Η αναζήτηση της απλούστερης και πιο κομψής εξήγησης έχει υπηρετήσει την επιστήμη επί αιώνες. Όμως τα πειράματα της γνωσιακής επιστήμονα Marina Dubova δείχνουν ότι υπάρχουν και καλύτεροι τρόποι για να προσεγγίσουμε την πραγματικότητα.
Ο αρχαίος Έλληνας αστρονόμος Πτολεμαίος, περιορισμένος από τις γνώσεις της εποχής του, φανταζόταν ότι οι πλανήτες και ο ήλιος του ηλιακού μας συστήματος περιφέρονταν γύρω από τη Γη. Κάθε νέα παρατήρηση που ερχόταν σε αντίθεση με αυτή την εικόνα απαιτούσε μια μικρή διόρθωση στη θεωρία, μέχρι που, αιώνες αργότερα, η αναδιατύπωση του Νικολάου Κοπέρνικου την ανέτρεψε οριστικά. Η πιο κομψή εξήγηση πρότεινε ότι όλοι οι πλανήτες περιφέρονται γύρω από τον ήλιο, ανοίγοντας τον δρόμο για μια επιστημονική επανάσταση που άλλαξε την κατανόησή μας για το σύμπαν.
Απλούστερες εξηγήσεις έχουν αντικαταστήσει ξανά και ξανά την κυρίαρχη γνώση. Η ειδική σχετικότητα επικράτησε έναντι του φωτεινού αιθέρα, ενώ η ηπειρωτική μετατόπιση εξηγούσε πολύ πιο εύκολα τα όμοια απολιθώματα σε διαφορετικές ηπείρους από ό,τι οι χερσαίες γέφυρες που υποτίθεται ότι είχαν βυθιστεί πριν από αμέτρητους αιώνες. Αυτό είναι το πνεύμα του ξυραφιού του Οκάμ, της αρχής που αποδίδεται στον μοναχό του 14ου αιώνα Ουίλιαμ του Οκκαμ και μας λέει να προτιμούμε την απλούστερη εξήγηση που ταιριάζει στα δεδομένα.
Τι γίνεται όμως αν η επιστημονική πρόοδος δεν λειτουργεί πάντα έτσι; Τι γίνεται αν είναι καλύτερο να κάνουμε ένα βήμα πίσω και να ξεκινάμε από την πολυπλοκότητα και όχι από την απλότητα; Μόνο τότε ίσως μπορέσουμε να μεγεθύνουμε τις κρυφές δομές που μέχρι τώρα έμεναν αόρατες.
Η Marina Dubova, γνωσιακή επιστήμονας και φιλόσοφος στο Santa Fe Institute στο Νέο Μεξικό, υποστηρίζει ότι το ξυράφι του Οκάμ είναι μόνο ένας από τους κανόνες-οδηγούς που εμποδίζουν τις προσπάθειές μας να αποτυπώσουμε την πραγματικότητα όπως είναι. Μέσα από προσομοιώσεις σε υπολογιστή και πειράματα με ερευνητές σε «μικρόκοσμους», η Dubova εφαρμόζει τις αρχές της ψυχολογίας και της γνωσιακής επιστήμης στους ίδιους τους επιστήμονες. Και διαπιστώνει ότι ορισμένες από τις πιο αγαπημένες μας παραδοχές για τον καλύτερο τρόπο αναζήτησης της αλήθειας δεν στηρίζονται σε σταθερό έδαφος.
Σε ένα μέλλον όπου μεγάλα τμήματα της επιστήμης ίσως αυτοματοποιηθούν, αυτά τα συμπεράσματα μπορεί να αποδειχθούν καθοριστικά για τη δημιουργία «επιστημόνων AI». Το New Scientist ρώτησε τη Dubova για τους κινδύνους του να ενσωματωθούν παλιοί τρόποι σκέψης στο μέλλον της επιστήμης, για το πώς μπορούμε να μαθαίνουμε καλύτερα και πιο γρήγορα μεγιστοποιώντας την επαφή μας με την πραγματικότητα και για το τι σημαίνουν όλα αυτά, σε θεμελιώδες επίπεδο, για το τι είναι τελικά η επιστήμη.
