Η επιστήμη έχει ξεπεράσει το ανθρώπινο μυαλό και τις περιορισμένες δυνατότητές του

* Το άρθρο του βιολόγου στην Ιατρική σχολή του Χάρβαρντ, Ahmed Alkhateebis δημοσιεύτηκε στο Aeon. Τo Αeon, είναι διαδικτυακό περιοδικό, που θέτει μεγάλα ερωτήματα, αναζητώντας φρέσκες απαντήσεις και μια νέα οπτική στην κοινωνική πραγματικότητα, την επιστήμη, τη φιλοσοφία και τον πολιτισμό. Το NEWS 24/7 αναδημοσιεύει κάθε εβδομάδα μια ιστορία για όσους λατρεύουν την πρωτότυπη σκέψη πάνω σε παλιά και νέα ζητήματα.

“Το καθήκον του ανθρώπου που ερευνά τα γραπτά των επιστημόνων, αν ο στόχος του είναι να μάθει την αλήθεια, είναι να κάνει τον εαυτό του εχθρό όλων όσων διαβάζει και… να του επιτεθεί από κάθε πλευρά. Θα πρέπει επίσης να υποψιάζεται τον εαυτό του καθώς κάνει την κριτική του, έτσι ώστε να αποφύγει να πέσει είτε σε προκατάληψη είτε σε επιείκεια”.

Ιμπν αλ-Χάιταμ (965-1040 μ.Χ)

Η επιστήμη βρίσκεται στη μέση μιας κρίσης δεδομένων. Πέρυσι, υπήρχαν περισσότερες από 1,2 εκατομμύρια νέες μελέτες που δημοσιεύθηκαν μόνο στις βιοϊατρικές επιστήμες, ανεβάζοντας τον συνολικό αριθμό βιοϊατρικών εργασιών με αξιολόγηση από ομότιμους σε πάνω από 26 εκατομμύρια. Ωστόσο, ο μέσος επιστήμονας διαβάζει μόνο περίπου 250 έρευνες το χρόνο. Εν τω μεταξύ, η ποιότητα της επιστημονικής βιβλιογραφίας έχει υποχωρήσει. Μερικές μελέτες διαπίστωσαν ότι η πλειονότητα των βιοϊατρικών ερευνών ήταν μη αναπαραγώγιμες.

Οι δίδυμες προκλήσεις της υπερβολικής ποσότητας και της ελάχιστης ποιότητας έχουν τις ρίζες τους στην πεπερασμένη νευρολογική ικανότητα του ανθρώπινου μυαλού. Οι επιστήμονες αντλούν υποθέσεις από ένα όλο και μικρότερο κλάσμα της συλλογικής μας γνώσης και, κατά συνέπεια, όλο και περισσότερες, θέτουν λάθος ερωτήσεις ή κάνουν αυτές που έχουν ήδη απαντηθεί. Επίσης, η ανθρώπινη δημιουργικότητα φαίνεται να εξαρτάται όλο και περισσότερο από τη στοχαστικότητα των προηγούμενων εμπειριών – συγκεκριμένα γεγονότα της ζωής που επιτρέπουν στον ερευνητή να παρατηρήσει κάτι που οι άλλοι δεν το προσέχουν. Αν και η τύχη ήταν πάντα ένας παράγοντας στην επιστημονική ανακάλυψη, αυτή τη στιγμή παίζει πολύ μεγαλύτερο ρόλο από ό,τι θα έπρεπε.

Μια πολλά υποσχόμενη στρατηγική για να ξεπεραστεί η τρέχουσα κρίση είναι η ενσωμάτωση μηχανημάτων και τεχνητής νοημοσύνης στην επιστημονική διαδικασία. Τα μηχανήματα έχουν μεγαλύτερη μνήμη και μεγαλύτερη υπολογιστική ικανότητα από τον ανθρώπινο εγκέφαλο. Η αυτοματοποίηση της επιστημονικής διαδικασίας θα μπορούσε να αυξήσει σημαντικά τον ρυθμό ανακάλυψης. Θα μπορούσε ακόμη και να ξεκινήσει μια άλλη επιστημονική επανάσταση. Αυτή η τεράστια πιθανότητα εξαρτάται από ένα εξίσου τεράστιο ερώτημα: μπορεί πραγματικά η επιστημονική ανακάλυψη να αυτοματοποιηθεί;

