Limitado por los conocimientos de su época, el antiguo astrónomo griego Ptolomeo imaginó que los planetas y el sol de nuestro sistema solar orbitaban la Tierra. Cada nueva observación que contradecía esta imagen requería un ligero ajuste en esa teoría, hasta que siglos después, la reinvención de Nicolás Copérnico la derribó de una vez por todas. Una explicación más elegante proponía que todos los planetas orbitaban alrededor del sol, iniciando una revolución científica que cambió nuestra comprensión del universo entero.
Explicaciones más simples han suplantado una y otra vez al conocimiento prevaleciente: la relatividad especial venció al éter luminífero, la deriva continental explica más fácilmente fósiles similares en continentes separados que puentes terrestres que cruzan océanos y se hundieron hace eones. Éste es el espíritu de la navaja de Occam, el principio atribuido al fraile Guillermo de Ockham del siglo XIV, que nos dice que optemos por la explicación más simple que se ajuste a los hechos.
Pero ¿qué pasa si el progreso científico no siempre funciona de esa manera? ¿Qué pasaría si fuera mejor alejarse y comenzar desde la complejidad en lugar de la simplicidad? Sólo entonces podremos empezar a magnificar las estructuras ocultas que antes eran invisibles.
La filósofa y científica cognitiva Marina Dubova del Instituto Santa Fe en Nuevo México sostiene que la navaja de Occam es sólo una de varias reglas generales que obstruyen nuestros esfuerzos por pintar una imagen verdadera de la realidad. Al construir simulaciones por computadora y poner a los investigadores en experimentos de “micromundos”, Dubova aplica los principios de la psicología y la cognición a los propios científicos. Está descubriendo que algunas de las suposiciones más preciadas sobre la mejor manera de buscar la verdad se encuentran en terreno inestable.
De cara a un futuro en el que gran parte de la ciencia pueda automatizarse, estas lecciones podrían ser decisivas para formar “científicos en IA”. New Scientist preguntó a Dubova sobre los riesgos de incorporar viejas formas de pensar en el futuro de la ciencia, cómo podemos aprender mejor y más rápido maximizando nuestro contacto con la realidad, y qué nos dice esto, en un nivel fundamental, sobre qué es realmente la ciencia.
Thomas Lewton: ¿Cuál es el principio de la navaja de Occam y cómo la utilizan los científicos?
Marina Dubova: La navaja de Occam es la preferencia por explicaciones más simples. A los estudiantes de muchos campos científicos, incluido yo mismo, se les enseña que es una buena idea, sin importar lo que estén estudiando, comenzar con la teoría más simple posible. Si ves en los datos algo que realmente no está contabilizado, entonces añades una variable más o un mecanismo más, pero siempre empiezas de la forma más sencilla posible. Los científicos aplican eso de diferentes maneras: a veces es una preferencia por explicaciones que hacen suposiciones mínimas, o una preferencia por teorías que presuponen menos causas o mecanismos; a veces es una preferencia por explicaciones que son menos flexibles, por lo que hacen predicciones muy específicas.
¿Este enfoque simplista se limita sólo a la ciencia o lo hacemos todos?
Tenemos evidencia de que si se pide a las personas que expliquen diferentes eventos, tienden a dar explicaciones simples y amplias. La psicóloga Tania Lombrozo de la Universidad de Princeton, entre otras, ha descubierto que a menudo preferimos explicaciones que apelen a menos causas o mecanismos y que puedan dar cuenta de la mayor cantidad de datos. Por ejemplo, cuando se les pidió que diagnosticaran a un extraterrestre que tiene dos síntomas, los participantes del estudio favorecieron una explicación de que el extraterrestre tiene una sola enfermedad que explica ambos síntomas en lugar de dos enfermedades que causan un síntoma cada una, incluso cuando la explicación de dos enfermedades se presenta como más probable.
¿Existe evidencia empírica sobre si la navaja de Occam conduce al progreso científico?
Probamos estas ideas utilizando un modelo computacional en el que los agentes de IA construyen representaciones de alguna verdad fundamental basada en un conjunto limitado de datos. Creamos algunos agentes que quieren idear una teoría para la verdad fundamental con la menor cantidad de variables. Luego, en el otro extremo del espectro, tenemos agentes diseñados para crear explicaciones que son mucho más complejas que los fenómenos que están estudiando. Imagine que tiene un sistema con tres variables importantes: estos últimos agentes crearían explicaciones que tendrían 1000 variables. Se trata de un tipo de preferencia inversa muy interesante que no vemos a menudo, al menos en la ciencia. Si aplicáramos esto al ejemplo de la enfermedad alienígena, el agente que prefiere la complejidad no estaría atribuyendo los síntomas a una o dos enfermedades. En cambio, construiría una explicación que se basa en mil factores, como la edad del paciente extraterrestre, las puntuaciones de riesgo genético materno y paterno, la temperatura y la calidad del aire en su planeta de origen, etc.
