Wie künstliche Intelligenz die Wissenschaft verändert

Die neuesten KI-Algorithmen verstehen die Entwicklung von Galaxien, berechnen die Funktionen von Quantenwellen, entdecken neue chemische Verbindungen und so weiter. Gibt es irgendetwas in der Arbeit von Wissenschaftlern, das nicht automatisiert werden kann?

Keine Person oder auch nur eine Gruppe von Menschen kann mit den Wasserfallinformationen Schritt halten, die durch eine Vielzahl von Experimenten in Physik und Astronomie erzeugt wurden. Einige von ihnen hinterlassen täglich Terabyte an Daten, und dieser Fluss nimmt nur zu. Das Square Kilometer Array-Antennenarray, ein Radioteleskop, das Mitte der 2020er Jahre eingeschaltet werden soll, wird jährlich ein Datenvolumen produzieren, das mit dem gesamten Internet vergleichbar ist.

Diese Datenflut hat viele Wissenschaftler dazu veranlasst, sich an künstliche Intelligenz (KI) zu wenden, um Hilfe zu erhalten. Mit minimaler menschlicher Beteiligung können KI-Systeme wie neuronale Netze - computer-simulierte Netze von Neuronen, die die Gehirnfunktion nachahmen - durch Berge von Daten waten, Anomalien finden und Sequenzen erkennen, die Menschen niemals bemerkt hätten.

Natürlich wird die Hilfe von Computern in der wissenschaftlichen Forschung seit etwa 75 Jahren verwendet, und die Methode zum manuellen Sortieren von Daten auf der Suche nach sinnvollen Sequenzen wurde vor Tausenden von Jahren erfunden. Einige Wissenschaftler argumentieren jedoch, dass die neuesten Technologien für maschinelles Lernen und KI eine grundlegend neue Art der Wissenschaft darstellen. Einer dieser Ansätze, die generative Modellierung (GM), kann dazu beitragen, die wahrscheinlichste Theorie unter konkurrierenden Erklärungen beobachteter Daten zu bestimmen, die nur auf diesen Daten basiert und ohne vorprogrammiertes Wissen darüber, welche physikalischen Prozesse in dem untersuchten System auftreten können . Befürworter von GM halten es für innovativ genug, um als potenzieller „dritter Weg“ zur Erforschung des Universums angesehen zu werden.

Normalerweise lernen wir die Natur durch Beobachtung kennen. Wie Johannes Kepler die Tabellen der Position der Planeten von Tycho Brahe studierte und versuchte, das zugrunde liegende Muster zu finden (er erkannte schließlich, dass sich die Planeten in elliptischen Bahnen bewegen). Die Wissenschaft hat sich auch durch Simulationen weiterentwickelt. Ein Astronom kann die Bewegung der Milchstraße und der benachbarten Galaxie Andromeda simulieren und vorhersagen, dass sie in einigen Milliarden Jahren kollidieren werden. Beobachtungen und Simulationen helfen Wissenschaftlern dabei, Hypothesen zu erstellen, die anhand zukünftiger Beobachtungen überprüft werden können. GM unterscheidet sich von diesen beiden Ansätzen.

"Im Wesentlichen ist dies der dritte Ansatz zwischen Beobachtung und Simulation", sagte Kevin Shavinsky , Astrophysiker und einer der pro-GM-Befürworter, der bis vor kurzem an der Eidgenössischen Technischen Hochschule gearbeitet hat. "Dies ist eine andere Art, die Aufgabe anzugreifen."

Einige Wissenschaftler betrachten GM und andere Technologien als einfach leistungsfähige Werkzeuge für die Ausübung traditioneller Wissenschaft. Die meisten sind sich jedoch einig, dass die KI diesen Prozess erheblich beeinflussen wird und ihre Rolle in der Wissenschaft nur noch zunehmen wird. Brian Nord , ein Astrophysiker am Fermi National Accelerator Laboratory, der künstliche neuronale Netze verwendet, um den Weltraum zu untersuchen, ist einer von denen, die befürchten, dass keine der Aktivitäten des menschlichen Wissenschaftlers der Automatisierung entgeht. "Der Gedanke ist ziemlich erschreckend", sagte er.

