şey var mı? Her iki sorunun cevabının da gürültünün olağanüstü gücünü daha iyi anlamakta olduğuna inanıyorum.
kesin olmayan süper bilgisayarlar
Einstein’ın genel görelilik kuramının kalem ve kağıt matematiğinden dünyanın en büyük süper bilgisayarlarından bazılarında karmaşık iklim modelleri çalıştırmaya geçtim. Ne kadar büyük olsalar da hiçbir zaman yeterince büyük olmadılar – sonuçta gerçek iklim sistemi çok karmaşık.
Araştırmamın ilk günlerinde, yalnızca birkaç yıl beklemek gerekiyordu ve sınıfının en iyisi süper bilgisayarlar iki kat daha güçlü hale geliyordu. Bu, transistörlerin gittikçe küçüldüğü ve her bir mikroçipe daha fazlasının sıkıştırılmasına izin verdiği bir dönemdi . Sonuç olarak bilgisayar performansının aynı güç için her birkaç yılda bir ikiye katlanması Moore Yasası olarak biliniyordu .
Insights ekibi, uzun biçimli gazetecilik üretir ve toplumsal ve bilimsel zorlukların üstesinden gelmek için projelerde yer almış farklı geçmişlere sahip akademisyenlerle birlikte çalışır.
Bununla birlikte, transistör bir açma-kapama anahtarı olarak kilit rolünde güvenilmez hale gelmeden önce yapabileceğiniz çok fazla minyatürleştirme vardır. Bugün, atom boyutuna yaklaşmaya başlayan transistörlerle , Moore Yasasının sınırına hemen hemen ulaştık. Daha fazla sayı-çatışma yeteneği elde etmek için, bilgisayar üreticilerinin her biri yongalarla dolu daha fazla bilgi işlem kabinini bir araya getirmesi gerekiyor.
Ama bir sorun var. Sayıları ezme kabiliyetini bu şekilde artırmak çok daha fazla elektrik gücü gerektirir – tenis kortu büyüklüğündeki modern süper bilgisayarlar onlarca megavat tüketir. İklim değişikliğinin etkilerini doğru bir şekilde tahmin etmeye çalışmak için çok fazla enerjiye ihtiyaç duymamızı utanç verici buluyorum.
Bu yüzden daha fazla enerji tüketmeden daha doğru bir iklim modelinin nasıl oluşturulacağıyla ilgilenmeye başladım . Ve bunun temelinde, kulağa mantıksız gelen bir fikir var: Bir iklim modeline rastgele sayılar veya “gürültü” ekleyerek, onu hava tahmininde gerçekten daha doğru hale getirebiliriz.
Gürültü için yapıcı bir rol
Gürültü genellikle bir rahatsızlık olarak görülür – mümkün olan her yerde en aza indirilmesi gereken bir şey. Telekomünikasyonda, sinyali yükselterek veya arka plan gürültüsünü mümkün olduğunca azaltarak “sinyal-gürültü oranını” maksimize etmeye çalışmaktan bahsediyoruz. Bununla birlikte, doğrusal olmayan sistemlerde , gürültü arkadaşınız olabilir ve aslında bir sinyali artırmaya katkıda bulunabilir. ( Doğrusal olmayan bir sistem , çıktısının girdiyle doğru orantılı olarak değişmediği sistemdir. Piyangoda 100 milyon sterlin kazandığınız için muhtemelen çok mutlu olacaksınız, ancak muhtemelen 200 milyon sterlin kazandığınız için iki kat daha fazla mutlu olmayacaksınız.)
Örneğin gürültü, aşağıdaki Şekil 1’deki gibi karmaşık bir eğrinin maksimum değerini bulmamıza yardımcı olabilir. Fiziksel, biyolojik ve sosyal bilimlerde olduğu kadar mühendislikte de böyle bir maksimumu bulmamız gerekebilecek birçok durum vardır. Benim meteoroloji alanımda, küresel bir hava tahmini için en iyi başlangıç koşullarını bulma süreci, çok karmaşık bir meteorolojik fonksiyonun maksimum noktasının belirlenmesini içerir .
Bununla birlikte, küresel maksimumu bulmak için ” belirleyici bir algoritma ” kullanmak genellikle işe yaramaz. Bu tür bir algoritma tipik olarak yerel bir zirvede (örneğin a noktasında) sıkışır çünkü eğri oradan her iki yönde de aşağı doğru hareket eder.