Thomas Lewton: Τι είναι το ξυράφι του Οκάμ και πώς το χρησιμοποιούν οι επιστήμονες;
Marina Dubova: Το ξυράφι του Οκάμ είναι η προτίμηση στις απλούστερες εξηγήσεις. Φοιτητές σε πολλούς επιστημονικούς κλάδους, ανάμεσά τους κι εγώ, διδασκόμαστε ότι είναι καλή ιδέα, όποιο κι αν είναι το αντικείμενό σου, να ξεκινάς από τη πιο απλή δυνατή θεωρία. Αν στα δεδομένα δεις κάτι που δεν εξηγείται, τότε προσθέτεις μία ακόμη μεταβλητή ή έναν ακόμη μηχανισμό, αλλά πάντα ξεκινάς με τον απλούστερο δυνατό τρόπο. Οι επιστήμονες το εφαρμόζουν με διαφορετικούς τρόπους: μερικές φορές σημαίνει προτίμηση στις εξηγήσεις που κάνουν τις λιγότερες παραδοχές, ή σε θεωρίες που προϋποθέτουν λιγότερες αιτίες ή μηχανισμούς. Άλλες φορές σημαίνει προτίμηση στις λιγότερο ευέλικτες εξηγήσεις, ώστε να κάνουν πολύ συγκεκριμένες προβλέψεις.
Αυτή η απλουστευτική προσέγγιση περιορίζεται μόνο στην επιστήμη ή την ακολουθούμε όλοι;
Έχουμε στοιχεία ότι, όταν ζητάς από ανθρώπους να εξηγήσουν διαφορετικά γεγονότα, τείνουν να καταλήγουν σε εξηγήσεις απλές και ευρείες. Η ψυχολόγος Tania Lombrozo στο Princeton University, μεταξύ άλλων, έχει δείξει ότι συχνά προτιμούμε εξηγήσεις που αναφέρονται σε λιγότερες αιτίες ή μηχανισμούς και που μπορούν να καλύψουν περισσότερα δεδομένα. Για παράδειγμα, όταν ζητήθηκε από συμμετέχοντες σε μελέτη να κάνουν διάγνωση για έναν εξωγήινο με δύο συμπτώματα, προτίμησαν την εξήγηση ότι έχει μία μόνο ασθένεια που τα εξηγεί και τα δύο, αντί για δύο ασθένειες που προκαλούν από ένα σύμπτωμα η καθεμία, ακόμη και όταν η εξήγηση με τις δύο ασθένειες παρουσιαζόταν ως πιθανότερη.
Υπάρχουν εμπειρικά στοιχεία ότι το ξυράφι του Οκάμ οδηγεί στην επιστημονική πρόοδο;
Δοκιμάσαμε αυτές τις ιδέες με ένα υπολογιστικό μοντέλο, στο οποίο πράκτορες AI χτίζουν αναπαραστάσεις μιας πραγματικής κατάστασης με βάση ένα περιορισμένο σύνολο δεδομένων. Δημιουργούμε ορισμένους πράκτορες που θέλουν να καταλήξουν σε μια θεωρία για την πραγματική κατάσταση με τις λιγότερες μεταβλητές. Στην άλλη άκρη του φάσματος, έχουμε πράκτορες σχεδιασμένους να παράγουν εξηγήσεις πολύ πιο σύνθετες από τα φαινόμενα που μελετούν. Φανταστείτε ότι έχετε ένα σύστημα με τρεις σημαντικές μεταβλητές: αυτοί οι τελευταίοι πράκτορες θα έφτιαχναν εξηγήσεις με 1000 μεταβλητές. Πρόκειται για μια πολύ ενδιαφέρουσα αντίστροφη μορφή προτίμησης, που δεν τη βλέπουμε συχνά, τουλάχιστον στην επιστήμη. Αν το εφαρμόζαμε στο παράδειγμα της εξωγήινης ασθένειας, ο πράκτορας που προτιμά την πολυπλοκότητα δεν θα απέδιδε τα συμπτώματα σε μία ή δύο ασθένειες. Αντίθετα, θα έφτιαχνε μια εξήγηση που θα στηριζόταν σε χίλιους παράγοντες, όπως η ηλικία του εξωγήινου ασθενή, τα μητρικά και πατρικά γενετικά ρίσκα, η θερμοκρασία και η ποιότητα του αέρα στον πλανήτη του και πολλά ακόμη.
