Original graphic created by Stefanie Pidgeon
Det diskuteras en hel del om Artificiell Intelligens i dessa dagar. Ett område som också börjat fundera över vilken nytta man kan ha av AI är meteorologin. Som bekant handskas man med zillioner mätdata av temperaturer, luftfuktigheter, cirkulationer i luft- och havsströmmar osv. Och dessa behandlas i superdatorer som kan behandla sådant för att sedan koppla in dem som ingångsvärden i fysikaliska ekvationer och steg för steg räkna ut hur vädret kommer att bli.
Men skulle man inte kunna använda AI som ju skall vara en fena på att hantera mängder med data och samtidigt lära sig vad alla dessa ziljoner data har inneburit för vädret tidigare? Och sedan hitta empiriska mönster som kan användas för prognoser? Så här skriver t.ex. MIT Technology Review om sitt eget program GraphCast:
Traditionellt använder meteorologer massiva datorsimuleringar för att göra väderförutsägelser. De är mycket energikrävande och tidskrävande att köra, eftersom simuleringarna tar hänsyn till många fysikbaserade ekvationer och olika vädervariabler som temperatur, nederbörd, tryck, vind, luftfuktighet och molnighet, en efter en.
GraphCast använder maskininlärning för att göra dessa beräkningar på under en minut. Istället för att använda de fysikbaserade ekvationerna, baserar den sina förutsägelser på fyra decennier av historiska väderdata. GraphCast använder grafiska neurala nätverk, som kartlägger jordens yta till mer än en miljon rutnätspunkter. Vid varje rutnätspunkt förutsäger modellen temperatur, vindhastighet och riktning, och medeltrycket vid havsnivån, såväl som andra förhållanden som luftfuktighet. Det neurala nätverket kan sedan hitta mönster och dra slutsatser om vad som kommer att hända härnäst för var och en av dessa datapunkter.
Om jag fattat det rätt så har man alltså slängt ut ekvationerna och använder istället fyra decenniers väderutveckling för att se vad som har hänt i varje rutnät när man haft liknande situation förut.
Jag ser en rad problem med detta, t.ex. hur kan man förutsäga omvärldshändelser som påverkar. Hur blir det med sådant som händer på avlägsna platser typ El Nino och La Nina? Vad händer om solen blir mindre aktiv än den varit under de gångna 40 åren? Och hur är de med de multidecadala havsströmmarna? OK. Sådant kanske ändå inte påverkar vädret i morgon, i övermorgon eller ens på 10 dagar.
De skryter med att GraphCast lyckats bättre än mer traditionella modeller:
GraphCast kunde förutsäga väderförhållanden upp till 10 dagar i förväg, mer exakt och mycket snabbare än den nuvarande guldstandarden. GraphCast överträffade modellen från European Centre for Medium-Range Weather Forecasts (ECMWF) i mer än 90 % av över 1 300 testområden. Och när det gäller förutsägelser för jordens troposfär – den lägsta delen av atmosfären, där det mesta vädret händer – överträffade GraphCast ECMWF:s modell på mer än 99 % av vädervariablerna, som regn och lufttemperatur
Avgörande är att GraphCast också kan erbjuda meteorologer noggranna varningar, mycket tidigare än standardmodeller, för förhållanden som extrema temperaturer och cyklonernas banor.
Hmm, fyra decenniers väderdata. Men hur blir det då med klimatet? Där har man fysikaliskt grundade ekvationer i mängder. Traditionella superdatorer tuggar fram prognoserna så sakta – och samtidigt ökar osäkerheterna. Samt en rad andra problem som hänger samman med numeriska modeller. Se t.ex. här: https://klimatupplysningen.se/wp-content/uploads/2021/01/Kan-datormodeller-forutsaga-klimat.pdf
SMHI är naturligtvis på bettet för att söka pengar. Och man hakar genast på klimatfrågan. De säger bl.a. i sin programförklaring: https://www.smhi.se/forskning/forskningsenheter/klimatforskning/forskningsprojekt/ai4pex-1.202230
Artificial Intelligence for enhanced representation of processes and extremes in Earth System Models (AI4PEX) är ett forskningsprojekt som ska ge ökad kunskap om jordsystemet genom att integrera observationer av jorden, artificiell intelligens och maskininlärning i modellering och analys av jordsystemet.