Bir cevap, metallerin özelliklerini değiştiren ısıl işlem süreci olan ( tavlama ) ile benzerliklerinden dolayı ” simülasyonlu tavlama ” adı verilen bir teknik kullanmaktır. Yerel zirvelerde takılma sorununu çözmek için gürültü kullanan tavlama simülasyonu, bir harita üzerinde çok sayıda şehir arasındaki en kısa yolu bulmaya yönelik klasik seyyar satıcı bulmacası da dahil olmak üzere birçok sorunu çözmek için kullanılmıştır .
Rastgele seçilen bir nokta, eğri üzerindeki mevcut konumdan daha yüksekse, o zaman yeni nokta her zaman taşınır.
Geçerli konumdan daha düşükse, önerilen nokta mutlaka reddedilmez. Yeni noktanın çok daha düşük mü yoksa sadece biraz daha mı düşük olduğuna bağlıdır.
Ancak, yeni bir noktaya geçme kararı aynı zamanda analizin ne kadar süredir devam ettiğine de bağlıdır. Erken aşamalarda, mevcut konumdan biraz daha düşük rastgele noktalar kabul edilebilirken, sonraki aşamalarda yalnızca daha yüksek veya biraz daha düşük olanlar kabul edilir.
Bu teknik tavlama benzetimi olarak bilinir, çünkü erken aşamada -soğumanın erken evresindeki sıcak metal gibi- sistem esnek ve değişkendir. Sürecin ilerleyen kısımlarında -soğumanın son aşamasındaki soğuk metal gibi- neredeyse katı ve değişmezdir.
Gürültü iklim modellerine nasıl yardımcı olabilir?
Gürültü, yaklaşık 20 yıl önce kapsamlı hava ve iklim modellerine dahil edildi. Temel sebeplerden biri, toplu hava durumu tahminlerimizde model belirsizliğini temsil etmekti – ancak gürültü eklemenin, modellerin sahip olduğu bazı önyargıları da azalttığı ve onları daha doğru hava ve iklim simülatörleri haline getirdiği ortaya çıktı.
Ne yazık ki, bu modeller onları çalıştırmak için çok büyük süper bilgisayarlar ve çok fazla enerji gerektiriyor. Dünyayı, her birinin içindeki atmosfer ve okyanusun sabit olduğu varsayılarak – ki tabii ki öyle değil – küçük ızgara kutularına bölerler. Tipik bir ızgara kutusunun yatay ölçeği yaklaşık 100 km’dir – bu nedenle bir modeli daha doğru hale getirmenin bir yolu, bu mesafeyi 50 km’ye veya 10 km’ye veya 1 km’ye düşürmektir. Bununla birlikte, bir ızgara kutusunun hacmini yarıya indirmek, modeli çalıştırmanın hesaplama maliyetini 16 katına kadar artırır, bu da çok daha fazla enerji tükettiği anlamına gelir.
Burada yine gürültü çekici bir alternatif sunuyordu. Öneri , türbülans , bulut sistemleri, okyanus girdapları gibi küçük ölçekli iklimsel süreçlerdeki öngörülemeyen (ve modellenemeyen) varyasyonları temsil etmek için kullanmaktı. Gürültü eklemenin, ızgara kutularının boyutunu küçültmenin muazzam hesaplama maliyetine katlanmak zorunda kalmadan doğruluğu artırmanın bir yolu olabileceğini savundum. Örneğin, şu anda doğrulandığı gibi , bir iklim modeline gürültü eklemek, aşırı kasırgalar üretme olasılığını artırır; bu, iklim değişikliği nedeniyle hava durumu daha aşırı hale gelen bir dünyanın potansiyel gerçekliğini yansıtır.
Bu modelleme için kullandığımız bilgisayar donanımı doğası gereği gürültülüdür – bir bilgisayarda teller boyunca hareket eden elektronlar, sıcak ortamı nedeniyle kısmen rastgele şekillerde hareket eder. Bu rastgeleliğe “termal gürültü” denir. Sözde rasgele sayılar oluşturmak için yazılım kullanmak yerine, ona dokunarak daha fazla enerji tasarrufu sağlayabilir miyiz? Bana göre, doğası gereği gürültülü olan düşük enerjili “kesin olmayan” süper bilgisayarlar , bir kazan-kazan önerisi gibi görünüyordu.