Generationsentdeckung

Schon am Institut begann Shavinsky, sich auf der Grundlage von Daten einen Ruf in der Wissenschaft aufzubauen. Während seiner Promotion hatte er die Aufgabe, Tausende von Galaxien anhand ihres Aussehens zu klassifizieren. Da es für diese Aufgabe keine vorgefertigten Programme gab, beschloss er, Crowdsourcing zu diesem Zweck zu organisieren - so entstand das Galactic Zoo- Projekt. Seit 2007 können normale Benutzer Astronomen dabei helfen, Annahmen darüber zu treffen, welche Galaxie zu welcher Kategorie gehört, und normalerweise klassifizieren die meisten Stimmen die Galaxie korrekt. Das Projekt war jedoch erfolgreich, wie Shavinsky bemerkt, und die KI machte es sinnlos: „Heute kann ein talentierter Wissenschaftler mit Erfahrung in der Region Moskau und Zugang zu Cloud Computing ein solches Projekt in einem halben Tag durchführen.“

Shavinsky wandte sich 2016 dem neuen leistungsstarken Tool von GM zu. Tatsächlich stellt der GM die Frage: Wie wahrscheinlich ist es, dass wir unter Bedingung X das Ergebnis Y erhalten? Dieser Ansatz hat sich als unglaublich effektiv und universell erwiesen. Nehmen wir zum Beispiel an, Sie haben GM eine Reihe von Bildern menschlicher Gesichter gegeben, und für jede Person ist ihr Alter festgelegt. Das Programm kämmt diese Trainingsdaten und beginnt, eine Verbindung zwischen alten Gesichtern und der erhöhten Wahrscheinlichkeit von Falten auf ihnen zu finden. Infolgedessen kann sie das Alter einer bestimmten Person angeben - das heißt, um vorherzusagen, welche körperlichen Veränderungen eine bestimmte Person eines Alters wahrscheinlich erleiden wird.


Keine dieser Personen ist real. Die obere Zeile (A) und die linke Spalte (B) werden von einem generativ-kontradiktorischen Netzwerk (GSS) unter Verwendung von Bausteinen erstellt, die aus Elementen realer Personen abgeleitet sind. Anschließend kombinierte das GSS die wichtigsten Gesichtsmerkmale der Serie A, einschließlich Geschlecht, Wachstum und Gesichtsform, mit kleineren Gesichtsmerkmalen der Spalte B, z. B. Haar- und Augenfarbe, und erstellte Gesichter im Rest der Tabelle.

Von den GM-Systemen sind generative kontradiktorische Netze (GSS) am bekanntesten. Nach der Verarbeitung angemessener Trainingsdaten kann das GSS Bilder mit fehlenden oder beschädigten Pixeln wiederherstellen oder verschwommene Fotos klar machen. GSSs sind darauf trainiert, die fehlenden Informationen auf der Grundlage des Wettbewerbs zu extrahieren (daher der "Gegner"): Ein Teil des Netzwerks, der Generator, generiert falsche Daten, und der zweite, der Diskriminator, versucht, falsche Daten von echten zu unterscheiden. Während das Programm läuft, funktionieren beide Teile allmählich besser. Möglicherweise haben Sie einige superrealistische "Gesichter" gesehen, die vom GSS erstellt wurden - Bilder von "unglaublich realistischen Menschen, die in der Realität nicht existieren", wie sie in einer der Schlagzeilen geschrieben haben.

In einem allgemeineren Fall nimmt ein GM einen Datensatz (normalerweise Bilder, aber nicht erforderlich) und zerlegt sie in Teilmengen der abstrakten Grundbausteine ​​- Wissenschaftler nennen sie den "verborgenen Raum" der Daten. Der Algorithmus manipuliert Elemente des verborgenen Raums, um zu sehen, wie sich dies auf die Anfangsdaten auswirkt. Dies hilft dabei, die physischen Prozesse aufzudecken, die den Betrieb des Systems sicherstellen.

Die Idee des verborgenen Raums ist abstrakt und schwer vorstellbar, aber denken Sie als grobe Analogie darüber nach, was Ihr Gehirn tun kann, wenn Sie versuchen, das Geschlecht einer Person anhand des Gesichts zu bestimmen. Vielleicht bemerken Sie eine Frisur, eine Nasenform usw. sowie Muster, die nicht einfach in Worten zu beschreiben sind. Ein Computerprogramm sucht auch nach versteckten Zeichen in den Daten: Obwohl es keine Ahnung hat, was ein Schnurrbart oder Geschlecht ist, wurde es an einem Datensatz trainiert, in dem einige Bilder mit „Mann“ oder „Frau“ und einige mit „Schnurrbart“ gekennzeichnet sind. ", Sie wird die Beziehung schnell verstehen.


Kevin Shavinsky, Astrophysiker, Leiter der KI-Firma Modulos

In einem im Dezember in der Zeitschrift Astronomy & Astrophysics veröffentlichten Artikel verwendeten Shavinsky und seine Kollegen Denis Tharp und Che Zhen GM, um die physikalischen Veränderungen in Galaxien während der Evolution zu untersuchen (die von ihnen verwendete Software berechnet den verborgenen Raum etwas anders als GSS, so dass dies technisch unmöglich ist Rufen Sie GSS an, obwohl es in den Eigenschaften ziemlich nahe ist. Ihr Modell erstellte künstliche Datensätze, um Hypothesen über physikalische Prozesse zu testen. Sie fragten zum Beispiel, wie die „Abschwächung“ der Sternentstehung - eine starke Abnahme der Geschwindigkeit ihrer Entstehung - mit einer Zunahme der Dichte der Galaxie verbunden ist.

Für Shavinsky ist die Schlüsselfrage, wie viele Informationen über stellare und galaktische Prozesse auf der Grundlage nur einer Daten extrahiert werden können. "Schließen Sie alles aus, was wir über Astrophysik wissen", sagte er. "Inwieweit können wir dieses Wissen nur anhand von Daten wiederentdecken?"

Erstens wurden Galaxienbilder auf verborgenen Raum reduziert; dann könnte Shavinsky ein Element dieses Raumes so korrigieren, dass es einer bestimmten Änderung in der Umgebung der Galaxie entspricht - zum Beispiel der Dichte ihrer Umgebung. Dann konnte er die Galaxie regenerieren und sehen, welche Unterschiede diesmal auftreten würden. "Und jetzt habe ich eine Maschine zur Erstellung von Hypothesen", erklärte er. "Ich kann eine Reihe von Galaxien nehmen, die ursprünglich von geringer Dichte umgeben waren, und es so aussehen lassen, als ob ihre Dichte hoch ist." Shavinsky, Tarp und Zhen stellten fest, dass sie beim Übergang von einer niedrigeren zu einer höheren Dichte der Umgebung röter werden und ihre Sterne dichter konzentriert sind. Dies steht im Einklang mit bestehenden Beobachtungen von Galaxien, sagte Shavinsky. Die Frage ist nur warum.

Der nächste Schritt, sagt Shavinsky, sei noch nicht automatisiert worden. "Ich, Mann, muss eingreifen und sagen: Nun, welche Art von Physik kann diesen Effekt erklären?" Für diesen Prozess gibt es zwei mögliche Erklärungen: Es ist möglich, dass Galaxien in dichteren Umgebungen röter werden, weil sie mehr Staub enthalten oder weil die Bildung von Sternen abnimmt (mit anderen Worten, ihre Sterne sind normalerweise älter). Mit dem generativen Modell können wir beide Ideen testen. Wir verändern die Elemente des verborgenen Raums, die mit Staub und der Geschwindigkeit der Sternentstehung verbunden sind, und sehen, wie sich dies auf die Farbe von Galaxien auswirkt. "Und die Antwort ist klar", sagte Shavinsky. Rötlichere Galaxien sind solche, "bei denen die Geschwindigkeit der Sternentstehung gesunken ist, und nicht solche, bei denen mehr Staub vorhanden ist. Deshalb neigen wir zu der ersten Erklärung. “


Die oberste Reihe sind echte Galaxien in Regionen mit geringer Dichte.
Zweite Reihe - Rekonstruktion basierend auf verstecktem Raum.
Als nächstes folgen die vom Netzwerk vorgenommenen Transformationen und unten die erzeugten Galaxien in Regionen mit hoher Dichte.

Der Ansatz ist mit traditionellen Simulationen verbunden, weist jedoch grundlegende Unterschiede auf. Die Simulation "basiert auf Annahmen", sagte Shavinsky. "Dies ist das Gleiche wie zu sagen:" Ich glaube, ich habe verstanden, welche physikalischen Grundlagen allem zugrunde liegen, was ich im System beobachte. " Ich habe ein Rezept für die Bildung von Sternen, für das Verhalten der Dunklen Materie und so weiter. Ich stelle alle meine Hypothesen auf und starte die Simulation. Dann frage ich: Sieht das nach Realität aus? “ Und mit generativer Modellierung sieht dies "in gewissem Sinne das genaue Gegenteil von Simulation" aus. Wir wissen nichts, wir wollen nichts annehmen. Wir möchten, dass die Daten uns sagen, was passieren kann. “

Der offensichtliche Erfolg der generativen Modellierung in einer solchen Studie bedeutet natürlich nicht, dass Astronomen und Doktoranden unnötig geworden sind - aber es scheint eine Verschiebung des Grades zu zeigen, in dem KI etwas über astrophysikalische Objekte und Prozesse lernen kann fast nur eine riesige Datenmenge. "Dies ist keine vollautomatisierte Wissenschaft, aber sie zeigt, dass wir Werkzeuge entwickeln können, die den wissenschaftlichen Fortschritt zumindest teilweise automatisieren", sagte Shavinsky.

Generative Modellierung kann offensichtlich viel - aber ob sie wirklich einen neuen Ansatz für die Wissenschaft darstellt, ist ein strittiger Punkt. Für David Hogg , Kosmologe an der New York University und am Flatiron Institute, ist diese Technologie zwar beeindruckend, aber tatsächlich eine sehr komplexe Methode, um Sequenzen aus Daten zu extrahieren - und Astronomen tun dies seit Jahrhunderten. Mit anderen Worten, es ist eine fortschrittliche Beobachtungs- und Analysemethode. Die Arbeit von Hogg ist wie Shavinsky stark von der KI abhängig; Er verwendet neuronale Netze, um Sterne nach Spektrum zu klassifizieren und mithilfe datengesteuerter Modelle Schlussfolgerungen über andere physikalische Eigenschaften von Sternen zu ziehen. Aber er betrachtet seine Arbeit und die Arbeit von Shavinsky als eine alte, freundliche, bewährte wissenschaftliche Methode. "Ich denke nicht, dass dies der dritte Weg ist", sagte er kürzlich. „Ich denke nur, dass wir als Community unsere Daten zunehmend nutzen. Insbesondere können wir Daten viel besser vergleichen. Aus meiner Sicht passt meine Arbeit jedoch perfekt in den Rahmen des Beobachtungsregimes. “

Eifrige Assistenten

Unabhängig davon, ob KI und neuronale Netze konzeptionell neue Werkzeuge sind oder nicht, ist es offensichtlich, dass sie in der modernen Astronomie und physikalischen Forschung eine entscheidende Rolle spielten. Am Heidelberger Institut für Theoretische Forschung leitet der Physiker Kai Polsterer eine Gruppe für Astroinformatik - ein Forscherteam, das mit neuen Methoden der Astrophysik auf Basis der Datenverarbeitung arbeitet. Sie verwendeten kürzlich einen Algorithmus mit MOs, um Rotverschiebungsinformationen aus Galaxiendatensätzen zu extrahieren - eine Aufgabe, die früher schwächend war.

Polsterer betrachtet diese neuen KI-basierten Systeme als „eifrige Assistenten“, die in der Lage sind, Daten stundenlang zu kämmen, ohne sich zu langweilen und sich über die Arbeitsbedingungen zu beschweren. Diese Systeme können all die monotone und harte Arbeit leisten, sagte er und hinterließ uns eine "coole, interessante Wissenschaft".

Aber sie sind nicht perfekt. Insbesondere, warnt Polsterer, können Algorithmen nur das tun, was sie trainiert haben. Das System ist der Eingabe gleichgültig. Geben Sie ihr eine Galaxie und sie wird ihre Rotverschiebung und ihr Alter schätzen können. Aber gib ihr ein Selfie oder ein Foto von faulen Fischen, sie wird ihr Alter schätzen (natürlich falsch). Am Ende, sagte er, bleibt die Kontrolle der Menschen notwendig. „Alles schließt sich uns, den Forschern. Wir sind für die Interpretation verantwortlich. “

Nord von Fermilab seinerseits warnt davor, dass es wichtig ist, dass die neuronalen Netze nicht nur Ergebnisse, sondern auch Arbeitsfehler liefern, wie es jeder Schüler gewohnt ist. In der Wissenschaft ist dies so anerkannt, dass niemand Ihre Ergebnisse ernst nimmt, wenn Sie eine Messung durchführen, aber keinen Fehler machen.

Wie viele KI-Forscher ist auch Nord besorgt, dass die Ergebnisse neuronaler Netze schwer zu verstehen sind. Das neuronale Netzwerk gibt eine Antwort, ohne einen klaren Weg zu finden, um sie zu erhalten.

Allerdings glauben nicht alle, dass mangelnde Transparenz ein Problem ist. Lenka Zdeborova, Forscherin am Institut für Theoretische Physik in Frankreich, weist darauf hin, dass die menschliche Intuition manchmal auch nicht zu verstehen ist. Sie sehen sich das Foto an und stellen fest, dass die Katze darauf abgebildet ist - "aber Sie wissen nicht, woher Sie das wissen", sagt sie. "Ihr Gehirn ist in gewisser Weise auch eine Black Box."

Nicht nur Astrophysiker und Kosmologen wandern mithilfe von KI und Datenverarbeitung auf die Seite der Wissenschaft. Der Quantenphysikspezialist Roger Melko vom Institut für Theoretische Physik des Perimeters und der University of Waterloo verwendete ein neuronales Netzwerk, um einige der komplexesten und wichtigsten Probleme in diesem Bereich zu lösen, beispielsweise eine Wellenfunktion, die ein System vieler Teilchen beschreibt. KI ist notwendig, weil Melko den „exponentiellen Fluch der Dimension“ nennt. Das heißt, die Anzahl möglicher Formen der Wellenfunktion nimmt exponentiell mit einer Zunahme der Anzahl von Partikeln in dem beschriebenen System zu. Die Schwierigkeit ähnelt dem Versuch, den besten Zug in einem Spiel wie Schach oder Los zu wählen: Sie versuchen, den nächsten Zug zu berechnen, indem Sie sich vorstellen, wie Ihr Gegner gehen wird, und die beste Antwort wählen, aber mit jedem Zug wächst die Anzahl der Möglichkeiten.

Natürlich hat AI beide Spiele gemeistert, vor einigen Jahrzehnten Schach gelernt und 2016 den besten Go-Spieler geschlagen - dies wurde vom AlphaGo-System durchgeführt. Sie sagt fein, dass sie auch gut an die Probleme der Quantenphysik angepasst sind.

Maschinengeist

Ob Shavinsky zu Recht erklärt, dass er einen „dritten Weg“ gefunden hat, sich mit Wissenschaft zu beschäftigen, oder, wie Hogg sagt, dies nur traditionelle Beobachtungen und Datenanalysen „über Steroide“ sind, es ist klar, dass KI das Wesen einer wissenschaftlichen Entdeckung verändert und es deutlich beschleunigt. Wie weit wird die KI-Revolution in der Wissenschaft gehen?

In regelmäßigen Abständen werden laute Aussagen über die Leistungen der "Robo-Wissenschaftler" gemacht. Vor zehn Jahren untersuchte der Adam-Roboterchemiker das Hefegenom und stellte fest, welche Gene für die Produktion bestimmter Aminosäuren verantwortlich sind. Dazu beobachtete er Hefestämme, denen bestimmte Gene fehlten, und verglich die Ergebnisse ihres Verhaltens miteinander. Das Wired-Magazin schrieb: "Der Roboter hat selbst eine wissenschaftliche Entdeckung gemacht ."

Wenig später verwendete Lee Cronin, Chemiker an der Glazko-Universität, einen Roboter, um Chemikalien zufällig zu mischen, um festzustellen, ob neue Verbindungen auftraten. Durch die Verfolgung von Reaktionen in Echtzeit unter Verwendung eines Massenspektrometers, einer Kernspinresonanzmaschine und eines Infrarotspektrometers lernte das System schließlich, die reaktivsten Kombinationen vorherzusagen. Obwohl dies nicht zu Entdeckungen führte, sagte Cronin, könnte ein Robotersystem es Chemikern ermöglichen, ihre Forschung um 90% zu beschleunigen.