Παραδόξως, όταν εξετάζουμε πόσο καλά αυτές οι αναπαραστάσεις βοηθούν τους πράκτορες να προβλέψουν νέα δεδομένα από την ίδια πραγματική κατάσταση, μερικές φορές οι πράκτορες με την ρητή προτίμηση στην πολυπλοκότητα τα καταφέρνουν εξίσου καλά με όσους προτιμούν την απλότητα ή και καλύτερα. Αυτά τα ευρήματα είναι πολύ απροσδόκητα και μας αναγκάζουν να επανεξετάσουμε πολλές από τις παραδοχές που έχουμε ως επιστήμονες για τον τρόπο με τον οποίο μαθαίνουμε τον κόσμο.
Μιλήσατε για παραδοχές, στον πληθυντικό. Άρα δεν είναι μόνο το ξυράφι του Οκάμ που ίσως μας οδηγεί σε λάθος δρόμο;
Ένας ακόμη κοινός κανόνας είναι η ιδέα ότι ένα πείραμα πρέπει να καθοδηγείται από τις θεωρίες που ήδη διαθέτουμε. Είτε μελετάς ζωή σε άλλους πλανήτες είτε ένα νέο φαινόμενο στην ανθρώπινη μνήμη, μια συνηθισμένη απαίτηση είναι πρώτα να διατυπώσεις μια θεωρία για να κάνεις ένα θεωρητικά καθοδηγούμενο πείραμα. Για παράδειγμα, οι διάσημες αποστολές για την έκλειψη που οργάνωσε ο Arthur Stanley Eddington το 1919 είχαν σχεδιαστεί ειδικά για να ελέγξουν την πρόβλεψη της γενικής σχετικότητας ότι η βαρύτητα του ήλιου καμπυλώνει το φως των άστρων. Το πείραμα επέτρεψε στους επιστήμονες να επιλέξουν ανάμεσα σε δύο ανταγωνιστικές προσεγγίσεις: η γενική σχετικότητα του Albert Einstein προέβλεπε μεγαλύτερη εκτροπή, ενώ οι νευτώνειες παραδοχές μικρότερη. Η ιδέα είναι ότι δεν πρέπει να κάνουμε πειράματα άσκοπα, όλα πρέπει να έχουν πίσω τους λογική.
Η εικόνα της ηλιακής έκλειψης που τραβήχτηκε το 1919 επιβεβαίωσε τη θεωρία της γενικής σχετικότητας του Albert Einstein. Τα άστρα κοντά στον ήλιο, που σημειώνονται εδώ με οριζόντιες γραμμές, φάνηκε να έχουν μετατοπιστεί ελαφρά, επειδή το φως τους είχε καμπυλωθεί από το βαρυτικό του πεδίο.
ROYAL ASTRONOMICAL SOCIETY/SCIENCE PHOTO LIBRARY
Η επιστήμη συχνά περιγράφεται ως αναζήτηση της λογικής. Είναι αυτή η λάθος προσέγγιση;
Με παρόμοια υπολογιστικά μοντέλα, δημιουργούμε πράκτορες που στρατηγικά προσπαθούν να διαψεύσουν τις θεωρίες τους ή να λύσουν τις διαφωνίες με τους συναδέλφους τους μέσα από προσεκτικά επιλεγμένα πειράματα. Μια άλλη στρατηγική είναι να κάνουν πειράματα που θα μπορούσαν να αποδείξουν ότι η θεωρία τους είναι σωστή, κάτι σαν επιβεβαιωτική προκατάληψη. Στη συνέχεια δοκιμάσαμε άλλες δύο διερευνητικές στρατηγικές: η μία ήταν η επιλογή πειραμάτων τυχαία και η άλλη η επιλογή νέων πειραμάτων που δεν είχε κάνει κανείς πριν.
