¿Hipotéticamente podríamos construir una máquina para predecir el futuro?

¡Ya hemos construido algunas máquinas para predecir el futuro, no hipotéticamente, sino en realidad!

Eso es lo que hace todo el campo del aprendizaje automático. Y la precisión de la predicción sigue mejorando en cada iteración. Tú dices, “como una máquina del clima”; bueno, IBM hizo una “máquina meteorológica”, y también otros: The Weather Company, una empresa de IBM. Y se han predicho muchas otras cosas, como cuando Netflix predice que verías ciertas películas en el futuro cercano y te las recomienda, con una precisión cada vez mayor cada vez.

Es un buen momento para ser adivino digital.

_____________________________________________

Por cierto:

  1. Cualquiera puede hacer predicciones. Lo que importa es cuán precisas son esas predicciones.
  2. Ninguna predicción es o puede ser 100% precisa todo el tiempo para cada escenario. Ya sea por máquinas o humanos o alguna entidad súper humana. Lo cual, por cierto, ni siquiera es deseable, porque tal predicción no puede generalizarse para otros problemas similares (técnicamente llamados sobreajuste).
  3. Las máquinas vienen en todas las formas y tamaños. De hecho, incluso pueden tener forma y tamaño como el software.

Hipotéticamente? Si.

¿De modo realista? Probablemente no.

En las últimas décadas, ya hemos gastado miles de millones, probablemente incluso trillones, de dólares construyendo modelos de pronóstico del tiempo.

Sin embargo, ni siquiera podemos predecir nada con una precisión razonable más allá de 5 días.

Un rendimiento bastante bajo, si me preguntas, teniendo en cuenta que solo involucra variables climáticas.

Ahora, las imágenes que expanden esas variables a todo, cada pequeño detalle en el mundo debe ser monitoreado por la máquina.

Una cita de Sherlock Holmes lo resume:

“El mundo está tejido de miles de millones de vidas, cada hebra se cruza entre sí. Lo que llamamos premonición es solo movimiento de la web. Si pudieras atenuar cada cadena de datos temblorosos, el futuro sería completamente calculable. Tan inevitable como las matemáticas.

Entonces, sí, si pudiéramos reunir todos los datos del mundo, y suficiente poder de cómputo para procesar todos estos datos, entonces predecir el futuro sería “inevitable”.

¿Pero qué pasa si solo procesamos la mayoría de los datos? Algunos datos deben ser insignificantes.

Mira, esa es la cuestión: no sabemos qué datos son insignificantes. Un dato que considere insignificante podría ser la mayor causa de cambio.

Esto puede resumirse en el efecto mariposa : una variable aparentemente insignificante puede causar cambios masivos en el resultado final.

O más conocido como … El aleteo de un ala de mariposa podría causar un huracán al otro lado del mundo.

Esta es esencialmente la rama de la ciencia conocida como Teoría del Caos.

Pero teniendo en cuenta que ni siquiera podemos predecir el clima, que tiene muchas magnitudes menos variables y puntos de datos que todo, todavía estamos lejos, muy lejos de predecir el futuro.

En cierto sentido, ese es el propósito de cada modelo y pensamiento que se haya hecho. La capacidad de predecir un resultado es la razón por la cual hemos desarrollado la inteligencia de propiedad del sistema. Desarrollamos nuestros planes y, a medida que los implementamos, los mantenemos trabajando con actualizaciones. Esto hace que todos los modelos de computadora sean predictores del futuro. A menudo, ese futuro se mide en milisegundos, pero puede extenderse a unas pocas horas, días o incluso semanas (por ejemplo, el pronóstico del tiempo moderno). Pero a medida que se prolonga el período de tiempo, aumenta el número de componentes involucrados y la resolución en cada etapa se vuelve crítica, se vuelve menos viable. Entonces, al trazar el futuro de un grupo de personas que interactúan, por ejemplo, el número de variables se vuelve demasiado grande, por lo que comenzamos a usar modelos de aproximación, es decir, distribuciones estadísticas para evaluar las expectativas a lo largo del tiempo. Esto se vuelve oneroso a medida que aumenta el número de tipos de interacción requeridos y pronto cualquier evaluación estadística razonable se vuelve inverosímil. Por ejemplo, predecir la altura y el peso de los grupos no es un problema si los modelos son lo suficientemente cuidadosos. Haga esto con un gran número y los resultados son clases en lugar de individuales, agregue la vida útil o los salarios máximos, entonces está luchando. La estadística multivariante puede obtenerse a partir de una instantánea de los datos y, por lo tanto, la clasificación clasificada (gráficos de frecuencia) será viable, pero la predicción real para los individuos no es realmente posible. La naturaleza del entorno complejo significa que hay una cantidad cada vez mayor de no determinismo que se arrastra y pronto las predicciones deterministas se convierten en distribuciones estadísticas y luego en probabilidades. Entonces mi respuesta ni siquiera es hipotética: no podemos eliminar la incertidumbre. Esto es cierto incluso a nivel atómico – ver Principio de incertidumbre – Wikipedia

Sin embargo, si desea predecir resultados probables, aún podría construir un modelo burdo y extraer probabilidades plausibles … pero sin garantías. Los pensamientos se verán como si hubieran sido predichos, pero más bien groseros.

Teóricamente, y estoy seguro de que los físicos aquí me corregirán, si supieras el estado exacto de cada partícula en el universo, podrías predecir el futuro con un grado increíblemente alto de precisión, pero solo en un período de tiempo muy corto.