С момента разработки программного обеспечения, такого как «Машина логической теории» в 1956 году или «Общее решение проблем» в 1957 году, отношения между компьютерами и философией рассматривались как формальные, так и теоретические. Компьютеры предлагали способ реализации и проверки теоретических философских моделей языка, мышления или методологии. В данной работе экспериментальная философия представлена как альтернативная методологическая основа для понимания отношений между компьютерами и философией.
Ключевые слова: экспериментальная философия, моделирование, компьютер, эпистемология.
1. Введение
С момента разработки программного обеспечения, такого как The Logic Theory Machine в 1956 году или The General Problem Solver в 1957 году, отношения между компьютерами и философией рассматривались как формальные, так и теоретические. Компьютеры предложили способ реализации и проверки теоретических философских моделей языка, мысли, методологии. Также они предлагали эвристику, но основой была очень хорошо продуманная формальная модель. В данной работе экспериментальная философия представлена как альтернативная методологическая основа для понимания отношений между компьютерами и философией.
Машинное обучение так же актуально для философии науки, как и экспериментальная философия для этики, но некоторые люди интересуются вопросом, к чему может привести смешение экспериментальной философии и машинного обучения. Таким образом, машинное обучение может играть очень важную роль в разработке экспериментальной философской основы для философии науки.
Для этого нам нужно подумать о том, как рассмотреть компьютерное моделирование в качестве эксперимента, следуя парадигме электронной науки. Тогда мы можем рассматривать программы машинного обучения не только как формальные математические системы, но и как специфический тип моделирования, который может быть очень актуален в философии науки.
2. Понимание экспериментальной философии и машинного обучения
2.1 Что такое экспериментальная философия
Когда авторы XVII века говорили об экспериментальной философии, они выступали против предшествующей спекулятивной философии, в основном схоластики, и требовали нового исследовательского внимания к естественным физическим явлениям с точки зрения наблюдения. На данный момент распространение и реализации этой идеи напрямую взаимосвязана с экспериментальными подходами и философскими идеями.
Здесь мы можем столкнуться с несколькими концептуальными проблемами: во-первых, что такое эксперимент; во-вторых, что такое философская проблема и, в-третьих, что означает и подразумевает идею «экспериментальной философии».
Давайте определимся с этими предварительными идеями:
- Эксперименты: представляют собой широкий спектр различных эмпирических практик, которые пытаются получить знания от набора контролируемых объектов в контролируемых условиях. Понятие «эмпирический» напоминает нам, что это не просто формальная процедура или деятельность по обработке правил: даже в случае вычислительного моделирования эксперименты сталкиваются с гипотетически реальными средами, которые были количественно захвачены и воспроизведены в дискретизированную структуру.
- Философские проблемы: философия до сих пор обращается к некоторым из древнейших проблем нескольких традиций: как мы можем знать, как работает разум, какая этическая/политическая система лучше, или в чем смысл всего существования.
- Экспериментальная философия: предполагается, что это внедрение философских проблем в экспериментальные практики или традиции.
Мы можем выделить две области, в которых выполняется экспериментальная философия: философия разума и моральная философия или эпистемология.
2.2. Что такое машинное обучение
Машинное обучение это развивающаяся ветвь вычислительных алгоритмов, предназначенная для имитации человеческого интеллекта путем обучения в окружающей среде. Они считаются рабочей лошадкой в новую эру так называемых больших данных. Методы, основанные на машинном обучении, успешно применяются в различных областях, от распознавания образов, компьютерного зрения, проектирования космических кораблей, финансов, развлечений и вычислительной биологии до биомедицинских и медицинских приложений.
3. Философские дискуссии
Хотя мы могли бы найти исторические связи между рождением искусственного интеллекта и философии, фактом является то, что современная философия приняла вычислительные подходы, приобретая в то же время некоторые внешние проблемы, но включенные в философский список проблем, которые должны быть решены. Некоторые из них, такие как тест Тьюринга, проблема Геттиера, трудная проблема сознания, автоматизированные доказательства или проблемы NP, среди длинного списка, все еще обсуждаются. Но давайте сосредоточимся на самых последних дебатах по проблемам, связанным с большими данными.
3.1 Философия науки
С самого начала, с появлением нейронных сетей, одной из главных дискуссий в области машинного обучения были характеристики того или иного метода. Ученый-информатик, разрабатывая специальное приложение для обнаружения мошенничества с картами, может задаться вопросом, что лучше всего выбрать: деревья решений, байесовские методы, глубокое обучение или SVM (Support Vector Machines)) и почему. Это может быть основано на интуитивном опыте кодера, но можно также разработать алгоритмы метаобучения, в которых проверяются разные алгоритмы, чтобы увидеть, какой из них покажется наиболее многообещающим.
Легко увидеть эквивалентность философии науки. Разные философы представляют разные «алгоритмы», описывающие, как должны работать ученые, а затем обсуждают основные преимущества и недостатки. Индукция в сравнении с гипотетико-дедуктивной моделью; частый анализ вероятности по сравнению с байесовским. Все эти дискуссии похожи на проблему машинного обучения в том смысле, что это сравнение и принятие решения о том, какие методы лучше всего подходят; в случае машинного обучения разработать полезную модель для составления некоторых прогнозов или расчетов. В случае с философией науки необходимо констатировать относительную выгоду или даже ее рациональность.