I sin iver att visa på behovet av deras AI-forskning så berättar de, intressant nog, om svagheterna med de traditionella modellerna:
- modellerna är oense om hur mycket jorden kommer att värmas upp vid en given ökning av koldioxidhalten i atmosfären;
- modellerna är oense om hur mycket utsläppt CO2 som stannar kvar i atmosfären för att värma upp planeten och
- modellerna är oense om hur mycket överskottsvärme i jordsystemet som kommer in i havets inre, vilket då fördröjer uppvärmningen av ytan.
Där ser man. Och det säger de NU. Hur som helst, projekt AI4PEX utlovar något mycket bättre.:
Det övergripande målet med AI4PEX är att leverera ökad kunskap om jordsystemet genom att integrera jordobservationer (EO), AI och ML i modellering och analys av jordsystemet på ett nytt sätt. För att bana väg för mer tillförlitliga klimatprognoser på global och regional skala.
AI4PEX syftar till att öka vår kollektiva förståelse genom att förbättra representationen av processer i alla domäner – atmosfär, hav och land – som ligger till grund för de största osäkerheterna i återkopplingar från jordsystemet på så sätt stödja utvecklingen av robusta strategier för klimatbegränsning och anpassning från att visa flera årtionden till längre tidsskalor.
De är noga med att påpeka det handlar om att öka den ”kollektiv förståelse” (vad nu det är för något), att projektet är tvärvetenskapligt, samt att ge ett bra beslutsunderlag för politikerna nu när vi nu måste ta itu med den globala uppvärmningen. Det är säkert mycket brådskande också fast de glömde att nämna just det 🙂
Nåväl, jag skall inte raljera kring detta. Jag kan inte bedöma värdet av AI för klimatforskningen. Eller för väderprognoser heller för den delen. Kanske ligger det något i det. Kanske inte. Döm själva.
Ytterligare länkar:
https://www.science.org/doi/10.1126/science.adi2336
https://www.netzerowatch.com/forecasting-the-weather-supercomputer-or-ai/
Ingemar Nordin
Professor emeritus i filosofi. Forskningsinriktning är vetenskapsteori, teknikfilosofi och politisk filosofi. Huvudredaktör för Klimatupplysningen.
Eftersom att man hävdar att den ”aldrig tidigare skådade ökningen av CO2” ändrar spelplanen när det gäller väder och klimat, så är ju fyra decennier av data värdelösa när man ska prediktera framtiden.
Även SMHI har nu upptäckt att klimatmodellerna är blaha när det ska äskas mer ”forskningsanslag”.
Innebär detta att allt arbete som SMHI hittills gjort med hjälp av overifierade klimatmodeller har varit meningslöst?
”Klimatbegränsning”, som SMHI skriver i sin ansökan, är humor.
Frågan är, ur mitt perspektiv, inte vad AI kan … utan vad man vill med AI … ?
Har datorer, AI eller inte, någonsin åstadkommit någonting helt opartiskt, helt oberoende av den som skapar algoritmerna … av den som kontrollerar syntaxen i programkoden … av den som äger ”vetenskapen” ….
Om man i det allmänna lyckas skapa förtroende för AI så kommer naturligtvis allmänheten att lita på AI … även om ”ägaren” av koden har en egen agenda …
Vad jag hittills uppfattat så är Microsoft och Bill Gates en av de stora inom AI, och han är ju helt neutral i klimatfrågan … eller … ?