Ποιοι κατέληξαν στις καλύτερες θεωρίες;
Οι πράκτορες που ακολούθησαν τις διερευνητικές στρατηγικές, τόσο εκείνοι που κινούνταν από τη νεωτερικότητα όσο και εκείνοι που έκαναν τυχαία πειράματα, ανέπτυξαν τις καλύτερες θεωρίες για την υποκείμενη πραγματική κατάσταση. Ήμασταν τόσο έκπληκτοι από αυτό, που κάναμε τέσσερα ακόμη πειράματα με το μοντέλο για να προσπαθήσουμε να διαψεύσουμε το αποτέλεσμα.
Και έχετε παρατηρήσει αυτές τις συμπεριφορές και σε πραγματικούς επιστήμονες;
Ναι. Ζητήσαμε από νευροεπιστήμονες να μάθουν για ένα τεχνητό τμήμα εγκεφάλου, χρησιμοποιώντας απεικόνιση εγκεφάλου και βλάβες. Στόχος τους ήταν να καταλάβουν ποια είναι η υποκείμενη αιτιακή δομή. Οι νευροεπιστήμονες τα πήγαν αρκετά καλά σε αυτή την αποστολή, αλλά κάποιες φορές αποτύγχαναν να αναθεωρήσουν τις αρχικές τους πεποιθήσεις. Για παράδειγμα, το τεχνητό τμήμα εγκεφάλου παραβίαζε μερικές φορές την υπόθεση «ένα προς ένα», σύμφωνα με την οποία κάθε περιοχή του εγκεφάλου είναι υπεύθυνη για μία μόνο ικανότητα, όπως ξεχωριστές περιοχές για την επεξεργασία προσώπων ή για τη γλώσσα. Είχαμε στήσει το πείραμα έτσι ώστε μία περιοχή του τεχνητού εγκεφάλου να ελέγχει πολλές ικανότητες, όμως ορισμένοι νευροεπιστήμονες επέμεναν ότι πρέπει να υπάρχουν λεπτές διαφορές και ότι στην πραγματικότητα υπήρχαν δύο ελαφρώς διαφορετικές περιοχές, καθεμία υπεύθυνη για μία συμπεριφορά. Όπως ακριβώς οι λιγότερο διερευνητικοί πράκτορες δυσκολεύονταν περισσότερο να αναθεωρήσουν τις θεωρίες τους, έτσι και οι πραγματικοί επιστήμονες άφηναν τις υποθέσεις τους να καθοδηγούν ποια πειράματα θα κάνουν και πώς θα ερμηνεύσουν τα αποτελέσματα.
Τι πρέπει να κρατήσουν οι επιστήμονες από τα πειράματά σας;
Στην επιστήμη, οι θεσμοί μας δεν είναι φτιαγμένοι ώστε να ενθαρρύνουν την εξερεύνηση. Αυτό πρέπει να γίνεται πολύ συνειδητά. Πρέπει να αναγνωρίσουμε ότι οι θεωρίες και οι έννοιές μας επηρεάζουν όλες μας τις αποφάσεις με τρόπο που μπορεί να μας εμποδίζει να πλησιάσουμε την πραγματικότητα με νέο τρόπο. Για παράδειγμα, η θεωρία της γενικής σχετικότητας, ο περιοδικός πίνακας στη χημεία ή η ταξινόμηση των ψυχικών παθήσεων στην ψυχιατρική είναι πράγματα που επηρεάζουν τον τρόπο με τον οποίο εμείς, ως επιστήμονες, ερχόμαστε σε επαφή με την πραγματικότητα και μπορούν να μας βοηθήσουν να προχωρήσουμε, αλλά μπορούν επίσης να περιορίσουν την εξερεύνησή μας.
Όμως η επιστήμη, σε όλες της τις μορφές, περνά σταδιακά και από επαναστάσεις όπου οι έννοιες και οι θεωρίες ανατρέπονται. Δεν αρκεί αυτό;
Όταν συμβαίνει μια επιστημονική επανάσταση, αλλάζει δραματικά το τι κάνουμε ως επιστήμονες και το πώς αντιλαμβανόμαστε τον κόσμο. Όμως πρέπει να παίρνει δεκαετίες ή αιώνες για να ανατραπούν αυτές οι ιδέες; Αν εξερευνούσαμε με λιγότερα «στηρίγματα», θα μπορούσαμε ενδεχομένως να επιταχύνουμε την ανακάλυψη.