Πιστεύω ότι μπορεί, χρησιμοποιώντας μια προσέγγιση που γνωρίζουμε εδώ και αιώνες. Η απάντηση σε αυτό το ερώτημα μπορεί να βρεθεί στο έργο του Σερ Φράνσις Μπέικον, Άγγλου φιλοσόφου του 17ου αιώνα και βασικού προγόνου της σύγχρονης επιστήμης.

Οι πρώτες επαναλήψεις της επιστημονικής μεθόδου μπορούν να αναχθούν πολλούς αιώνες νωρίτερα στους μουσουλμάνους στοχαστές όπως ο Ιμπν αλ-Χάιταμ, ο οποίος έδωσε έμφαση τόσο στον εμπειρισμό όσο και στον πειραματισμό. Ωστόσο, ήταν ο Μπέικον που επισημοποίησε πρώτος την επιστημονική μέθοδο και την έκανε αντικείμενο μελέτης. Στο βιβλίο του Novum Organum (1620), πρότεινε ένα μοντέλο για ανακάλυψη που είναι ακόμα γνωστό ως μέθοδος Baconian. Επιχειρηματολόγησε κατά της συλλογικής λογικής στην επιστημονική σύνθεση, την οποία θεωρούσε αναξιόπιστη. Αντιθέτως, πρότεινε μια προσέγγιση στην οποία οι σχετικές παρατηρήσεις αναφορικά με ένα συγκεκριμένο φαινόμενο συλλέγονται συστηματικά, πινακοποιούνται και αναλύονται αντικειμενικά χρησιμοποιώντας επαγωγική λογική για τη δημιουργία γενικεύσιμων ιδεών. Κατά την άποψή του, η αλήθεια θα μπορούσε να αποκαλυφθεί μόνο όταν ο νους είναι απαλλαγμένος από ελλιπή (και ως εκ τούτου ψευδή) αξιώματα.

Η μέθοδος Baconian προσπάθησε να αφαιρέσει τη λογική μεροληψία από τη διαδικασία παρατήρησης και εννοιοποίησης, οριοθετώντας τα στάδια της επιστημονικής σύνθεσης και βελτιστοποιώντας το καθένα ξεχωριστά. Το όραμα του Μπέικον ήταν να αξιοποιήσει μια κοινότητα παρατηρητών για να συλλέξει τεράστιες ποσότητες πληροφοριών για τη φύση και να τις καταγράψει σε ένα κεντρικό αρχείο προσβάσιμο σε επαγωγική ανάλυση. Στο Novum Organum, έγραψε: “Οι εμπειριστές είναι σαν τα μυρμήγκια. Συσσωρεύουν και χρησιμοποιούν. Οι ορθολογιστές γνέθουν ιστούς σαν αράχνες. Η καλύτερη μέθοδος είναι αυτή της μέλισσας. Είναι κάπου στο ενδιάμεσο, παίρνοντας το υπάρχον υλικό και χρησιμοποιώντας το”.

Η μέθοδος Baconian χρησιμοποιείται σπάνια σήμερα. Αποδείχθηκε πολύ περίπλοκη και υπερβολικά ακριβή. Οι τεχνολογικές της εφαρμογές ήταν ασαφείς. Ωστόσο, εκείνη την εποχή η επισημοποίηση μιας επιστημονικής μεθόδου σηματοδότησε μια επαναστατική πρόοδο. Πριν από αυτήν, η επιστήμη ήταν μεταφυσική, προσβάσιμη μόνο σε λίγους μορφωμένους, κυρίως ευγενείς. Απορρίπτοντας τις αρχές των αρχαίων Ελλήνων και οριοθετώντας τα βήματα της ανακάλυψης, ο Μπέικον δημιούργησε ένα σχέδιο που θα επέτρεπε σε οποιονδήποτε, ανεξάρτητα από το υπόβαθρο, να γίνει επιστήμονας.