3.2 Статистические дебаты, вычислительная эра и философия
Как только научные области начали измерять реальность и работать с наборами числовых данных, возникла необходимость в статистических подходах к реальности. Появились дебаты между статистическими стратегиями (в основном частотными и байесовскими), а с появлением компьютерных средств и экспоненциальным ростом баз данных эти дебаты сместились в сторону прагматического подхода, хотя и под общим влиянием байесовской практики. Автоматизированные открытия, вычислительная креативность и области открытия знаний находятся под сильным влиянием байесовских методов, которые очень далеки от субъективистский подход к действительности. NARS (Non-Axiomatic Reasoning System) или NAL (Non-Axiomatic Logic) основаны на этих новых статистических подходах, а также на результате внедрения немонотонной логики и рассуждений в нескольких областях академических исследований, что делает возможным изучение и нахождение решения классических проблем. Очевидно, что некоторые из этих симуляций не являются настоящими экспериментами, но служат инструментами для большинства из них. Как бы то ни было, новые смешанные способы рассуждений статистически поддерживаются новыми вычислительными ресурсами.
4. Примеры случаев
Еще одним свидетельством актуальности машинного обучения для философии науки является электронная наука, или то, как алгоритмы начинают заменять ученых не только в процессах сбора данных и обработки грубой силы, но и в выполнении сложного распознавания паттернов. Мы можем разделить эти усилия на два основных класса, в соответствии с их актуальностью для философии: во-первых, у нас есть программное обеспечение, которое пытается имитировать научные открытия, пытаясь подражать рассуждениям, разработанным учеными в прошлом. Цель здесь состоит в том, чтобы внедрить в программное обеспечение моделирование того, как работает научный метод, и посмотреть, сможет ли программа прийти к выводу, подобному тем ученым во плоти. Другой основной класс посвящен научному творчеству; это попытка внедрить знания о научном методе в компьютерную программу, чтобы она могла сама генерировать новые знания, которые впоследствии могут быть проверены учеными-людьми. Компьютерные симуляции работают также, как эмпирические тесты философских теорий о том, что такое научный метод и как он работает. Если компьютерная система способна представить гипотезу, которую ученые считают актуальной, то философское предложение, заложенное в программное обеспечение, имеет эпистемологическое значение.
Еще более актуальными для наших исследований, и можно было бы сказать, что для науки в целом, являются автоматизированные процедуры, которые позволяют алгоритмам машинного обучения предсказывать будущие научные результаты — и, следовательно, ориентировать ученых на то, где искать при поиске новой модели или гипотезы — на основе вычислительного анализа научной литературы. KnIT (Knowledge Integration Toolkit) не требует предварительной обработки или маркировки бумаги; он имеет прямой доступ к документам в цифровом формате и осуществляет сложный процесс сопоставления шаблонов и обнаружения знаний без какого-либо вмешательства человека. Его областью знаний является белковое взаимодействие, и он способен предсказывать ранее неизвестные взаимодействия белка с белком. KnIT обнаруживает в литературе прямые и косвенные ссылки на новые открытия по взаимодействию белков, а затем проверяет эти новые знания с тем, что уже есть в его базе данных, и представляет новые гипотезы для проверки.
Knit сочетает машинное обучение с символьной обработкой, начинает с базовых знаний, курируемых людьми, но затем начинает создавать свою собственную базу знаний, и ее результаты были проверены учеными-людьми, которые признали его способность предсказывать новый научный прогресс.
5. Заключительные замечания
Мы представили всестороннее понимание экспериментальной философии и машинного обучения, показав, как эта область может быть очень актуальной для инноваций в философии науки.
Философия науки является гораздо более широким предметом, который подразумевает знание множества различных предметов и областей, а также общее понимание человеческой природы. Если, например, мы дадим алгоритму машинного обучения подборку основных статей философской дискуссии о том, есть ли прогресс в науке мы либо не получим никакого обобщения вообще, потому что в этом слишком много характеристик, либо очень перегруженную систему, в которой система могла бы сделать немного меньше.
Тем не менее, методы машинного обучения развиваются и способны решать проблемы, которые казались невозможными десять лет назад. Рассмотрим для примера недавние достижения с глубоким обучением Google в таких областях, как распознавание изображений или языков или игра Go. Это только вопрос времени, в котором возникнет совершенно новая парадигма экспериментальной философии: использование методов машинного обучения для инноваций в классических философских дебатах в эпистемологии, этике, метафизике, эстетике, истории философии...
Литература:
- https://www.ligo.org/detections/O3bcatalog.php
- https://www.agi-conf.org/2019/wp-content/uploads/2019..
- https://citeseerx.ist.psu.edu/viewdoc/download?doi=10..
- https://www.instructionaldesign.org/theories/general-..
- https://www.bcm.edu/news/knowledge-integration-toolki..
- https://www.rand.org/pubs/research_memoranda/RM3731.h..
- ttps://gtmarket.ru/concepts/6998
- http://ceur-ws.org/Vol-1752/paper01.pdf
- https://proglib.io/p/bayes-theorem
- https://towardsdatascience.com/support-vector-machine..
- https://www.ibm.com/cloud/learn/deep-learning
