Fagfolkene som forutsier fremtiden for å leve

Inez Fung

Professor i atmosfærisk vitenskap, University of California, Berkeley

Leah Fest

Spådom for 2030: Vi lyser opp verden ... trygt

Denne historien var en del av mars 2020-utgaven vår

• Se resten av saken
• Abonnere

Jeg har snakket med folk som vil ha informasjon om klimamodeller, men de er ikke helt sikre på hva de spør meg om. Så jeg sier til dem: Anta at jeg forteller dere at en hendelse vil skje med en sannsynlighet på 60 % i 2030. Vil det være bra nok for dere, eller trenger dere 70 %? Eller trenger du 90%? Hvilket informasjonsnivå vil du ha ut av klimamodellprojeksjoner for å være nyttig?

Jeg ble med i Jim Hansens gruppe i 1979, og jeg var der for alle de tidlige klimaprognosene. Og slik vi tenkte på det da, er disse tingene fortsatt helt der. Det vi har gjort siden den gang er å legge til rikdom og høyere oppløsning, men projeksjonene er virkelig forankret i samme type data, fysikk og observasjoner.

Likevel er det ting vi mangler. Vi har fortsatt ikke en reell teori om nedbør, for eksempel. Men det er to spennende ting som skjer der. Den ene er tilgjengeligheten av satellittobservasjoner: Å se på skyen er fortsatt ikke helt utnyttet. Den andre er at det tidligere ikke var noen måte å få regionale nedbørsmønstre gjennom historien - og nå er det det. Forskere fant disse hulene i Kina og andre steder, og de går inn, ser etter et fint lite kammer med stalagmitter, og så hakker de dem opp og sender dem tilbake til laboratoriet, hvor de utfører fantastisk uran-thorium-datering og måler oksygenisotoper i kalsiumkarbonat. Derfra kan de tolke en oversikt over historisk nedbør. Dataene er utrolige: Vi har over en halv million år med nedbørsrekorder over hele Asia.

Jeg ser ikke at vi reduserer fossilt brensel innen 2030. Jeg ser ikke at vi reduserer CO2 eller atmosfærisk metan. Omtrent 1,2 milliarder mennesker i verden har akkurat nå ikke tilgang til elektrisitet, så jeg ser frem til veksten i alternativ energi går til deler av verden som ikke har elektrisitet. Det er viktig fordi det er utdanning, helse, alt knyttet til en vestlig levestandard. Det er der jeg setter mitt håp.

Dvora fotografi

Anne Lise Kjær

Futurist, Kjaer Global, London

Spådom for 2030: Voksne vil lære å forstå nye ideer

Som barn ønsket jeg å bli arkeolog, og det gjorde jeg på en måte. Arkeologer finner gjenstander fra fortiden og prøver å koble sammen prikkene og fortelle en historie om hvordan fortiden kan ha vært. Vi gjør det samme som fremtidsforskere; vi bruker artefakter fra nåtiden og prøver å koble prikkene til interessante fortellinger i fremtiden.

Når det gjelder fremtiden, har du to valg. Du kan lene deg tilbake og tenke at det ikke skjer meg og bygge en stor mur for å holde alle de dårlige nyhetene ute. Eller du kan bygge vindmøller og utnytte forandringens vinder.

Mange bedrifter kommer til oss og tror de vil høre om fremtiden, men egentlig er det bare en øvelse for dem – la oss bare krysse av i boksen, lage en rapport og legge den i bokhyllen vår.

Så vi har en liten test for dem. Vi gjør intervjuer, vi stiller dem spørsmål; så bruker vi en modell kalt Trendatlas som tar både de vitenskapelige dimensjonene i samfunnet og de sosiale. Vi ser på trendene innen politikk, økonomi, samfunnsdrivere, teknologi, miljø, lovverk – hvordan passer det med det vi vet i dag? Vi ser tilbake kanskje 10, 20 år: kan vi se litt av en trend og prøve å sette det inn i fremtiden?

Hva blir det neste? Åpenbart med teknologi kan vi utdanne mye bedre enn vi kunne tidligere. Men det er en enorm mulighet til å utdanne foreldrene til neste generasjon, ikke bare barna. Barn lærer om bærekraftsmål, men hva med menneskene som faktisk styrer verden vår?