Οι ιδέες του Μπέικον αποκάλυψαν επίσης μια σημαντική κρυμμένη αλήθεια: η διαδικασία ανακάλυψης είναι εγγενώς αλγοριθμική. Είναι το αποτέλεσμα ενός πεπερασμένου αριθμού βημάτων που επαναλαμβάνονται μέχρι να αποκαλυφθεί ένα ουσιαστικό αποτέλεσμα. Ο Μπέικον χρησιμοποίησε ρητά τη λέξη “μηχάνημα” για να περιγράψει τη μέθοδό του. Ο επιστημονικός του αλγόριθμος έχει τρία βασικά στοιχεία: πρώτον, οι παρατηρήσεις πρέπει να συλλέγονται και να ενσωματώνονται στο συνολικό σώμα της γνώσης. Δεύτερον, οι νέες παρατηρήσεις χρησιμοποιούνται για τη δημιουργία νέων υποθέσεων. Τρίτον, οι υποθέσεις ελέγχονται μέσω προσεκτικά σχεδιασμένων πειραμάτων.

Εάν η επιστήμη είναι αλγοριθμική, τότε πρέπει να έχει τη δυνατότητα για αυτοματισμό. Αυτό το φουτουριστικό όνειρο διέφυγε από τα δεδομένα και τους επιστήμονες υπολογιστών για δεκαετίες, σε μεγάλο βαθμό επειδή τα τρία κύρια βήματα της επιστημονικής ανακάλυψης καταλαμβάνουν διαφορετικά επίπεδα. Η παρατήρηση είναι συναισθηματική. Η δημιουργία της υπόθεσης είναι διανοητική και ο πειραματισμός είναι μηχανικός. Η αυτοματοποίηση της επιστημονικής διαδικασίας θα απαιτήσει την αποτελεσματική ενσωμάτωση μηχανών σε κάθε βήμα και και στα τρία τροφοδοτικά μεταξύ τους χωρίς τριβές. Κανείς δεν έχει ακόμη καταλάβει πώς να το κάνει αυτό.

Ο πειραματισμός σημείωσε την πιο ουσιαστική πρόσφατη πρόοδο. Για παράδειγμα, η φαρμακευτική βιομηχανία χρησιμοποιεί συνήθως αυτοματοποιημένες πλατφόρμες υψηλής απόδοσης για το σχεδιασμό φαρμάκων. Startups όπως οι Transcriptic και Emerald Cloud Lab, και οι δύο στην Καλιφόρνια, κατασκευάζουν συστήματα για την αυτοματοποίηση σχεδόν κάθε φυσικής εργασίας που κάνουν οι βιοϊατρικοί επιστήμονες. Οι επιστήμονες μπορούν να υποβάλουν τα πειράματά τους στο διαδίκτυο, όπου μετατρέπονται σε κώδικα και τροφοδοτούνται σε ρομποτικές πλατφόρμες που πραγματοποιούν μια σειρά βιολογικών πειραμάτων. Αυτές οι λύσεις είναι πιο σχετικές με κλάδους που απαιτούν εντατικό πειραματισμό, όπως η μοριακή βιολογία και η χημική μηχανική, αλλά ανάλογες μέθοδοι μπορούν να εφαρμοστούν σε άλλα πεδία δεδομένων, ακόμα και να επεκταθούν σε θεωρητικούς κλάδους.