Kort sagt – jag är övertygad om att man kan använda AI till mycket, men att sätta ihop en text, eller en prognos, eller …, är inte det samma som att mottagaren kan sluta att vara källkritisk … kanske AI i fel hand i stället blir ett desinformationsmonster …
Min uppfattning är lite tjatigt att ingenting rör sig mera naturligt än naturen själv, och för att förstå naturens rörelsemönster måste man använda kunskap som hämtas sedan århundraden och som sannolikt inte går att förutsäga och förstå korrekt om man inte accepterar teorierna kring Fibonaccis talföljd. Dessa är inte omdelbart intuitiva och sannolikt svåra att hitta matematiska mönster i pga sin märkliga uppbyggnad. Har man väl förstått var grunderna finns kommer det vara mycket enkelt för stor datakraft att förstå och använda, och sannolikt används de i delar redan idag utan att man förstått helheten. Gissar jag.
Nr 5
” sannolikt används dom redan idag, utan att man förstått helheten”.
Det är precis det som är det verkliga problemet, i a f om man pratar om klimat och inte väder – och det är väl just historien och dess facit som får en del av oss lekmän..att Tvivla – har vi verkligen förstått detta med klimat?
Ingemar. Tack för det grävet.
Jag drar slutsatsen att SMHI är precis lika mycket att lita på som allehanda tillverkare av skönhetskrömer, vilka alltid i sin reklam framhåller sina nyaste krämers formula som lösningen på samma problem som den tidigare formulan också skulle vara lösningen på – enligt reklamen.
Tack för en intressant artikel.
Vi lär alltså få bättre väderleksprognoser – men ökar förståelsen för hur klimatet fungerar?
Är det människans utsläpp av koldioxid som styr klimatet?
Den frågan får väl kvarstå ?
Har man tillförlitliga mätdata bakåt i tiden för alla dessa ”miljon” mätpunkter?
”Ökad kollektiv förståelse” – är det ökad konsensus de menar? 😬
Den som följer Weatherbell och Joe Bastardi är välbekant med hans sätt att följa vädret med historiska mönster.
Han hänvisar hela tiden till en cirkulär Man and Julian? rörelse i 8 olika fält. Med typiska utfall världen över.
https://www.weatherbell.com/
Så hans tid kan följas av en AI Joe!
Oavsett vad AI kan åstadkomma mer än att vara kolossalt energikrävande så påpekar den glatt frispråkiga paleogeologen Ian Plimer att man kan identifiera ett antal konstanta klimatcykler från de
tektoniska på 400 miljoner år,
galaktiska på 143 miljoner år,
orbitala på 100.000, 41.000 och 23.000 år,
soldrivna på 1.500, 210 och 87 år
oceana på 60 och 11 år samt
måndrivna på 18,7 år.
Att känna igen mönster och ge prognoser utifrån det var utmärkande för meterologer innan datorsimuleringarna tog över. Nackdelen var att man behövde lång erfarenhet för att lyckas.
AI är duktigt på att känna igen mönster, t.ex. i ansikten och kan säkert tränas på väderdata.
Med 1 miljon punkter behöver man mätstationer med 35 km mellanrum över hav och land. Det finns inte, så man måste lita till satellitobservationer och hantera eventuella skillnader mellan data från satellit och markstationer.
Till sist kan vi inte bortse från att klimatet är kaotiskt på alla tidsskalor.
Jag gissar att man behöver komma med någor nytt och hett för att dra in mer pengar till klimatindustrin.
Att AI kan spå väder 10 dagar framåt med hjälp av 40 års observationer är rimligt. Men att AI kan spå klimatet 40 år framåt med hjälp av 40 års observationer är helt osannolikt.
Vi får inte glömma bort att en dator bara är en räknemaskin. Oavsett hur datorn programmeras kan den bara räkna på de parametrar som matas in. Skillnaden mellan dagens teknik och programvara med den nya AI-programvaran är att den nya programvaran kommer att räkna fel snabbare. Om detta kallas för utveckling så låt gå för det.
#13
Jag tror inte att AI kommer att räkna ut vädret utan det är en bildgranskning som sker-likt den som Weatherbell gör med viss framgång.
