لقد فقدت شفرة أوكام حافتها. هل يمكننا شحذ بحثنا عن الحقيقة؟

مقيدًا بالمعرفة في عصره، تصور عالم الفلك اليوناني القديم بطليموس أن الكواكب والشمس في نظامنا الشمسي تدور حول الأرض. كانت كل ملاحظة جديدة تتعارض مع هذه الصورة تتطلب تعديلًا طفيفًا لتلك النظرية، حتى أطاحت بها إعادة تصور نيكولاس كوبرنيكوس مرة واحدة وإلى الأبد بعد قرون. اقترح تفسير أكثر أناقة أن جميع الكواكب تدور حول الشمس، مما أدى إلى ثورة علمية غيرت فهمنا للكون بأكمله.

وقد حلت التفسيرات الأكثر بساطة محل المعرفة السائدة مرارا وتكرارا – فقد تغلبت النسبية الخاصة على الأثير المضيء، وفسر الانجراف القاري الحفريات المماثلة في قارات منفصلة بسهولة أكبر من تفسير الجسور البرية الممتدة عبر المحيطات والتي غرقت منذ دهور. هذه هي روح شفرة أوكام، المبدأ المنسوب إلى الراهب ويليام الأوكامي في القرن الرابع عشر، والذي يفرض علينا أن نختار التفسير الأبسط الذي يتناسب مع الحقائق.

ولكن ماذا لو لم يكن التقدم العلمي يسير دائمًا بهذه الطريقة؟ ماذا لو كان من الأفضل التصغير والبدء من التعقيد بدلاً من البساطة؟ وعندها فقط يمكننا أن نبدأ في تضخيم الهياكل المخفية التي كانت غير مرئية في السابق.

تقول عالمة الإدراك والفيلسوف مارينا دوبوفا في معهد سانتا في في نيو مكسيكو، إن شفرة أوكام هي مجرد واحدة من القواعد الأساسية العديدة التي تعرقل جهودنا لرسم صورة حقيقية للواقع. ومن خلال بناء محاكاة حاسوبية ووضع الباحثين في تجارب “العالم الصغير”، تحول دوبوفا مبادئ علم النفس والإدراك إلى العلماء أنفسهم. لقد وجدت أن بعض الافتراضات الأكثر اعتزازًا حول أفضل طريقة للبحث عن الحقيقة لا تزال قائمة على أرضية مهزوزة.

وبالتطلع إلى مستقبل يمكن فيه أتمتة أجزاء كبيرة من العلوم، يمكن أن تكون هذه الدروس حاسمة لبناء “علماء الذكاء الاصطناعي”. عالم جديد سألت دوبوفا عن مخاطر دمج طرق التفكير القديمة في مستقبل العلم، وكيف يمكننا أن نتعلم بشكل أفضل وأسرع من خلال تعظيم اتصالنا بالواقع، وما يخبرنا به هذا، على المستوى الأساسي، حول ماهية العلم في الواقع.

توماس ليوتون: ما هو مبدأ شفرة أوكام وكيف يستخدمها العلماء؟

مارينا دوبوفا: شفرة أوكام هي المفضلة للتفسيرات الأبسط. لقد تعلم الطلاب في العديد من المجالات العلمية، وأنا منهم، أنه من الجيد، بغض النظر عما تدرسه، أن تبدأ بأبسط نظرية ممكنة. إذا رأيت في البيانات شيئًا لم يتم أخذه في الاعتبار حقًا، فيمكنك إضافة متغير آخر أو آلية أخرى، لكنك تبدأ دائمًا بأبسط طريقة ممكنة. يطبق العلماء ذلك بطرق مختلفة: في بعض الأحيان يكون ذلك تفضيلًا للتفسيرات التي تقدم الحد الأدنى من الافتراضات، أو تفضيل النظريات التي تفترض مسبقًا أسبابًا أو آليات أقل؛ في بعض الأحيان يكون هناك تفضيل للتفسيرات الأقل مرونة، لذلك يقومون بتنبؤات محددة للغاية.

فهل يقتصر هذا النهج التبسيطي على العلم فقط، أم أننا جميعا نفعل ذلك؟

لدينا أدلة على أنه إذا طلبت من الناس شرح أحداث مختلفة، فإنهم يميلون إلى التوصل إلى تفسيرات بسيطة وواسعة النطاق. لقد وجدت عالمة النفس تانيا لومبروزو من جامعة برينستون، من بين آخرين، أننا غالبًا ما نفضل التفسيرات التي تخاطب عددًا أقل من الأسباب أو الآليات والتي يمكن أن تمثل معظم البيانات. على سبيل المثال، عندما طُلب منهم تشخيص كائن فضائي يعاني من عرضين، فضل المشاركون في الدراسة تفسيرًا مفاده أن الكائن الفضائي يعاني من مرض واحد يسبب كلا العرضين على مرضين يسببان عرضًا واحدًا لكل منهما، حتى عندما يتم تقديم تفسير المرضين على أنه أكثر احتمالا.

هل هناك دليل تجريبي على ما إذا كانت شفرة أوكام تؤدي إلى التقدم العلمي؟

لقد اختبرنا هذه الأفكار باستخدام نموذج حسابي يقوم فيه وكلاء الذكاء الاصطناعي ببناء تمثيلات لبعض الحقيقة الأساسية بناءً على مجموعة محدودة من البيانات. نقوم بإنشاء بعض الوكلاء الذين يريدون التوصل إلى نظرية للحقيقة الأساسية بأقل عدد من المتغيرات. ثم، على الطرف الآخر من الطيف، لدينا عملاء مصممون لخلق تفسيرات أكثر تعقيدًا بكثير من الظواهر التي يدرسونها. تخيل أن لديك نظامًا يحتوي على ثلاثة متغيرات مهمة – هذه العوامل الأخيرة ستنشئ تفسيرات تحتوي على 1000 متغير. وهذا نوع عكسي مثير للاهتمام من التفضيلات التي لا نراها كثيرًا، على الأقل في العلوم. إذا طبقنا هذا على مثال المرض الغريب، فإن العامل الذي يفضل التعقيد لن ينسب الأعراض إلى مرض أو مرضين. وبدلاً من ذلك، سيتم بناء تفسير يعتمد على آلاف العوامل، مثل عمر المريض الفضائي، ودرجات المخاطر الجينية للأم والأب، ودرجة الحرارة وجودة الهواء على كوكبهم الأصلي، وما إلى ذلك.

من المثير للدهشة، أنه إذا نظرنا إلى مدى نجاح هذه التمثيلات في مساعدة الوكلاء على عمل تنبؤات حول البيانات الجديدة القادمة من نفس الحقيقة الأساسية، في بعض الأحيان يكون الوكلاء الذين لديهم تفضيل التعقيد الصريح قادرين على القيام بالمهمة تمامًا مثل الوكلاء الذين يفضلون البخل، أو في بعض الأحيان أفضل. هذه الأفكار مفاجئة للغاية وتجبرنا على إعادة النظر في الكثير من الافتراضات التي لدينا حول كيفية تعلمنا كعلماء عن العالم.

قلت الافتراضات، بصيغة الجمع. إذن، ليست شفرة أوكام وحدها هي التي قد تقودنا إلى الضلال؟

هناك قاعدة عامة أخرى وهي فكرة أن التجربة يجب أن تكون مدفوعة بالنظريات الموجودة لدينا بالفعل. سواء كنت تدرس الحياة على كواكب أخرى أو نوعًا جديدًا من الظواهر في الذاكرة البشرية، فإن المطلب الشائع هو أولاً صياغة نظرية لإجراء تجربة موجهة نظريًا. على سبيل المثال، تم تنظيم بعثات الكسوف الشهيرة التي قادها آرثر ستانلي إدينجتون في عام 1919 خصيصًا لاختبار تنبؤات النسبية العامة بأن جاذبية الشمس تؤدي إلى انحناء ضوء النجوم. أتاحت التجربة للعلماء الاختيار بين حسابين متنافسين: تنبأت النسبية العامة لألبرت أينشتاين بانحراف أكبر، بينما تنبأت افتراضات نيوتن بانحراف أصغر. الفكرة هي أنه لا ينبغي لنا أن نجري التجارب عبثًا، بل يجب أن يكون لكل شيء سبب وراءه.

غالبًا ما يُطلق على العلم اسم “السعي وراء العقل”. هل هذا هو النهج الخاطئ؟

وباستخدام نماذج حسابية مماثلة، نقوم بإنشاء عملاء تتمثل استراتيجيتهم في محاولة تزييف نظرياتهم أو حل الخلافات مع زملائهم من خلال تجارب مختارة بعناية. هناك استراتيجية أخرى تتمثل في إجراء تجارب يمكن أن تثبت صحة نظريتك، وهو نوع من الانحياز التأكيدي. ثم كانت لدينا استراتيجيتان استكشافيتان أخريان: إحداهما اختيار التجارب بشكل عشوائي والأخرى اختيار تجارب جديدة لم يقم بها أحد من قبل.

من الذي توصل إلى أفضل النظريات؟

لقد طور العملاء الذين يستخدمون الاستراتيجيات الاستكشافية، سواء التجريب القائم على الحداثة أو التجريب العشوائي، أفضل النظريات للحقيقة الأساسية. لقد فوجئنا بهذا الأمر لدرجة أننا أجرينا أربع تجارب أخرى على النموذج لمحاولة تزوير النتيجة.

وقد لاحظت أيضًا هذه السلوكيات لدى العلماء الفعليين؟

نعم. كان لدينا علماء أعصاب يحاولون التعرف على جزء من لعبة الدماغ باستخدام تصوير الدماغ وإصابته. كان هدفهم هو معرفة البنية السببية الأساسية. لقد نجح علماء الأعصاب إلى حد كبير في هذه المهمة، لكنهم فشلوا في بعض الأحيان في مراجعة معتقداتهم السابقة. على سبيل المثال، ينتهك دماغ اللعبة في بعض الأحيان افتراض “واحد لواحد” بأن كل منطقة في الدماغ مسؤولة عن قدرة واحدة، مثل وجود مناطق منفصلة لمعالجة الوجه أو اللغة. لقد قمنا بإعدادها بحيث تتحكم منطقة واحدة من دماغ اللعبة في عدة قدرات، ومع ذلك ظل بعض علماء الأعصاب يصرون على أنه يجب أن تكون هناك اختلافات دقيقة وأن هناك منطقتين مختلفتين قليلاً، كل منهما مسؤولة عن سلوك واحد. وكما واجهت العناصر الأقل استكشافًا صعوبة أكبر في مراجعة نظرياتها، فإن العلماء الحقيقيين سمحوا لفرضياتهم بتوجيه التجارب التي يجرونها وكيفية تفسير نتائجها.

ما الذي يجب أن يأخذه العلماء من تجاربك؟

في مجال العلوم، مؤسساتنا ليست مهيأة لتشجيع الاستكشاف، بل يجب أن تكون مدروسة للغاية. علينا أن ندرك أن نظرياتنا ومفاهيمنا تؤثر على كل قراراتنا بشكل قد يمنعنا من الاقتراب من فهم الواقع بطريقة جديدة. على سبيل المثال، نظرية النسبية العامة، أو الجدول الدوري في الكيمياء، أو تصنيف الحالات العقلية في الطب النفسي، هذه أشياء تؤثر على كيفية تفاعلنا كعلماء مع الواقع ويمكن أن تساعدنا في تحقيق المزيد من التقدم، ولكنها يمكن أن تحد أيضًا من استكشافنا.

لكن العلم بكل أشكاله يمر تدريجياً بثورات تنقلب فيها المفاهيم والنظريات. هل هذا لا يكفي؟

عندما تحدث ثورة علمية، يحدث تغيير جذري في ما نقوم به كعلماء وفي كيفية رؤيتنا للعالم. ولكن هل يجب أن يستغرق الأمر عقودًا أو قرونًا لقلب هذه الأفكار؟ إذا قمنا بالاستكشاف باستخدام عدد أقل من حواجز الحماية، فمن المحتمل أن نتمكن من تسريع عملية الاكتشاف.

هل هناك أمثلة على كيف قادتنا التفسيرات البسيطة إلى المسار الخاطئ؟

خذ علم الأعصاب. لقد تحرك هذا المجال بشكل متزايد نحو رؤية الدماغ كشبكة موزعة تتفاعل فيها العديد من المناطق، وحيث تشارك منطقة واحدة غالبًا في عدة وظائف بدلاً من امتلاك وظيفة واحدة فقط. كان هناك افتراض مماثل في علم الوراثة: جين واحد مسؤول عن سمة معينة. وينطبق هذا على بعض الحالات الخاصة ذات الجين الواحد، ولكن الفكرة العامة تم تنقيحها أيضًا بشكل نشط. الفهم الحالي هو أن معظم السمات تنشأ من العديد من الجينات المتفاعلة عبر الجينوم، وغالبًا ما تتشكل بفعل البيئة أيضًا.

يمكنك القول أن تلك الأفكار الأبسط والأقدم كانت طريقة عملية للبدء على الأقل في التعامل مع ظواهر شديدة التعقيد.

كبشر، نحن محدودون معرفيا. لا يمكننا أن نتصور كل النظريات الممكنة ذات الألف بعد وألف متغير والتي يمكن أن تفسر كل ما ندرسه. ربما كان البخل، في بعض النواحي، ضرورة. يمكن أن يساعدنا الذكاء الاصطناعي في البدء في استكشاف تفسيرات ذات أبعاد أعلى وأكثر تعقيدًا.

ترى هذا يحدث في مجال يسمى التعلم الإحصائي، وهو الدراسة الرياضية لكيفية تعلم الأنظمة من البيانات. إحدى النتائج الحديثة تسمى “الانحدار المزدوج للتعميم”. لقد اعتقدنا سابقًا أنه كلما كان النموذج أكبر، كان أداءه أسوأ. كان الحدس هنا هو أنه يتعين عليك ضغط البيئة التي يتفاعل معها النموذج: لماذا تجعل النموذج يهتم بحفظ كل التفاصيل إذا لم يحدث شيء في البيئة بنفس الطريقة بالضبط مرة أخرى؟ ولكن اتضح أنه مع زيادة تعقيد النموذج، فإن معدل الخطأ الخاص به سينخفض، ثم يصل إلى الذروة، ثم ينخفض ​​أكثر. هذه الأنظمة أفضل في التعميم – الخروج بقواعد يجب اتباعها في سيناريوهات جديدة، أو التنبؤ بكيفية سير الأمور مع البيانات غير المرئية – عندما تشكل تمثيلات أكثر تعقيدًا من البيانات الفعلية. إنهم يحفظون كل التفاصيل ويحولون هذه التفاصيل بعدة طرق للتعميم بنجاح.

هل لهذا آثار على كيفية محاولتنا بناء “علماء الذكاء الاصطناعي”؟

أعتقد أنه لا يوجد نقاش كافٍ حول جوانب المنهج العلمي التي نريد الحفاظ عليها وتلك التي نريد إعادة النظر فيها. هل كنا نقوم بأفضل عمل يمكننا القيام به، في ظل القيود المعرفية لدينا، بدلاً من كونه أفضل طريقة علمية؟ من الضروري أن نفهم ذلك بينما نمضي قدمًا في أتمتة بعض أجزاء العملية العلمية. بخلاف ذلك، أشعر بالقلق من أننا قد نكرر بعض تحيزاتنا ونقاطنا العمياء، ولكن على نطاق واسع.

ماذا تقترح تجاربك حول ماهية العلم في أعماقه؟

هدف العلم هو فهم بعض الواقع، وتعلم شيء ما عن العالم. ولكن هناك العديد من الزوايا التي يمكنك من خلالها استكشاف نفس الظاهرة، وعليك أن تنظر إليها من وجهات نظر مختلفة. ويصفها هاسوك تشانغ، الفيلسوف في جامعة كامبريدج، بأنها تعظيم اتصالنا بالواقع. لقد اعتدنا على الاستعارات البصرية للعلوم، مثل شيء يعكس الطبيعة. لكن ما نفعله حقًا هو استكشاف الواقع بطريقة تشبه اللمس، وهو ما يسميه الفيلسوف مازفيتا تشيريموتا من جامعة إدنبرة بالمملكة المتحدة بالواقعية اللمسية. في كثير من الأحيان عندما نخز شيئًا ما، فإنه يتشوه، وإلا لا نتمكن من الوصول إليه بالكامل. يدور العلم حول التفاعل مع العالم بعدة طرق للتعلم قدر الإمكان.