Sorprendentemente, si observamos qué tan bien estas representaciones terminan ayudando a los agentes a hacer predicciones sobre nuevos datos provenientes de la misma verdad fundamental, a veces los agentes que tenían la preferencia explícita por la complejidad serían capaces de realizar la tarea tan bien como los que prefieren la parsimonia, o a veces incluso mejor. Estas ideas son muy sorprendentes y nos obligan a reconsiderar muchas suposiciones que tenemos sobre cómo nosotros, como científicos, aprendemos sobre el mundo.
Dijiste suposiciones, plural. Entonces, ¿no es sólo la navaja de Occam la que podría estar desviándonos?
Otra regla general común es la idea de que un experimento debe estar motivado por las teorías que ya tenemos. Ya sea que esté estudiando la vida en otros planetas o un nuevo tipo de fenómeno en la memoria humana, un requisito común es formular primero una teoría para realizar un experimento guiado por la teoría. Por ejemplo, las famosas expediciones de eclipses dirigidas por Arthur Stanley Eddington en 1919 se organizaron específicamente para probar la predicción de la relatividad general de que la gravedad del sol desvía la luz de las estrellas. El experimento permitió a los científicos decidir entre dos explicaciones en competencia: la relatividad general de Albert Einstein predijo una desviación mayor, mientras que los supuestos newtonianos predijeron una desviación menor. La idea es que no debemos realizar experimentos en vano, todo debe tener un razonamiento detrás.
Una imagen de un eclipse solar tomada en 1919 confirmó la teoría de la relatividad general de Albert Einstein. Las estrellas cercanas al Sol (marcadas aquí con líneas horizontales) parecían estar ligeramente desplazadas porque su luz estaba curvada por su campo gravitacional.
REAL SOCIEDAD ASTRONÓMICA/BIBLIOTECA DE FOTOS DE CIENCIA
A la ciencia se la suele llamar la búsqueda de la razón. ¿Es ese el enfoque equivocado?
Utilizando modelos computacionales similares, creamos agentes cuya estrategia es intentar falsificar sus teorías o resolver desacuerdos con sus colegas mediante experimentos cuidadosamente seleccionados. Otra estrategia es realizar experimentos que puedan demostrar que su teoría es correcta, una especie de sesgo de confirmación. Luego tuvimos dos estrategias exploratorias más: una es elegir experimentos al azar y la otra es elegir experimentos novedosos que nadie había hecho antes.
¿A quién se le ocurrieron las mejores teorías?
Los agentes que utilizaron las estrategias exploratorias, tanto la experimentación basada en la novedad como la experimentación aleatoria, desarrollaron las mejores teorías de la verdad fundamental subyacente. Esto nos sorprendió tanto que realizamos cuatro experimentos más con el modelo para intentar falsificar el resultado.
¿Y también ha observado estos comportamientos en científicos reales?
Sí. Hicimos que neurocientíficos intentaran aprender sobre un segmento del cerebro de un juguete mediante imágenes cerebrales y lesiones. Su objetivo era aprender cuál es la estructura causal subyacente. Los neurocientíficos tuvieron bastante éxito en esta tarea, pero a veces no lograron revisar sus creencias anteriores. Por ejemplo, el cerebro de juguete a veces violaba la suposición “uno a uno” de que cada región del cerebro es responsable de una única habilidad, como tener áreas separadas para el procesamiento facial o el lenguaje. Lo habíamos configurado de modo que una región del cerebro del juguete controlara varias habilidades, pero algunos neurocientíficos seguían insistiendo en que debía haber diferencias sutiles y que en realidad había dos regiones ligeramente diferentes, cada una responsable de un comportamiento. Así como a los agentes menos exploratorios les resultó más difícil revisar sus teorías, los verdaderos científicos dejan que sus hipótesis guíen los experimentos que realizan y cómo interpretan sus resultados.
¿Qué deberían extraer los científicos de sus experimentos?