Im vergangenen Jahr nutzte ein anderes Team von Wissenschaftlern aus Zürich neuronale Netze , um physikalische Gesetze basierend auf Datensätzen abzuleiten. Ihr System, eine Art Roboter-Kepler, entdeckte das heliozentrische Modell des Sonnensystems auf der Grundlage von Aufzeichnungen über die Position von Sonne und Mars am von der Erde aus sichtbaren Himmel wieder und leitete das Gesetz der Impulserhaltung aus Beobachtungen von Kollisionen von Kugeln ab. Da physikalische Gesetze oft auf verschiedene Arten ausgedrückt werden können, sind Forscher daran interessiert, ob dieses System neue und möglicherweise einfachere Möglichkeiten bietet, mit bekannten Gesetzen zu arbeiten.

All dies sind Beispiele dafür, wie KI wissenschaftliche Entdeckungen beschleunigt, obwohl in jedem Fall argumentiert werden kann, wie revolutionär der neue Ansatz war.Am umstrittensten wird vielleicht die Frage sein, wie viele Informationen allein aus Daten gewonnen werden können - ein wichtiges Thema im Zeitalter riesiger, ständig wachsender Datenberge. In The Book of Why, 2018, schlagen der Informatikexperte Jadi Pearl und die populärwissenschaftliche Schriftstellerin Dana Mackenzie vor, dass Daten eine „unglaublich dumme“ Sache sind. Fragen zur Schadensursache "können niemals nur anhand von Daten beantwortet werden", schreiben sie. "Jedes Mal, wenn Sie eine Arbeit oder Studie sehen, die Daten analysiert, ohne Modelle zu berücksichtigen, können Sie sicher sein, dass die Ausgabe dieser Arbeit die Daten zusammenfasst und möglicherweise transformiert, aber nicht interpretiert." Shavinsky sympathisiert mit Perles Position, beschreibt aber die Idee, nur mit Daten zu arbeiten, als etwas wie einen "kleinen Mann der Striche". Er sagte, er habe nie die Möglichkeit angegeben, Ursachen und Auswirkungen aus den Daten abzuleiten."Ich habe nur gesagt, dass wir mit Daten viel mehr anfangen können, als dies normalerweise der Fall ist."

Ein weiteres häufiges Argument ist, dass Wissenschaft Kreativität braucht, und zumindest für den Moment haben wir keine Ahnung, wie wir sie programmieren sollen. Eine einfache Aufzählung aller Möglichkeiten, wie es der Roboterchemiker Cronin getan hat, sieht nicht besonders kreativ aus. "Ich denke, um eine Theorie und logische Konstruktionen zu entwickeln, ist Kreativität erforderlich", sagte Polsterer. "Jedes Mal, wenn Sie Kreativität brauchen, brauchen Sie eine Person." Und woher kommt Kreativität? Polsterer vermutet, dass es mit Langeweile verbunden ist - die Tatsache, dass das Auto seiner Meinung nach nicht zum Testen gegeben wurde. „Um kreativ zu sein, darf man Langeweile nicht lieben. Und ich glaube nicht, dass sich der Computer jemals langweilen wird. " Andererseits werden häufig Wörter wie „Kreativität“ und „Inspiration“ verwendet, um Programme wie Deep Blue und AlphaGo zu beschreiben. Und vergebliche Versuche zu beschreibenWas im Maschinengeist geschieht, ist den Schwierigkeiten, auf die wir beim Studium unserer eigenen Denkprozesse stoßen, sehr ähnlich.

Shavinsky hat kürzlich die Wissenschaft zugunsten des Handelssektors verlassen. Heute leitet er das Modulos-Startup, in dem viele Wissenschaftler des Schweizerischen Technischen Instituts arbeiten, und arbeitet laut ihrer Website „im Auge eines Sturms von Entwicklungen im Bereich KI und maschinelles Lernen“. Welche Hindernisse auch immer zwischen moderner KI und vollwertiger künstlicher Intelligenz liegen, er und andere Experten glauben, dass Maschinen dazu bestimmt sind, immer mehr Arbeit von Wissenschaftlern zu leisten. Gibt es Grenzen dafür, müssen wir nur herausfinden.

„Wird es in absehbarer Zeit möglich sein, eine Maschine zu entwickeln, die Entdeckungen in Physik oder Mathematik machen kann, zu denen die klügsten lebenden Menschen, die biologische Geräte verwenden, nicht in der Lage sind? - denkt Shavinsky. - Wird sich die Wissenschaft der Zukunft dank Maschinen entwickeln, die auf einem für uns unzugänglichen Niveau arbeiten? Ich weiß nicht. Das ist eine gute Frage. “