Ancak tüm meslektaşlarım ikna olmadı. Bilgisayarların her gün aynı yanıtları vermemesinden rahatsız oldular. Onları ikna etmeye çalışmak için, sınırlı enerji mevcudiyeti nedeniyle donanımlarında üretilen gürültüyü de kullanan diğer gerçek dünya sistemlerini düşünmeye başladım. Ve insan beynine rastladım.
beyindeki gürültü
Uyanık olduğumuz günün her saniyesinde, yalnızca gözlerimiz beyne gigabaytlarca veri gönderir. Bu, bir iklim modelinin verileri belleğe her çıkışında ürettiği veri miktarından çok da farklı değil.
Beynin bu verileri işlemesi ve bir şekilde anlamlandırması gerekiyor. Bunu bir süper bilgisayarın gücünü kullanarak yapsaydı, bu yeterince etkileyici olurdu. Ancak bunu, bu gücün milyonda birini, yani bir ampulü çalıştırmak için gereken 20 MW yerine yaklaşık 20 W’ı kullanarak yapıyor. Böyle bir enerji verimliliği akıllara durgunluk verecek kadar etkileyici. Beyin bunu nasıl yapıyor?
Yetişkin bir beyin yaklaşık 80 milyar nöron içerir. Her nöronun, elektrik uyarılarının bir nöron grubundan diğerine iletildiği uzun, ince bir biyolojik kablosu – akson – vardır. Ancak beyindeki bilgileri toplu olarak tanımlayan bu dürtülerin, aksonlar boyunca düzenli aralıklarla konumlandırılan protein “transistörleri” tarafından desteklenmesi gerekir. Onlar olmadan, sinyal dağılır ve kaybolur.
Beyindeki nöronlar ve aksonlar.
Bu takviyeler için gereken enerji, nihayetinde kandaki ATP (adenosin trifosfat) adı verilen organik bir bileşikten gelir. Bu, elektrik yüklü sodyum ve potasyum atomlarının (iyonların) nöron duvarlarındaki küçük kanallardan itilmesini sağlayarak, silikon transistörlerdekine çok benzeyen elektrik voltajları yaratarak, nöronal elektrik sinyallerini aksonlar boyunca hareket ederken yükseltir.
On milyarlarca nörona yayılmış 20 W’lık güçle, ilgili voltajlar ve akson kabloları çok küçüktür . Ve çapı yaklaşık 1 mikrondan küçük olan (beyindeki çoğu akson) aksonların gürültüye duyarlı olduğuna dair kanıtlar vardır . Başka bir deyişle, beyin gürültülü bir sistemdir.
Bu gürültü yararsız bir “beyin sisi” yarattıysa, neden kafamızda bu kadar çok ince akson olacak şekilde evrimleştiğimiz merak edilebilir. Gerçekten de, daha kalın aksonlara sahip olmanın faydaları vardır: sinyaller aksonlar boyunca daha hızlı yayılır. Yırtıcı hayvanlardan kaçmak için hâlâ hızlı tepki sürelerine ihtiyacımız olsaydı, o zaman ince aksonlar dezavantajlı olurdu . Bununla birlikte, kendimizi düşmanlara karşı savunmanın toplumsal yollarını geliştirmek, hızlı tepki sürelerine olan ihtiyacı azaltarak daha ince aksonlara doğru evrimsel bir eğilime yol açmış olabilir.
Belki de şans eseri, nöron sayısını daha da artıran ve akson boyutlarını azaltan evrimsel mutasyonlar, toplam enerji tüketimini aynı tutarak beynin nöronlarını gürültüye karşı daha duyarlı hale getirdi. Ve bunun başka bir dikkate değer etkisinin olduğuna dair artan kanıtlar var: insanlarda hayal gücü ve yaratıcılıkta sıçramalar gerektiren sorunları çözme yeteneğini teşvik etti.
Belki de ancak beynimizde önemli bir gürültü oluşmaya başladığında gerçekten Homo Sapiens olduk?
Beyindeki gürültüyü iyi bir şekilde kullanmak
Pek çok hayvan, problem çözmek için yaratıcı yaklaşımlar geliştirmiştir, ancak hayvanlar aleminde bir Shakespeare, bir Bach veya bir Einstein ile kıyaslanacak hiçbir şey yoktur.
Yaratıcı dahiler fikirlerini nasıl buluyor? Bugün yaşayan belki de en ünlü matematikçi olan Andrew Wiles’tan , Fermat’ın Son Teoremi olarak bilinen (yanıltıcı bir şekilde) matematik probleminin ünlü ispatına giden zaman hakkında bir alıntı :
Gerçek bir çıkmaza girdiğinizde, rutin matematiksel düşünmenin size hiçbir faydası olmaz. Bu tür yeni bir fikre öncülük etmek için, herhangi bir dikkat dağıtmadan sorun üzerinde uzun bir süre muazzam bir odaklanma olmalıdır. Bu problemden başka hiçbir şeyi gerçekten düşünmelisin – sadece ona konsantre ol. Ve sonra durursun. [Bu noktada] bilinçaltının kontrolü ele aldığı bir gevşeme dönemi var gibi görünüyor ve bu süre zarfında bazı yeni içgörüler geliyor.
Bu kavram evrensel görünüyor. Fizik Nobel Ödülü Sahibi Roger Penrose , bir meslektaşıyla işlek bir caddeden geçerken (belki de karşıdan gelen trafiğe bakarken konuşmalarını düşünerek) “Eureka anı” hakkında konuştu. Kaos teorisinin babası Henri Poincaré için bu bir otobüse yetişmekti.
Ve bu sadece matematik ve fizikteki yaratıcılık değil. Monty Python’la ünlü komedyen John Cleese, sanatsal yaratıcılıkla ilgili hemen hemen aynı noktaya değiniyor – bu, işinize yoğun bir şekilde odaklandığınızda değil, rahatladığınızda ve bilinçaltınızın dolaşmasına izin verdiğinizde ortaya çıkıyor.
Elbette bilinçaltınızdan fışkıran tüm fikirler Eureka anları olmayacak. Fizikçi Michael Berry , bu bilinçaltı fikirlerden sanki “klariton” adı verilen temel parçacıklarmış gibi bahsediyor :
Aslında, parçacık fiziğine bir katkım var… ani anlayışın temel parçacığı: “clariton”. Herhangi bir bilim adamı “aha!” bu parçacığın yaratıldığı an. Ama bir sorun var: çok sık olarak, bugünün aydınlığı yarının “karşıtlığı” tarafından yok ediliyor. Karalamalarımızın çoğu antik yazıt molozunun altında kayboluyor.
Hepimizin bağ kurabileceği bir şey var: Günün soğuk ışığında, “parlak” bilinçaltı fikirlerimizin çoğu mantıksal düşünme tarafından yok ediliyor. Bu işlemden sonra sadece çok çok çok az sayıda clariton kalır. Ancak bunu yapanların değerli taş olma olasılığı yüksektir.
Nobel ödüllü psikolog Daniel Kahneman, ünlü Hızlı ve Yavaş Düşünme adlı kitabında beyni ikili bir şekilde tanımlıyor. Çoğu zaman yürürken, sohbet ederken ve etrafa bakarken (diğer bir deyişle çoklu görev yaparken), Kahneman’ın “sistem 1” dediği bir modda çalışır – oldukça hızlı, otomatik, zahmetsiz bir çalışma modu.
Buna karşılık, belirli bir problem hakkında yoğun bir şekilde düşündüğümüzde (tek görevlendirme), beyin daha yavaş, daha müzakereci ve mantıklı “2. sistem”dedir. 37×13 gibi bir hesap yapabilmek için yürümeyi, konuşmayı, gözlerimizi kapatmamız ve hatta ellerimizi kulaklarımıza kapatmamız gerekiyor. Sistem 2’de önemli çoklu görev şansı yok.
Hesaplamalı sinirbilimci Michael O’Shea ile 2015 tarihli makalem , 1. sistemi, mevcut enerjinin çok sayıda aktif nörona yayıldığı bir mod olarak ve 2. sistemi, enerjinin daha az sayıda aktif nörona odaklandığı bir mod olarak yorumladı. Bu nedenle, aktif nöron başına düşen enerji miktarı, sistem 1 modundayken çok daha küçüktür ve beynin bu durumdayken gürültüye daha duyarlı olması makul görünmektedir. Yani, çoklu görev yaptığımız durumlarda, nöronlardan herhangi birinin çalışması, beyindeki gürültünün etkilerine en duyarlı olacaktır.
Berry’nin clariton-anticlariton etkileşimi resmi, gürültülü sistem 1 ile deterministik sistem 2’nin sinerji içinde hareket ettiği bir beyin modelini öneriyor gibi görünüyor. Karşıtlık, 2. sistemde gerçekleştirdiğimiz ve çoğu zaman bizi çılgın 1. sistem fikirlerimizi reddetmeye götüren mantıksal analizdir.
Ancak bazen bu fikirlerden birinin o kadar da çılgın olmadığı ortaya çıkıyor.
Bu, benzetilmiş tavlama analizimizin (Şekil 1) nasıl çalıştığını anımsatıyor. Başlangıçta pek çok “çılgın” fikri çekici bulabiliriz. Ancak en uygun çözümü bulmaya yaklaştıkça, yeni bir öneriyi kabul etme kriterleri daha katı ve anlaşılır hale gelir. Şimdi, 2. sistem antiklitonları, 1. sistem klaritonlarının onlara fırlatabileceği hemen hemen her şeyi yok ediyor – ama Wiles’ın büyük rahatlama göreceği gibi, her şeyi değil.
Yaratıcılığın anahtarı, gürültülü ve deterministik düşünme arasındaki sinerji ise, bunun bazı sonuçları nelerdir?
Bir yandan, gerekli arka plan bilgisine sahip değilseniz, o zaman analitik gücünüz tükenecektir. Bu nedenle Wiles, içgörü anına kadar kendinizi konunuza kaptırmanız gerektiğini söylüyor. İlk etapta kuantum fiziği hakkında oldukça iyi bir kavrayışa sahip değilseniz, kuantum fiziğinde devrim yaratacak parlak fikirlere sahip olmayacaksınız.
Ama aynı zamanda her gün fazla bir şey yapmamak, rahatlamak ve zihninizin dolaşmasına izin vermek için kendinize yeterince zaman ayırmanız gerekir. Araştırma öğrencilerime, kariyerlerinde başarılı olmak istiyorlarsa, uyanık oldukları her saati dizüstü veya masaüstü bilgisayarlarının önünde geçirmemeleri gerektiğini söylüyorum. Ve onu sosyal medyayla değiştirmek muhtemelen yardımcı olmuyor, çünkü hala gerçekten çoklu görev yapmıyorsunuz – sosyal medyada olduğunuz her an, dikkatiniz hala belirli bir konuya odaklanmış durumda.
Ancak yürüyüşe çıkmak, bisiklete binmek veya bir kulübe boyamak muhtemelen yardımcı olur. Şahsen, radyoyu açmamak koşuluyla, araba sürmenin yeni fikirler ve düşünceler bulmak için yararlı bir aktivite olduğunu düşünüyorum.
Zor kararlar verirken bu, tüm artıları ve eksileri listeledikten sonra , sorun hakkında bir süre aktif olarak düşünmemenin yardımcı olabileceğini gösteriyor. Sanırım bu, yıllar önce nihayet araştırma yönümü değiştirme kararını nasıl verdiğimi açıklıyor – o zamanlar bunu bildiğimden değil.
Beynin 1. sistemi enerjiyi çok verimli kullandığından, günlük yaşamımızdaki birçok kararın (bazıları 35.000 kadar diyor) büyük çoğunluğunu vermek için kullanırız – bunların çoğu o kadar da önemli değildir, örneğin bir karar vermeye devam edip etmemek gibi. mağazalara doğru yürürken diğerinin önünde bacak. (Alternatif olarak, her adımdan sonra durabilir, bir avcının dışarı fırlayıp bana saldırmayacağından emin olmak için çevremi inceleyebilir ve buna dayanarak bir sonraki adımı atıp atmayacağıma karar verebilirdim.)
Ancak, bu 1. sistem düşüncesi bazen kötü kararlar almamıza neden olabilir, çünkü bu düşük enerji moduna geçtik ve yapmamız gerektiği halde 2. sistemi devreye sokmadık. Geriye dönüp baktığımızda kaç kez kendimize şunu söylüyoruz: “Neden şu veya bu kararı daha fazla düşünmedim?”
Tabii ki bunun yerine vermek zorunda olduğumuz her karar için 2. sistemi devreye soksaydık, o zaman günlük hayatımızda yapmamız gereken diğer tüm önemli şeyleri yapmak için yeterli zamanımız veya enerjimiz olmazdı (yani dükkanlar kapanmış olabilir). onlara ulaştığımız zaman).
Bu açıdan bakıldığında önemsiz sorulara yanlış cevap vermeyi akılsızlık delili olarak görmemek gerekir. Kahneman , MIT, Harvard ve Princeton’daki öğrencilerin %50’den fazlasının bu basit soruya yanlış yanıt verdiğine değiniyor – bir sopa ve topun maliyeti 1,10 dolar; yarasa, toptan bir dolar daha pahalıdır; top kaç para – mantıksızlığımızın kanıtı olarak. Düşünürseniz doğru cevap 5 sent . Ama 1. sistem on sent diye bağırıyor.
Ölüm acısı ile ilgili bu soru sorulsaydı, doğru cevabı bulmak için yeterince düşündüğümüzü umarız. Ama soru, sınıf sonrası anonim bir testin parçası olarak sorulsaydı, zaman ve enerji harcayacak çok daha önemli şeylerimiz varken, o zaman doğru cevabı vermenin mantıksız olduğunu düşünme eğiliminde olurdum.
Beyni çalıştırmak için 20 MW’ımız olsaydı, bunun bir kısmını önemsiz sorunları çözmeye harcayabilirdik. Ama sadece 20W’ımız var ve onu dikkatli kullanmamız gerekiyor. Belki de asıl zeki olanlar, yanlış cevap veren MIT, Harvard ve Princeton öğrencilerinin %50’sidir.
Gürültülü bir iklim modelinin, gürültüsüz bir modelin üretemeyeceği hava türlerini üretebilmesi gibi, gürültülü bir beyin de gürültüsüz bir beynin üretemeyeceği fikirleri üretebilir. Ve bu tür havaların istisnai kasırgalar olabileceği gibi, bu fikir size bir Nobel Ödülü kazandırabilir.
Bu nedenle, olağanüstü bir şey başarma şansınızı artırmak istiyorsanız, kırsalda yürüyüşe çıkmanızı, bulutlara bakmanızı, kuşların cıvıltısını dinlemenizi ve akşam yemeğinde ne yiyebileceğinizi düşünmenizi tavsiye ederim.
Peki bilgisayarlar yaratıcı olabilir mi?
Bilgisayarlar bir gün Shakespeare, Bach veya Einstein kadar yaratıcı olacak mı? Çevremizdeki dünyayı bizim anladığımız gibi anlayacaklar mı? Stephen Hawking , AI’nın sonunda insanlığı ele geçirip yerini alacağı konusunda ünlü bir uyarıda bulundu .
Ancak bilgisayarların asla bizim anladığımız gibi anlayamayacakları fikrinin en bilinen savunucusu, Hawking’in eski meslektaşı Roger Penrose’dur. Penrose iddiasını ileri sürerken matematikte Gödel teoremi olarak bilinen önemli bir “meta” teoremine başvurur ve bu teorem , deterministik algoritmalarla kanıtlanamayacak matematiksel gerçekler olduğunu söyler.
Gödel teoremini açıklamanın basit bir yolu var. Diyelim ki eski Yunanlılardan bu yana kanıtlanmış olan en önemli matematik teoremlerinin bir listesini yapıyoruz. Listede birincisi, Öklid’in sonsuz sayıda asal sayı olduğuna dair kanıtı olacaktır, bu da gerçekten yaratıcı bir adım gerektirir (sözde sonlu sayıda asal sayıyı birlikte çarpın ve bir ekleyin). Matematikçiler buna “hile” derler – akıllı ve özlü bir matematiksel yapının kısaltması.
Ancak bu numara, Pisagor’un ikinin karekökünün iki tam sayının oranı olarak ifade edilemeyeceğini kanıtlaması gibi, listenin ilerisindeki önemli teoremleri kanıtlamak için yararlı mı? Açıkça değil; bu teorem için başka bir numaraya ihtiyacımız var. Aslında, listede ilerledikçe, her yeni teoremi kanıtlamak için genellikle yeni bir hileye ihtiyaç duyulduğunu göreceksiniz. Görünüşe göre matematikçilerin teoremlerini ispatlamak için ihtiyaç duyacakları numaralar bitmek bilmiyor. Belirli bir numara setini bir bilgisayara basitçe yüklemek, bilgisayarı mutlaka yaratıcı yapmaz.
Bu, matematikçilerin işlerini bilgisayarlar tarafından devralınmayacağını bildikleri için rahat nefes alabilecekleri anlamına mı geliyor? Belki de değil.
Bilgisayarların tamamen deterministik, ” bit-tekrarlanabilir ” makineler yerine gürültülü olmasına ihtiyacımız olduğunu savunuyorum . Ve gürültü, özellikle de kuantum mekaniği süreçlerinden geliyorsa, Gödel teoreminin varsayımlarını bozacaktır: Gürültülü bir bilgisayar, kelimenin genel anlamıyla algoritmik bir makine değildir .
Bu, gürültülü bir bilgisayarın yaratıcı olabileceği anlamına mı geliyor? Genel amaçlı bilgi işlem makinesinin öncüsü Alan Turing, bunun mümkün olduğuna inandı ve “bir makinenin yanılmaz olması bekleniyorsa, aynı zamanda akıllı da olamayacağını” öne sürdü. Yani makinenin zeki olmasını istiyorsak, hata yapabilmesi daha iyi.
Diğerleri, basitçe gürültü eklemenin, aksi takdirde aptal bir makineyi akıllı bir makineye dönüştüreceğine dair hiçbir kanıt olmadığını iddia edebilir – ve ben de bu haliyle aynı fikirdeyim. Bir iklim modeline gürültü eklemek, onu otomatik olarak akıllı bir iklim modeli yapmaz.
Bununla birlikte, gürültü ve determinizm arasındaki sinerjistik etkileşim türü – buğdayı rastgele fikirlerin samanından ayıran tür – bilgisayar kodlarında henüz neredeyse hiç geliştirilmedi. Belki de yapay zekanın clariton-anticlariton modelini kullanarak basit matematik teoremlerini çözmesini sağlayarak eğitildiği yeni bir yapay zeka modeli geliştirebiliriz; tahminler yaparak ve bunlardan herhangi birinin değeri olup olmadığını görerek.
Bunun izlenebilir olması için yapay zeka sisteminin “eğitimli rastgele tahminlere” odaklanmak üzere eğitilmesi gerekir. (Makinenin tahminlerinin tümü eğitimsizse, ilerleme kaydetmek sonsuza kadar sürer – bir grup maymunun Hamlet’in ilk birkaç satırını yazmasını beklemek gibi.)
Örneğin, Öklid’in sınırsız sayıda asal sayı olduğunu kanıtlaması bağlamında, bir yapay zeka sistemini, “varsayılan sonlu sayıda asal sayıyı birlikte çarpın ve bir ekleyin” gibi rastgele bir fikrin çok daha olası hale geleceği şekilde eğitebilir miyiz? “Varsayılan sonlu sayıda asal sayıyı topla ve altıyı çıkar” tamamen yararsız rasgele fikirden daha mı? Ve belirli bir tahminin özellikle yardımcı olduğu ortaya çıkarsa, yapay zeka sistemini bir sonraki tahminin son tahminin bir iyileştirmesi olacak şekilde eğitebilir miyiz?
Bunu bir şekilde yapmanın bir yolunu bulabilirsek, modellemeyi tüm çalışma alanlarıyla ilgili tamamen yeni bir düzeye açabiliriz. Ve bunu yaparken, makineler insanlardan görevi devraldığında sözde ” tekilliğe ” ulaşabiliriz. Ancak, yalnızca yapay zeka geliştiricileri, beynin binlerce yıl önce yaptığı gibi, gürültünün yapıcı rolünü tamamen benimsediğinde.
Şimdilik, kırsalda başka bir yürüyüşe ihtiyaç duyuyorum. Bazı küflü eski örümcek ağlarını uçurmak ve belki de heyecan verici yenilerinin tohumlarını ekmek.