En ciencia, nuestras instituciones no están creadas para promover la exploración; tiene que ser muy deliberada. Necesitamos ser conscientes de que nuestras teorías y conceptos influyen en todas nuestras decisiones de una manera que puede impedirnos acercarnos a comprender la realidad de una manera nueva. Por ejemplo, la teoría de la relatividad general, la tabla periódica en química o la taxonomía de las condiciones mentales en psiquiatría, son cosas que afectan la forma en que nosotros, como científicos, nos relacionamos con la realidad y pueden ayudarnos a avanzar más, pero también pueden limitar nuestra exploración.
Pero la ciencia, en todas sus formas, pasa gradualmente por revoluciones en las que conceptos y teorías son trastocados. ¿No es eso suficiente?
Cuando ocurre una revolución científica, hay un cambio dramático en lo que hacemos como científicos y en cómo percibimos el mundo. ¿Pero hace falta décadas o siglos para revertir estas ideas? Si exploramos con menos barreras protectoras, podríamos potencialmente acelerar el descubrimiento.
¿Hay ejemplos de cómo explicaciones simples nos han llevado por el camino equivocado?
Tomemos como ejemplo la neurociencia. El campo se ha inclinado cada vez más hacia ver el cerebro como una red distribuida en la que interactúan muchas regiones, y donde una sola región a menudo participa en varias funciones en lugar de poseer solo una. En genética existía una suposición análoga: un gen es responsable de un rasgo particular. Esto es válido para algunos casos especiales de un solo gen, pero la idea general también ha sido revisada activamente. El conocimiento actual es que la mayoría de los rasgos surgen de muchos genes que interactúan a lo largo del genoma, a menudo también moldeados por el entorno.
Se podría decir que esas ideas anteriores, más simples, fueron una forma práctica de al menos comenzar a lidiar con fenómenos altamente complicados.
Como seres humanos, estamos cognitivamente limitados. No podemos concebir todas las teorías posibles de 1.000 dimensiones y 1.000 variables que puedan explicar todo lo que estamos estudiando. La parsimonia, en algunos aspectos, puede haber sido una necesidad. La inteligencia artificial puede ayudarnos a comenzar a explorar explicaciones más complejas y de dimensiones superiores.
Esto sucede en un campo llamado aprendizaje estadístico, el estudio matemático de cómo los sistemas aprenden a partir de los datos. Un hallazgo reciente se denomina “doble descenso de la generalización”. Anteriormente pensábamos que cuanto más grande era un modelo, peor podría funcionar. La intuición aquí era que había que comprimir el entorno con el que interactúa un modelo: ¿por qué hacer que el modelo se moleste en memorizar todos los detalles si nada en el entorno va a volver a suceder exactamente de la misma manera? Pero resulta que a medida que un modelo aumenta en complejidad, su tasa de error disminuirá, luego alcanzará su punto máximo y luego disminuirá aún más. Estos sistemas son mejores para generalizar (proponer reglas a seguir en nuevos escenarios o predecir cómo se desarrollarán las cosas con datos invisibles) cuando forman representaciones que son más complejas que los datos reales. Están memorizando cada detalle y transformándolos de muchas maneras para generalizar con éxito.
¿Tiene esto implicaciones sobre cómo intentamos formar “científicos de IA”?
Creo que no hay suficiente discusión sobre qué aspectos del método científico queremos conservar y cuáles queremos reconsiderar. ¿Estábamos simplemente haciendo el mejor trabajo que podíamos hacer, dadas nuestras limitaciones cognitivas, en lugar de ser el mejor método científico? Es esencial comprender esto a medida que avanzamos en la automatización de algunas partes del proceso científico. De lo contrario, me preocupa que podamos replicar algunos de nuestros prejuicios y puntos ciegos, pero a gran escala.
¿Qué sugieren tus experimentos sobre lo que es la ciencia en el fondo?
El objetivo de la ciencia es captar alguna realidad, aprender algo sobre el mundo. Pero hay tantos ángulos desde los cuales se puede explorar el mismo fenómeno que hay que abordarlo desde diferentes perspectivas. Hasok Chang, filósofo de la Universidad de Cambridge, lo describe como maximizar nuestro contacto con la realidad. Estamos muy acostumbrados a las metáforas visuales de la ciencia, como algo que refleja la naturaleza. Pero lo que realmente estamos haciendo es explorar la realidad de una manera táctil, algo que el filósofo Mazviita Chirimuuta de la Universidad de Edimburgo, Reino Unido, llama realismo háptico. A menudo, cuando pinchamos algo, se deforma o no tenemos acceso a su totalidad. La ciencia consiste en interactuar con el mundo de muchas maneras para aprender todo lo que podamos.
Temas: