Proffsen som förutspår framtiden för sitt uppehälle

Inez Fung

Professor i atmosfärsvetenskap, University of California, Berkeley

Leah Fäst

Förutsägelse för 2030: Vi lyser upp världen ... säkert

Den här historien var en del av vårt marsnummer 2020

• Se resten av frågan
• Prenumerera

Jag har pratat med folk som vill ha information om klimatmodeller, men de är inte riktigt säkra på vad de frågar mig om. Så jag säger till dem, anta att jag säger er att någon händelse kommer att inträffa med en sannolikhet på 60 % år 2030. Kommer det att vara tillräckligt bra för er, eller kommer ni att behöva 70 %? Eller skulle du behöva 90%? Vilken informationsnivå vill du ha ut från klimatmodellprojektioner för att vara användbar?

Jag gick med i Jim Hansens grupp 1979, och jag var där för alla tidiga klimatprognoser. Och som vi tänkte på det då, så är alla dessa saker fortfarande helt där. Vad vi har gjort sedan dess är att lägga till rikedom och högre upplösning, men projektionerna är verkligen grundade i samma typ av data, fysik och observationer.

Ändå finns det saker vi saknar. Vi har fortfarande ingen riktig teori om nederbörd, till exempel. Men det händer två spännande saker där. En är tillgången på satellitobservationer: att titta på molnet är fortfarande inte helt utnyttjad. Den andra är att det tidigare inte fanns något sätt att få regionala nederbördsmönster genom historien – och nu finns det. Forskare hittade dessa grottor i Kina och på andra håll, och de går in, letar efter en fin liten kammare med stalagmiter, och sedan hackar de upp dem och skickar tillbaka dem till labbet, där de gör fantastiska uran-torium-datering och mäter syreisotoper i kalciumkarbonat. Därifrån kan de tolka ett register över historiska regn. Uppgifterna är otroliga: vi har över en halv miljon år av nederbördsrekord över hela Asien.

Jag ser inte att vi minskar fossila bränslen till 2030. Jag ser inte att vi minskar CO2 eller atmosfärisk metan. Cirka 1,2 miljarder människor i världen har just nu ingen tillgång till elektricitet, så jag ser fram emot att tillväxten av alternativ energi går till delar av världen som inte har någon elektricitet. Det är viktigt eftersom det är utbildning, hälsa, allt som är förknippat med en västerländsk levnadsstandard. Det är där jag sätter mina förhoppningar.

Dvora fotografi

Anne Lise Kjaer

Futurist, Kjaer Global, London

Förutsägelse för 2030: Vuxna kommer att lära sig att förstå nya idéer

Som barn ville jag bli arkeolog, och det blev jag på ett sätt. Arkeologer hittar artefakter från det förflutna och försöker koppla ihop prickarna och berätta en historia om hur det förflutna kan ha varit. Vi gör samma sak som futurister; vi använder artefakter från nuet och försöker koppla ihop prickarna till intressanta berättelser i framtiden.

När det kommer till framtiden har du två val. Du kan luta dig tillbaka och tänka att det inte händer mig och bygga en stor mur för att hålla alla dåliga nyheter borta. Eller så kan du bygga väderkvarnar och utnyttja förändringens vindar.

Många företag kommer till oss och tror att de vill höra om framtiden, men egentligen är det bara en övning för dem – låt oss bara kryssa i den rutan, göra en rapport och lägga den i vår bokhylla.

Så vi har ett litet test för dem. Vi gör intervjuer, vi ställer frågor till dem; sedan använder vi en modell som kallas Trendatlas som tar hänsyn till både samhällets vetenskapliga dimensioner och de sociala. Vi tittar på trenderna inom politik, ekonomi, samhälleliga drivkrafter, teknik, miljö, lagstiftning – hur stämmer det överens med vad vi vet för närvarande? Vi ser tillbaka kanske 10, 20 år: kan vi se lite av en trend och försöka sätta in det i framtiden?

Vad kommer härnäst? Uppenbarligen kan vi med teknik utbilda mycket bättre än vi kunde tidigare. Men det är en enorm möjlighet att utbilda nästa generations föräldrar, inte bara barnen. Barn lär sig om hållbarhetsmål, men hur är det med de människor som faktiskt styr vår värld?

Artighet Foto

Philip Tetlock

Medförfattare till Superforecasting och professor, University of Pennsylvania

Prognos för 2030: Vi kommer att bli bättre på att vara osäkra

På Good Judgment Project försöker vi spåra korrektheten hos kommentatorer och experter inom domäner där det vanligtvis anses omöjligt att spåra noggrannhet. Du tar en stor debatt och bryter ner den i en serie testbara kortsiktiga indikatorer. Så du kan ta en debatt om huruvida starka former av artificiell intelligens kommer att orsaka stora störningar på tjänstemannaarbetsmarknaderna 2035, 2040, 2050. Mycket diskussion förekommer redan på den abstraktionsnivån — men ur vår synvinkel är det mer användbart att bryta ner det och säga: Om vi ​​var på en långsiktig väg mot ett sådant resultat, vilken sorts saker skulle vi förvänta oss att observera på kort sikt? Så vi började med det här 2015, och 2016 besegrade AlphaGo människor i Go. Men sedan hände inte andra saker: förarlösa Ubers plockade inte upp folk för biljettpriser i någon större amerikansk stad i slutet av 2017. Watson besegrade inte världens bästa onkologer i en medicinsk diagnosturnering. Så jag tror inte att vi är på ett snabbt spår mot singulariteten, uttryckt det så.

Prognoser har potential att vara antingen självuppfyllande eller självnegerande — Y2K var utan tvekan en självförnekande prognos. Men det är möjligt att bygga in det i en prognosturnering genom att ställa villkorliga prognosfrågor: d.v.s., hur sannolikt är X villkorat av att vi gör detta eller gör det?

Det jag har sett under de senaste 10 åren, och det är en trend som jag förväntar mig kommer att fortsätta, är en ökad öppenhet för kvantifiering av osäkerhet. Jag tror att det finns en motvillig, hejdande, men kumulativ rörelse mot att tänka på osäkerhet, och mer detaljerade och nyanserade sätt som gör det möjligt att hålla poäng.

Ryan Young

Keith Chen

Docent i nationalekonomi, UCLA

Förutsägelse för 2030: Vi kommer att bli mer – och mindre – privata

När jag arbetade med Ubers surge pricing-algoritm var problemet som det byggdes för att lösa väldigt grovt: vi försökte övertyga förare att lägga in extra tid när de behövdes som mest. Det fanns förutsägbara tider – som nyår – då vi visste att vi skulle behöva många människor. Det djupare problemet var att detta var ett system med i princip ingen kontroll. Det är som att försöka förutsäga vädret. Ja, mängden väderdata som vi samlar in idag – temperatur, vindhastighet, barometertryck, luftfuktighetsdata – är 10 000 gånger större än vad vi samlade in för 20 år sedan. Men vi kan fortfarande inte förutse vädret 10 000 gånger längre ut än vad vi kunde då. Och sociala rörelser – även i en mycket specifik miljö, till exempel dit ryttare vill åka vid en given tidpunkt – är om något ännu mer kaotiska än vädersystem.

Nuförtiden är det jag gör lite mer som kriminalteknisk ekonomi. Vi tittar för att se vad vi kan hitta och förutsäga utifrån människors rörelsemönster. Vi använder bara enkla mobiltelefondata som geolokalisering, men även bara utifrån rörelsemönster kan vi sluta oss till framträdande information och bygga en psykologisk dimension av dig. Det som skrämmer mig är att jag känner att jag har mycket sämre data än vad Facebook har. Så vad kan de förstå med sin mycket bättre information?

Jag tror att nästa stora sociala tipppunkt är att folk faktiskt börjar bry sig om sin integritet. Det kommer att vara som att röka på en restaurang: det kommer snabbt att gå från att orsaka upprördhet när folk vill stoppa det till att plötsligt orsaka upprördhet om någon gör det. Men samtidigt kommer nästan alla kinesiska medborgare år 2030 att vara helt genotypade. Jag vet inte riktigt hur jag ska förena de två.

Sarah Deragon

Annalee Newitz

Science fiction och facklitteratur författare, San Francisco

Förutsägelse för 2030: Vi kommer att se mycket mer ödmjuk teknik

Varje era har sina egna idéer om framtiden. Gå tillbaka till 1950-talet och du kommer att se att folk fantiserade om flygande bilar. Nu föreställer vi oss cyklar och gröna städer där bilar är begränsade, eller där bilar är autonoma. Vi har verkligen olika prioriteringar nu, så det fungerar in i vår förståelse av framtiden.

Science fiction-författare kan faktiskt inte göra förutsägelser. Jag tänker på science fiction som att engagera sig i frågor som tas upp i nuet. Men vad vi kan göra, även om vi inte kan säga vad som definitivt kommer att hända, är att erbjuda en rad scenarier som bygger på historien.

Det finns många myter om framtiden som folk tror kommer att gå i uppfyllelse just nu. Jag tror att många människor – inte bara science fiction-författare utan människor som arbetar med maskininlärning – tror att vi relativt snart kommer att ha en hjärna som är lika med människor som körs på något slags datorunderlag. Detta är lika mycket en återspegling av vår tid som det är vad som faktiskt kan hända.

Det verkar osannolikt att en hjärna som motsvarar människan i en dator är precis runt hörnet. Men vi lever i en tid där många av oss känner att vi redan lever inuti datorer, för arbete och allt annat. Så visst har vi fantasier om att digitalisera våra hjärnor och sätta in vårt medvetande i en maskin eller en robot.

Jag säger inte att dessa saker aldrig skulle kunna hända. Men de verkar mycket närmare besläktade med våra fantasier i nuet än de gör med ett verkligt tekniskt genombrott vid horisonten.

Vi kommer att behöva utveckla mycket bättre teknik kring katastrofhjälp och nödberedskap, eftersom vi kommer att se mycket fler översvämningar, bränder, stormar. Så jag tror att det kommer att bli mycket mer arbete med riktigt ödmjuk teknik som gör att du kan ta ditt samhälle från nätet eller rena ditt eget vatten. Och jag menar inte på ett läskigt survivalistiskt sätt; Jag menar bara på ett-så-är-hur-vi-lever-nu-typ.

Noah Willman

Finalen Doshi-Velez

Docent i datavetenskap, Harvard

Förutsägelse för 2030: Människor och maskiner kommer att fatta beslut tillsammans

I mitt labb försöker vi svara på frågor som Hur kan den här patienten svara på det här antidepressivet? eller Hur kan denna patient svara på denna vasopressor? Så vi får så mycket data vi kan från sjukhuset. För en psykiatrisk patient kanske vi har allt om deras hjärtsjukdom, njursjukdom, cancer; För en rekommendation för blodtryckshantering för intensivvården har vi all information om deras syre, deras laktat och mer.

En del av det kan vara relevant för att göra förutsägelser om deras sjukdomar, andra inte, och vi vet inte vilken som är vilken. Det är därför vi ber om den stora datamängden med allt.

Det har varit ungefär ett decennium av arbete med att försöka få oövervakade maskininlärningsmodeller att göra ett bättre jobb med att göra dessa förutsägelser, och ingen fungerade riktigt bra. Genombrottet för oss var när vi upptäckte att alla tidigare metoder för att göra detta var fel på exakt samma sätt. När vi väl hade löst allt detta kom vi på en annan metod.

Vi insåg också att även om vår förmåga att förutsäga vilken drog som kommer att fungera inte alltid är så stor, kan vi mer tillförlitligt förutsäga vilka droger som inte kommer att fungera, vilket är nästan lika värdefullt.

Jag är entusiastisk över att kombinera människor och AI för att göra förutsägelser. Låt oss säga att din AI har en felfrekvens på 70 % och att din människa bara har rätt 70 % av gångerna. Att kombinera de två är svårt, men om du kan smälta samman deras framgångar, borde du kunna göra bättre än båda systemen ensamma. Hur man gör det är en riktigt tuff, spännande fråga.

Alla dessa prediktiva modeller byggdes och distribuerades och folk tänkte inte tillräckligt mycket på potentiella fördomar. Jag är hoppfull att vi kommer att ha en framtid där dessa människor-maskin-team fattar beslut som är bättre än båda ensamma.

Guillaume Simoneau

Abdoulaye Banire Diallo

Professor, chef för bioinformatiklabbet, University of Quebec i Montreal

Prognos för 2030: Maskinbaserad prognos kommer att regleras

När en bonde i Quebec bestämmer sig för att inseminera en ko eller inte, kan det bero på förväntan på mjölk som kommer att produceras varje dag i ett år, två år, kanske tre år efter det. Gårdar har ledningssystem som fångar gårdens data och miljö. Jag är involverad i projekt som lägger till ett lager av genetiska och genomiska data för att hjälpa prognoser — att hjälpa beslutsfattare som bonden att få en helhetsbild när de funderar på att byta ut kor, förbättra förvaltningen, motståndskraften och djurens välbefinnande.

Med framväxten av maskininlärning och AI, vad vi visar är att vi kan hjälpa till att tackla problem på ett sätt som inte har gjorts tidigare. Vi anpassar det till mejerisektorn, där vi har visat att vissa beslut kan förutses 18 månader i förväg bara genom att prognostisera baserat på integrationen av dessa genomiska data. Jag tror att vi på vissa områden som växthälsa bara har uppnått 10 % eller 20 % av vår kapacitet att förbättra vissa modeller.

Hittills har AI och maskininlärning förknippats med domänexpertis. Det är inte en allmän sak. Men om mindre än 10 år kommer de att behöva regleras. Jag tror att det finns många utmaningar för forskare som jag att försöka göra dessa tekniker mer förklarliga, mer transparenta och mer kontrollerbara.

Dölj