Bilde med høflighet

Philip Tetlock

Medforfatter av Superforecasting og professor, University of Pennsylvania

Forutsigelse for 2030: Vi blir bedre til å være usikre

På Good Judgment Project prøver vi å spore nøyaktigheten til kommentatorer og eksperter på domener der det vanligvis anses umulig å spore nøyaktighet. Du tar en stor debatt og bryter den ned i en serie testbare kortsiktige indikatorer. Så du kan ta en debatt om hvorvidt sterke former for kunstig intelligens kommer til å forårsake store dislokasjoner i funksjonærarbeidsmarkedene innen 2035, 2040, 2050. Mye diskusjon foregår allerede på det abstraksjonsnivået — men fra vårt synspunkt er det mer nyttig å bryte det ned og si: Hvis vi var på en langsiktig bane mot et slikt utfall, hva slags ting ville vi forvente å observere på kort sikt? Så vi startet dette i 2015, og i 2016 beseiret AlphaGo folk i Go. Men så skjedde det ikke andre ting: førerløse Ubers hentet ikke folk for billettpriser i noen større amerikansk by på slutten av 2017. Watson beseiret ikke verdens beste onkologer i en medisinsk diagnoseturnering. Så jeg tror ikke vi er på rask vei mot singulariteten, si det sånn.

Prognoser har potensial til å enten være selvoppfyllende eller selvnegerende — Y2K var uten tvil en selvfornektende prognose. Men det er mulig å bygge det inn i en prognoseturnering ved å stille betingede prognosespørsmål: dvs. hvor sannsynlig er X betinget av at vi gjør dette eller gjør det?

Det jeg har sett de siste 10 årene, og det er en trend som jeg forventer vil fortsette, er en økende åpenhet for kvantifisering av usikkerhet. Jeg tror det er en motvillig, stansende, men kumulativ bevegelse mot å tenke på usikkerhet, og mer detaljerte og nyanserte måter som gjør det mulig å holde poeng.

Ryan Young

Keith Chen

Førsteamanuensis i økonomi, UCLA

Spådom for 2030: Vi blir mer – og mindre – private

Da jeg jobbet med Ubers algoritme for overprising, var problemet det ble bygget for å løse veldig grovt: Vi prøvde å overbevise sjåfører om å legge inn ekstra tid når de var mest nødvendig. Det var forutsigbare tider – som nyttår – da vi visste at vi kom til å trenge mange mennesker. Det dypere problemet var at dette var et system uten kontroll. Det er som å prøve å forutsi været. Ja, mengden værdata vi samler inn i dag – temperatur, vindhastighet, barometertrykk, fuktighetsdata – er 10 000 ganger større enn det vi samlet inn for 20 år siden. Men vi kan fortsatt ikke forutsi været 10 000 ganger lenger ut enn vi kunne den gang. Og sosiale bevegelser - selv i en veldig spesifikk setting, for eksempel hvor ryttere ønsker å gå på et gitt tidspunkt - er, om noe, enda mer kaotisk enn værsystemer.

I disse dager er det jeg gjør litt mer som rettsmedisinsk økonomi. Vi ser for å se hva vi kan finne og forutsi fra folks bevegelsesmønstre. Vi bruker bare enkle mobiltelefondata som geolokalisering, men selv bare fra bevegelsesmønstre kan vi utlede fremtredende informasjon og bygge en psykologisk dimensjon av deg. Det som skremmer meg er at jeg føler at jeg har mye dårligere data enn Facebook har. Så hva er de i stand til å forstå med mye bedre informasjon?

Jeg tror det neste store sosiale vippepunktet er at folk faktisk begynner å virkelig bry seg om privatlivet sitt. Det vil være som å røyke på en restaurant: det vil raskt gå fra å forårsake raseri når folk vil stoppe det til å plutselig forårsake raseri hvis noen gjør det. Men samtidig vil nesten alle kinesiske statsborgere innen 2030 være fullstendig genotypet. Jeg vet ikke helt hvordan jeg skal forene de to.

Sarah Deragon

Annalee Newitz

Science fiction og sakprosa forfatter, San Francisco

Forutsigelse for 2030: Vi kommer til å se mye mer ydmyk teknologi

Hver epoke har sine egne ideer om fremtiden. Gå tilbake til 1950-tallet og du vil se at folk fantaserte om flygende biler. Nå ser vi for oss sykler og grønne byer der bilene er begrenset, eller hvor bilene er autonome. Vi har virkelig forskjellige prioriteringer nå, så det virker inn i vår forståelse av fremtiden.

Science fiction-forfattere kan faktisk ikke komme med spådommer. Jeg tenker på science fiction som engasjerende med spørsmål som reises i nåtiden. Men det vi kan gjøre, selv om vi ikke kan si hva som definitivt kommer til å skje, er å tilby en rekke scenarier basert på historien.

Det er mange myter om fremtiden som folk tror kommer til å gå i oppfyllelse akkurat nå. Jeg tror mange mennesker – ikke bare science fiction-forfattere, men folk som jobber med maskinlæring – tror at vi relativt snart kommer til å ha en menneskelignende hjerne som kjører på en slags databehandlingssubstrat. Dette er like mye en refleksjon av vår tid som det som faktisk kan skje.