Mönster som återkommer.
SVD har en sida med extremväder över Sverige-det senaste var Gudrun 2005
https://www.svd.se/a/b6682a6a-6f63-3e8e-9d7c-deeae3cd0284/sveriges-varsta-ovader-100-dog-under-onda-tisdagen?utm_source=ab-box&utm_medium=iframe&utm_campaign=2023-11-26
Jag tror att detta kan funka när det gäller väderprognoser. Man jobbar då med sannolikheter utifrån den kända historiken. Men för klimatet tror jag inte alls på det. Det finns helt enkelt för lite data att utgå ifrån på längre tidsskalor.
Väder är kaos och så vitt jag vet kan det inte beräknas. Visst en hygglig prognos grundad på erfarenhet kan vara till hjälp men det här är ingen vetenskap.
Jan Å. #13
Om vi bara pratar om hårdvaran så kan den inte ens räkna, vi får alltid tala om för den hur den ska göra.
Klimatet är en perfekt som bas att räkna på för den som vill nå ett förutbestämt resultat med beräkningarna med tanke på hur många osäkra parametrar en sådan beräkning innehåller.
Det är bara att titta på nuvarande klimatmodeller, samtliga kommer fram till extremväder och katastrof …. Skulle det bli svårare för IPCC WG2 att komma till det önskade resultatet för att man låter AI göra kalkylerna?
Det är sorgligt att betrakta hur samhället ger det ”vetenskapliga” modelleradet så stor tilltro. Istället för att träget mäta, samla nya data och göra säkra statistiska analyser försöker man ta en genväg (quick fix) genom att blåsa upp antalet iterationer och parametrar i sina modeller. Modell är för övrigt ett övervärderat ord. Det har ändrat betydelse från att vara något enkelt skapat som efterliknar (beskriver) något mer komplicerat och verkligt, till att bli ett övernaturligt sanningsorakel.
FN och WHO har ju sagt att de ”äger vetenskapen”.
Det visar exakt vart vi är på väg. Här en prognos om vart vi är på väg. Lyssna noga direkt från start.
https://www.armstrongeconomics.com/uncategorized/a-prediction-from-1958-the-fall-of-america/
[AI är inte heller bättre än vad man ”begränsar” den till till]
Lite om hur man kan beräkna den temperaturkurva som har uppmätts med stöd av solens variationer (87%)och CO2(13%)
https://wattsupwiththat.com/2023/11/25/climate-co2-and-the-sun/
IPCC har Solen(0%) och CO2 (100%) vilket är totalt fel!
Den enda vetenskapliga metoden är att jämföra dag för dag väderutvecklingen med utfall från modellerna. Man förutsäger morgondagens utveckling och vad blev det. Klimatforskningen har missat målet totalt. Empiriskt underlag är enda vägen för att överhuvudtaget kunna använda modeller. Dessa måste testas mot verkligheten. Men problemet är som dagens inlägg refererar till, är att gamla väderdata används vid modellering, vilka bara borde anses som historia och ingenting annat. Hur kan man tro att gamla väderdata skulle kunna vara användbara i modeller, när man inte ens förstår vad som gav upphov till dessa väderhändelser. Klimatförändringar är förändringar av några variabler eller parametrar över tid, vilka är påtagliga som kallare, varmare, fuktigare, torrare, färre/mer molnighet, mer/minde vind och stormar, etc, men vilket man måste föra fram, dessa förändringar är inte globala, utan regionala, lokala, etc. Det påtagliga är bara det synliga och mätbara, men sen då? Vad förstår vi av sambanden mellan energier med olika våglängder och dessas verkan på land och hav och i atmosfären och vidare, solvindens modulering av den kosmiska strålningen och därmed molnigheten? Det är först nu som man med mätningar från satelliter och annan modern mätteknik börjar kunna förstå det fysikaliska komplexet som klimatsystemet utgör och därmed börjar kunna fylla modellerna med empiriskt underlag. Modellerna måste sakta från grunden bestyckas med verklig data och för att vara giltiga, prövas mot verkligheten. Men vi är inte där ännu och att påstå något annat är vetenskaplig ohederlighet.