Υπάρχουν παραδείγματα όπου οι απλούστερες εξηγήσεις μας οδήγησαν σε λάθος δρόμο;
Ας πάρουμε τη νευροεπιστήμη. Ο κλάδος έχει στραφεί όλο και περισσότερο στην ιδέα του εγκεφάλου ως ενός κατανεμημένου δικτύου, όπου πολλές περιοχές αλληλεπιδρούν και μια συγκεκριμένη περιοχή συχνά συμμετέχει σε περισσότερες από μία λειτουργίες, αντί να «ανήκει» μόνο σε μία. Παρόμοια υπόθεση υπήρξε και στη γενετική: ότι ένα γονίδιο είναι υπεύθυνο για ένα συγκεκριμένο χαρακτηριστικό. Αυτό ισχύει σε ορισμένες ειδικές περιπτώσεις ενός γονιδίου, αλλά η γενική ιδέα έχει επίσης αναθεωρηθεί ενεργά. Σήμερα καταλαβαίνουμε ότι τα περισσότερα χαρακτηριστικά προκύπτουν από την αλληλεπίδραση πολλών γονιδίων σε όλο το γονιδίωμα, συχνά και υπό τη διαμόρφωση του περιβάλλοντος.
Θα μπορούσε να πει κανείς ότι αυτές οι πιο απλές, παλαιότερες ιδέες ήταν ένας πρακτικός τρόπος για να ξεκινήσουμε να κατανοούμε φαινόμενα εξαιρετικά περίπλοκα.
Ως άνθρωποι, έχουμε γνωστικά όρια. Δεν μπορούμε να συλλάβουμε όλες τις πιθανές θεωρίες των 1000 διαστάσεων και των 1000 μεταβλητών που θα μπορούσαν να εξηγήσουν ό,τι μελετάμε. Η απλότητα, ως ένα βαθμό, ίσως ήταν αναγκαιότητα. Η τεχνητή νοημοσύνη μπορεί να μας βοηθήσει να αρχίσουμε να εξερευνούμε πιο πολύπλοκες εξηγήσεις, με μεγαλύτερες διαστάσεις.
Αυτό το βλέπετε να συμβαίνει σε έναν τομέα που λέγεται στατιστική μάθηση, τη μαθηματική μελέτη του πώς τα συστήματα μαθαίνουν από τα δεδομένα. Ένα πρόσφατο εύρημα ονομάζεται «double descent of generalisation». Παλαιότερα πιστεύαμε ότι όσο μεγαλύτερο ήταν ένα μοντέλο, τόσο χειρότερα ίσως θα λειτουργούσε. Η διαίσθηση εδώ ήταν ότι έπρεπε να συμπιέσεις το περιβάλλον με το οποίο αλληλεπιδρά το μοντέλο: γιατί να το αναγκάσεις να απομνημονεύει όλες τις λεπτομέρειες, αφού τίποτα στο περιβάλλον δεν πρόκειται να συμβεί με τον ίδιο ακριβώς τρόπο ξανά; Όμως αποδεικνύεται ότι, καθώς αυξάνεται η πολυπλοκότητα ενός μοντέλου, το ποσοστό σφάλματός του πέφτει, μετά ανεβαίνει και έπειτα πέφτει ακόμη περισσότερο. Αυτά τα συστήματα γενικεύουν καλύτερα —βγάζουν κανόνες για νέες συνθήκες ή προβλέπουν πώς θα εξελιχθούν τα πράγματα με αχαρτογράφητα δεδομένα— όταν σχηματίζουν αναπαραστάσεις πιο σύνθετες από τα ίδια τα δεδομένα. Απομνημονεύουν κάθε λεπτομέρεια και τη μετασχηματίζουν με πολλούς τρόπους ώστε να γενικεύσουν με επιτυχία.
Έχει αυτό συνέπειες για το πώς προσπαθούμε να φτιάξουμε «επιστήμονες AI»;
Πιστεύω ότι δεν γίνεται αρκετή συζήτηση για το ποια στοιχεία της επιστημονικής μεθόδου θέλουμε να διατηρήσουμε και ποια πρέπει να ξανασκεφτούμε. Μήπως απλώς κάναμε το καλύτερο που μπορούσαμε, δεδομένου