Η αυτοματοποιημένη δημιουργία υποθέσεων είναι λιγότερο προηγμένη, αλλά το έργο του Ντον Σουάνσον στη δεκαετία του 1980 παρείχε ένα σημαντικό βήμα προς τα εμπρός. Απέδειξε την ύπαρξη κρυφών δεσμών μεταξύ άσχετων ιδεών στην επιστημονική βιβλιογραφία. Χρησιμοποιώντας ένα απλό απαγωγικό λογικό πλαίσιο, μπορούσε να συνδέσει έγγραφα από διάφορα πεδία χωρίς κάλυψη από παραπομπές. Με αυτόν τον τρόπο, ο Σουάνσον μπόρεσε να υποθέσει μια νέα σχέση μεταξύ του διαιτητικού ιχθυελαίου και του συνδρόμου Ρεϊνό χωρίς να πραγματοποιήσει πειράματα ή να είναι ειδικός σε κανέναν από τους τομείς. Άλλες, πιο πρόσφατες προσεγγίσεις, όπως αυτές του Andrey Rzhetsky στο Πανεπιστήμιο του Σικάγο και του Άλμπερτ – Λάσλο Μπαραμπάσι στο Northeastern University, βασίζονται στη μαθηματική μοντελοποίηση και στη θεωρία γραφημάτων. Ενσωματώνουν μεγάλα σύνολα δεδομένων, στα οποία η γνώση προβάλλεται ως δίκτυο, στο οποίο οι κόμβοι είναι έννοιες και οι σύνδεσμοι είναι σχέσεις μεταξύ τους. Οι νέες υποθέσεις θα εμφανίζονται ως μη ανακαλυφθέντες σύνδεσμοι μεταξύ κόμβων.

Το πιο δύσκολο βήμα στη διαδικασία αυτοματισμού είναι ο τρόπος συλλογής αξιόπιστων επιστημονικών παρατηρήσεων σε μεγάλη κλίμακα. Επί του παρόντος δεν υπάρχει κεντρική τράπεζα δεδομένων που να συγκρατεί τη συνολική επιστημονική γνώση της ανθρωπότητας σε επίπεδο παρατήρησης. Η επεξεργασία της φυσικής γλώσσας έχει προχωρήσει σε σημείο που μπορεί αυτόματα να εξάγει όχι μόνο σχέσεις αλλά και πλαίσιο από επιστημονικές εργασίες. Ωστόσο, μεγάλοι επιστημονικοί εκδότες έχουν θέσει αυστηρούς περιορισμούς στην εξόρυξη κειμένου. Το πιο σημαντικό, το κείμενο των ερευνών είναι προκατειλημμένο προς τις ερμηνείες (ή τις λανθασμένες αντιλήψεις) του επιστήμονα και περιέχει συνθετικές περίπλοκες έννοιες και μεθοδολογίες που είναι δύσκολο να εξαχθούν και να ποσοτικοποιηθούν.

Παρόλα αυτά, οι πρόσφατες εξελίξεις στους υπολογιστές και τις δικτυωμένες βάσεις δεδομένων καθιστούν πρακτική τη μέθοδο Baconian για πρώτη φορά στην ιστορία. Και ενώ ακόμη και πριν η επιστημονική ανακάλυψη μπορούσε να αυτοματοποιηθεί, η υιοθέτηση της προσέγγισης του Μπέικον θα μπορούσε να αποδειχθεί πολύτιμη σε μια εποχή που ο θεωρητικός αναγωγισμός φτάνει στο όριο της χρησιμότητάς του.

Τα ανθρώπινα μυαλά απλά δεν μπορούν να ανακατασκευάσουν εξαιρετικά πολύπλοκα φυσικά φαινόμενα αρκετά αποτελεσματικά στην εποχή των μεγάλων δεδομένων. Μια σύγχρονη μέθοδος Baconian που ενσωματώνει αναγωγικές ιδέες μέσω της εξόρυξης δεδομένων, αλλά στη συνέχεια αναλύει αυτές τις πληροφορίες μέσω επαγωγικών υπολογιστικών μοντέλων, θα μπορούσε να μεταμορφώσει την κατανόησή μας για τον φυσικό κόσμο. Μια τέτοια προσέγγιση θα μας επέτρεπε να δημιουργήσουμε νέες υποθέσεις που έχουν μεγαλύτερες πιθανότητες να αποδειχθούν αληθινές, να ελέγξουμε αυτές τις υποθέσεις και να καλύψουμε κενά στη γνώση μας. Θα παρείχε επίσης μια τόσο αναγκαία υπενθύμιση του τι υποτίθεται ότι είναι η επιστήμη: αναζήτηση της αλήθειας, αντιεξουσιαστική και απεριόριστα ελεύθερη.