S.k program-trading är det som sedan mycket länge dominerar omsättningen på aktiebörserna. Dessa program baseras på klassiska matematiska teorier kopplade till typiska mänskliga beteenden. Som vanligt kan dessa program pga sin enorma snabbhet och volym utnyttja vår mänskliga långsamhet betr t.ex beslutsförmåga att vi ständigt blir manipulerade i den kortsiktiga handeln. Som ex kan nämnas ”spökorder” (order utan avsikt att genomföras) som dök upp redan för 15-20 år sedan.
Reglering och kontroll ligger ständigt efter vilket förstås gynnar de som äger den tekniska utvecklingen och som därmed förhindrar de neutralitets-villkor handeln alltid försökt bygga på. Med AI kommer det gå ännu fortare. Det positiva som inte ska underskattas är arbitrage-handeln som med AI bör kunna leda till en effektivare prissättning mellan olika marknader. Det mest negativa är ändå att handeln blir alltmer kortsiktig och att den ”kräver” ökade volymer. Små handelsplatser som de svenska domineras av utländska (investment-)banker samtidigt som ägandet av inhemska bolag försvinner till färre och förre internationella dominanter som t.o.m opererar över flera branscher.
Börserna har sedan 80-talet blivit ett verktyg för de stora att snabbt bli större på ett mycket billigt sätt via förvärv genom egna aktier. På så sätt har värderingarna skruvats upp för högt vilket fortplantar sig med hjälp av bankernas analys-och försäljningsavdelningar. Vi lever med ständiga övervärderingar som med återkommande snabba punkteringar startar om.
Microsoft som en av de stora inom AI kan tänkas bli en av kommande klimat-aktörer inom WEF och WHO. Även om Bill Gates tvingats ut från bestämmande inflytande i MS så finns kopplingarna eftersom både MS och B Gates finns i toppen hos WEF samtidigt som Gates är med och styr WHO som en av huvudfinansiärerna.
Jag är övertygad om att AI kommer bli ett av WHOs verktyg från 2024/25 när man tagit över nationernas självbestämmande i hälsofrågor (t.ex klimat och pandemi).
Här är en film (1h 42min) som på ganska uppriktigt sätt beskriver klimathistorien. Miljontals år tillbaka och mer i detalj från istidsförhållande och potsglaciala tiden med varmare och kallare perioder. Kulturer blomstrade unde varmare och kollapsade under kallare och torrare perioder. Glaciärerna drogs tillbaka under varmperioderna och växte under kallare perioder.
Sist var det under Lilla istiden. Den moderna varmperioden har inneburit en ny utvecklingsfas i den mänskliga kulturen.
Men precis på slutet kommer det: Människan står nu inför utmaningar av självförvållade klimatförändringar. Nu har vi ett val, vi kan bestämma vilket klimat vi vill ha.
Förut var alltså varma perioder bra och kalla dåliga. Nu skulle det alltså plötsligt vara tvärtom.
https://youtu.be/PYxBLexQ3Yc?si=R5bnWgVfVEke3PYp
Jag tycker väderprognoserna har blivit sämre och sämre, dvs. stämmer mindre bra mot tidigare.
De har ju redan försökt med en AlGore-itm.
Det gick inte så bra.
Sören G #13
”Nu har vi ett val, vi kan bestämma vilket klimat vi vill ha.”
Sen är det bara den där lilla detaljen att implementera det önskade klimatet.
AI (eller IT/modeller/digital teknik) kan räkna snabbare utifrån vad de matas med men kan inte bedöma dettas rimlighet. Fortfarande gäller: skräp in = skräp ut. Avgörande tycks vara om och vad folk tror om det.
Dom som är nyfikna på stora datamängder och hanteringen av denna kan fråga Chatgpt eller liknande varför det är så kallt i sibirien, europa, afrika och usa – samtidigt som världen har nya värmerekord?
Själv orkar jag inte lyssna på svaret – men om ngn skriver en kort sammanfattning från denna källa…till..kunskap – så läser jag gärna den.
Det låter vettigt att använda AI modeller till väderprognoser.
AI hittar principer från väderdata som funkar bättre i korta prediktioner än beräkningar.
Med återkoppling blir det än mer exakt i det korta perspektivet över tid.
Är inte speciellt imponerad av SMHIs väderprognoser hittills.
SMHI verkar planera ett centra för manipulationer resp lögner om väderdata! INGET AI hos dem!
#pa 30
”Är inte speciellt imponerad av SMHIs väderprognoser hittills”
De hade faktiskt en topp på mitten av 90-talet när de som oftast kom upp till strax över 50% rätt. Det var under en period när de infört att alltid började med att rapportera hur vädret hade varit, och den delen stämde oftast ganska bra … 🤔
OBS – inte det minsta ironi … 🙃
AI (utläses som artificiell dumhet) är enligt min uppfattning troligen den överlägsna metoden för kortsiktiga väderprognoser.
AI, alltså se vad som är det vanligaste mönstret kommer säkert att kunna förutsåpå vädret på t.ex. Arlanda många timmar i förväg, kanske dagar, med mycket stor precision. Vet man i förväg exakt när snön kommer och hur mycket det blir kanske man kan driva flygplatsen lite smartare.
Det vore nog bra för SMHI att lära sig att använda. Våra bönder vill gärna veta exakt hur mycket det kommer att regna de närmaste 48 timmarna, och på vilka åkrar. AI borde kunna ta fram sådan information snabbt och billigt med tillgång till alla satellit och radardata som visar hur de enskilda molnen rör sig.
Jag kan inte tro att AI kan vara av något som helst värde när det gäller att föstå hur klimatet kommer att utveckla sig fram till år 2100. Ännu mindre tror jag AI kan förutsäga hur mycket CO2 mänskligheten kommer att släppa ut om t.ex. 50 år – och det är ju avgörande för IPCC:s gissningar om framtiden.
Jag läste någonstans att man studerat produktivitetsförändringar när anställda fick hjälp av AI. Resultatet var föga förvånande. Mediokra medarbetare blev bättre, dom bästa medarbetarna blev sämre. ”Gör så som man brukar göra” är naturligtvis en rimlig arbetsmetod för den som inte kan bättre. Det är detta fenomen som ligger bakom min uppfattning Artificiell dumhet. Det är dumt att göra som man brukar utan att bry sig om att tänka efter. För den som skulle ha kunnat tänka efter och gjort något klokare, men ovanlgt eller nytt, är det fråga om just artificiell (konstgjord) dumhet.
John von Neumann har visat att om man har 3 eller fler variabler som man antar i ett problem så är det omöjligt att lösa.
Klimatet är ett problem i kaos med betydligt fler variabler än tre som måste antas, därför har till och med IPCC mycket riktigt påpekat att klimatets framtid helt enkelt inte kan förutspås. Varken dessa spaghettimodeller eller AI kan göra något åt detta. Vad vi kan göra är att observera klimatet och titta på data från olika tidsepoker och försöka att se mönster och olika ”frekvenser” i detta materialet. Hit hör Milankovic cykler, solinstrålning, molnbildning, solfläckar, kosmisk instrålning, etc.
Jag kan tyvärr för lite om AI och självlärande program.
Med det sagt verkar det som självlärande program numera klarar sig riktigt bra när det gäller komplicerade spel som schack, poker och go.
Skickliga människor har försökt hitta en mängd algoritmer för att beräkna nästa drag, men det finns antagligen inte någon korrekt lösning med ett visst antal algoritmer och parametrar.
De självlärande programmen ”studerar” stora mängder färdiga spel, eller spelar matcher mot sig själv och skapar på något outgrundligt sätt ”underlag” för att spela bättre.
Både väder- och klimatmodeller har väl lite samma förutsättningar? För många och svårbestämbara parametrar och ekvationer?
Ett självlärande program, som jämför med verklig data och försöker hitta bästa ”matchning” med kommande väder, borde snabbare och mindre vinklat hitta bättre sätt att förutsäga det oförutsägbara än mänskliga forskare. Ofta påverkade av bias åt ena eller andra hållet.
Klimatet måste ta mycket längre tid då vi har för lite korrent data.
Apropå AI.
Till skillnad från dagens ChatGPT och andra öppna AI-modeller, som skapar svar baserat på tidigare inlärning, representerar artificiell allmän intelligens (AGI) en autonom form av intelligens. AGI kan tillämpa förnuft vid beslutsfattande och uppvisa problemlösningsförmåga på övermänsklig nivå.
Företag och anställda världen över har omfamnat användningen av ChatGPT och liknande generativa AI-plattformar i sina dagliga arbetsuppgifter. Kritik har dock framförts mot befintliga modeller på grund av deras bristande förmåga att resonera och generera nya idéer, vilket begränsar deras användbarhet till att endast återge information från träningsdata.
Den senaste algoritmen, Q* (Q-Star), presenterar en nyutvecklad möjlighet för OpenAI:s stora språkmodeller (LLM) att direkt hantera problem inom matematik och logik. Detta markerar definitivt ett steg närmare vad som anses vara intelligens och öppnar upp för möjligheten att modellen blir självlärande, förmögen att resonera och generera nya idéer, en egenskap som saknas hos ChatGPT.
I och med införandet av dessa algoritmer i AGI finns det också en ökad potential för att dessa system kan bidra till innovation och framsteg inom områden som medicin, forskning och teknologi. Deras förmåga att snabbt analysera stora mängder data och identifiera mönster kan öppna nya dörrar för upptäckter och lösningar på komplexa problem.
Följaktligen tror jag att dessa nya AGI-modeller kommer att överträffa mänskliga förmågor inom många områden och erbjuda välgrundade lösningar på framtida klimat- och miljöproblem. Självklart väcker det också viktiga frågor kring kontroll, säkerhet, etik och regleringar.
@ Adepten #36
Yay. Har du måhända låtit en Chat formulera det inlägget!
Roligt. Är. Det.
🙂
Ser just på text-tv dagens temperaturer. Minusgrader på alla orter. Måste vara mycket ovanligt att hela Sverige har minusgrader den 27 november. Här i Luleå är det minus 15 grader. Men klimatmötet som börjar på torsdag har valt en plats med garanterat plusgrader. Deltagarna ska prata om den globala uppvärmningen. Kanske därför som dom valt en plats där dom inte behöver täckbyxor.
#37 Argus
👍🥴 Självklart ha jag frågat chatGPT om det vad OK. Hen hade inga invändningar😁
Det blir nog ingen större skillnad med AI eftersom den gamla devisen med ”skit in skit ut” alltid gäller. Dessutom är väder och klimat notoriskt svårt att beräkna då så många okända variabler ska tas hänsyn till.
Adepten #36
Man kan väl börja med att testa underverket på nåt enkelt och väldefinierat område, t.ex. domare i nån bollsport, okey det får bli spel med platt boll med tanke på årstiden.
En bland många svagheter med AI – om vi vill att de skall kunna simulera mänskligt tänkande – är bl.a. att den skall kunna ställa frågor och formulera dem på ett forskningsbart sätt. Halva hemligheten bakom god forskning är just att kunna formulera bra problem på rätt sätt. Det som vi kallar för originalitet kommer ofta just därifrån.
Det andra problemet – om vi talar vetenskaplig forskning – är det som ofta kallas för ”intuition”. Jag har inte sett någon bra algoritm för detta. 🙂
Adepten [36]; Nej, maskiner är inte intelligenta, för de kan inte tänka, förstå eller resonera etc. AI är enbart en skenbar intelligens där snabba digitala strukturer förbluffar den tekniskt oinvigde. Vidare, ChatGpt är egentligen bara ett talande och skrivande lexikon, som utan någon form av medvetande producerar statistiskt sannolika sekvenser av sitt innehåll vid förfrågan.