Det virker usannsynlig at en menneskelignende hjerne i en datamaskin er rett rundt hjørnet. Men vi lever i en tid hvor mange av oss føler at vi allerede bor inne i datamaskiner, for jobb og alt annet. Så selvfølgelig har vi fantasier om å digitalisere hjernen vår og sette bevisstheten vår inne i en maskin eller en robot.

Jeg sier ikke at disse tingene aldri kan skje. Men de virker mye nærmere knyttet til fantasiene våre i samtiden enn de gjør til et virkelig teknisk gjennombrudd i horisonten.

Vi er nødt til å utvikle mye bedre teknologier rundt katastrofehjelp og beredskap, fordi vi vil se mye mer flom, branner, stormer. Så jeg tror det kommer til å bli mye mer arbeid med virkelig ydmyke teknologier som lar deg ta samfunnet ditt av nettet, eller rense ditt eget vann. Og jeg mener ikke på en skummel survivalistisk måte; Jeg mener bare på en måte som-er-slik-vi-lever-nå.

Noah Willman

Finale Doshi-Velez

Førsteamanuensis i informatikk, Harvard

Forutsigelse for 2030: Mennesker og maskiner vil ta beslutninger sammen

I laboratoriet mitt prøver vi å svare på spørsmål som Hvordan kan denne pasienten reagere på denne antidepressiva? eller Hvordan kan denne pasienten reagere på denne vasopressoren? Så vi får så mye data vi kan fra sykehuset. For en psykiatrisk pasient kan vi ha alt om deres hjertesykdom, nyresykdom, kreft; For en anbefaling om blodtrykksbehandling for intensivavdelingen har vi all oksygeninformasjon, laktat og mer.

Noe av det kan være relevant for å gi spådommer om sykdommene deres, noe ikke, og vi vet ikke hvilken som er hvilken. Det er derfor vi ber om det store datasettet med alt.

Det har vært omtrent et tiår med arbeid med å prøve å få uovervåkede maskinlæringsmodeller til å gjøre en bedre jobb med å lage disse spådommene, og ingen fungerte veldig bra. Gjennombruddet for oss var da vi fant ut at alle de tidligere tilnærmingene for å gjøre dette var feil på nøyaktig samme måte. Når vi løste alt dette, kom vi opp med en annen metode.

Vi innså også at selv om vår evne til å forutsi hvilket stoff som kommer til å virke ikke alltid er så stor, kan vi mer pålitelig forutsi hvilke stoffer som ikke kommer til å virke, noe som er nesten like verdifullt.

Jeg er spent på å kombinere mennesker og AI for å lage spådommer. La oss si at AI-en din har en feilrate på 70 %, og at mennesket ditt også bare har rett 70 % av tiden. Å kombinere de to er vanskelig, men hvis du kan slå sammen suksessene deres, bør du kunne gjøre det bedre enn begge systemene alene. Hvordan du gjør det er et veldig tøft, spennende spørsmål.

Alle disse prediktive modellene ble bygget og distribuert, og folk tenkte ikke nok på potensielle skjevheter. Jeg håper at vi kommer til å ha en fremtid der disse menneske-maskin-teamene tar beslutninger som er bedre enn begge alene.

Guillaume Simoneau

Abdoulaye Banire Diallo

Professor, direktør for bioinformatikklaboratoriet, University of Quebec i Montreal

Prediksjon for 2030: Maskinbasert prognose vil bli regulert

Når en bonde i Quebec bestemmer seg for om de skal inseminere en ku eller ikke, kan det avhenge av forventningen til melk som vil bli produsert hver dag i ett år, to år, kanskje tre år etter det. Gårder har styringssystemer som fanger opp dataene og miljøet på gården. Jeg er involvert i prosjekter som legger til et lag med genetiske og genomiske data for å hjelpe prognoser — for å hjelpe beslutningstakere som bonden til å få et fullstendig bilde når de tenker på å erstatte kyr, forbedre ledelsen, motstandskraften og dyrevelferden.

Med fremveksten av maskinlæring og AI, er det vi viser at vi kan hjelpe til med å takle problemer på en måte som ikke har blitt gjort før. Vi tilpasser det til meierisektoren, der vi har vist at noen avgjørelser kan forutses 18 måneder i forveien bare ved å prognoser basert på integreringen av disse genomiske dataene. Jeg tror at vi på noen områder som plantehelse bare har oppnådd 10 % eller 20 % av kapasiteten vår til å forbedre visse modeller.

Til nå har AI og maskinlæring vært assosiert med domeneekspertise. Det er ikke en ting for allmennheten. Men mindre enn 10 år fra nå må de reguleres. Jeg tror det er mange utfordringer for forskere som meg å prøve å gjøre disse teknikkene mer forklarlige, mer transparente og mer kontrollerbare.

gjemme seg