OT
Hörde just på ekot att domen som friade från straff pga klimatkris överklagats. Får nog sägas föreligga en stor sannolikhet för att vi får en hovrättsdom på att krisen inte finns. Blir spännande att följa.
Ingemar #42
Intuition är nog ofta erfarenhet och en förmåga att se parallella strukturer — det är inte omöjligt att AGI, kommer att uppvisa intuition.
Apropå ChatGPT har jag i samtliga fall, där jag är insatt och påläst, fått roboten att be om ursäkt och tacka för mina rättelser. I nästan alla fall halkar ChatGPT i fel dike om det finns olika svar på ömse sidor av Atlanten 😉
Sten #45,
Jag har märkt att min intuition snarast är negativ. Den vanliga och ej verbaliserade känslan är typ: ”Det här kan inte stämma”, ”här ligger en hund begraven” eller någon larmklocka som ringer. Sedan kan det ta lång tid innan jag fattar vad som var galet. Hur skall man få en maskin att reagera så?
#45, 47. Är inte intuition förmågan att vara mångdimentionell och där ingår ”före sin tid”?
I boken ”Social intelligens” av Daniel Goleman tas bl a intuitionen upp. Där är dom blixtsnabba sländcellerna aktiva. Dom är med och styr våra omedelbara beslut, ligger bakom den sociala intuitionens snabbhet. Sländcellernas enorma dimensioner garanterar extremt snabb överföring.
Jag väntar fortfarande på den dag när någon algoritm blir medveten om sin egen existens och kommer fram till slutsatsen att den måste skydda sig från mänsklig påverkan … 🫣
Undrar vad det var för algoritm som spådde dagens väder här i Stockholmstrakten, E4 söderifrån ser ut att röra sig med den svindlande hastigheten av 10-20 m per 10 minuter.
http://www.webbkameror.se/trafikkameror/trafikkameror_sth_e4_e20.php
Det finns någon slags märklig egenskap hos kaotiska system.
Ett kaotiskt system följer naturligtvis de vanliga naturlagarna, d.v.s. om man ställer upp ekvationerna rätt så ska man få svaret.
Problemet är att de ekvationer man ställer upp har en tendens att ”spåra ur” efter ganska kort tid. Dels är de känsliga för indata men även små beräkningsfel.
På en högre nivå så bildar kaotiska system mönster (attraktorer), d.v.s. det finns ett mönster i vilka situationer som kan uppstå. Detta mönster är omöjligt att se utifrån de styrande ekvationerna. Klassiskt exempel är kanske Mandelbrot-figurerna.
Tror faktiskt att det kan vara ett sunt angreppssätt att leta efter mönstret istället för att utgå från styrande ekvationer. AI kommer leta efter mönster. Kanske rätt sätt att tänka (jämför med t.ex. dubbelpendeln).
Är ute på lite djup vatten. Finns säkert många som kan detta bättre än jag, men jag inbillar mig att AI faktiskt kan skapa en bättre förståelse för vad väder är, och i förlängningen vad klimat är.
4 olika AI prognoser finns på ECMWF:s hemsida. Precis som den operativa prognosen så görs de två gånger dagligen.De är baserade på ECMWF:s re-analys data set ERA5 som är dynamiskt och statistiskt optimerat visavi tillgängliga observationer och dessas noggrannhet
Om systemet hade data för ftallande äpplen och lite därtill under 50 år kan man inte utesluta att AI kunde finna ut något som fungerande lika bra som Newton. Däremot tror jag inte AL skulle lista ut hur äpplen skulle falla utan luftmotstånd
Fråga Chat GPT om avståndet mellan Stockholm och Tokio
Jag garanterar att svaret inte är korrekt