(Анти?)утопия науки
Я нахожусь далеко от науки, особенно от хардкорной. Да и сроки прогноза неопределённо долгие. Поэтому предлагаю смотреть на эссе, как на описания одного из множества вариантов отдалённого будущего.
Если копнуть в историю науки, можно заметить, что не существует чёткого момента её возникновения. Такого, чтобы: «вот досюда не было науки, а после она уже есть».
Тем более, если смотреть на науку как на движитель прогресса. Если прогресс обеспечивается только наукой, то как он происходил до неё, как она могла возникнуть без прогрессивных изменений?
Очевидно, и до появления концепции научной деятельности, люди познавали мир, улучшали его. Более того, совершенствовали инструменты познания, пока те не оформились в то, что мы зовём наукой.
Фактически, наука — абстракция — мемплекс, который собрал под общим названием набор инструментов для манипуляций реальностью. Набор оказался удачным: результаты его применения усиливают эффективность будущих применений и приносят побочную пользу. Возникшая обратная связь и привела, вкупе с некоторыми другими штуками, к взрывному росту технологий.
Как любой мемплекс, набор концепций науки не фиксирован навечно, он меняется, иногда существенно. Например, критерий фальсифицируемости бы сформулирован относительно недавно — в 1935 году, и привёл к большим сдвигам в научной деятельности. А до этого как-то без него обходились.
То есть изменение даже базовых принципов науки нормально, фатальной катастрофой не грозит, происходило и будет происходить в будущем.
Возможности одного такого изменения и посвящено эссе.
Ретроспектива эффективности науки
Эффективность — абстрактная штука, особенно эффективность новых знаний — из-за отложенного экономического эффекта или даже его «отсутствия».
В то же время мы вынуждены оценивать эффективность разных штук, в том числе и науки.
Я предлагаю посмотреть на её эффективность как на композицию двух метрик:
- Уровня объяснения реальности — мы применили науку, стали понимать больше, значит наука эффективна.
- Величины экономической выгоды — мы применили науку, стали зарабатывать больше или жить лучше, значит наука эффективна.
В исторической перспективе эти метрики имели разный вклад в представление об эффективности науки. Он обуславливался социальными, культурными, экономическими и технологическими факторами.
Сильно упростив, динамику метрик можно описать несколькими утверждениями.
На заре науки доминировала эффективность объяснения реальности.
Происходило первоначальное накопление знаний, которые не всегда можно было сходу применить к делу, но которые были ценны для научного сообщества сами по себе.
Доступ к занятию наукой и её достижениям был ограничен финансами и технологиями. Заниматься наукой могли только состоятельные люди, которые часто делали это ради статуса, интереса, а не выгоды.
В некотором смысле этот период можно назвать золотым веком науки.
По мере развития науки и цивилизации возрастает роль экономической выгоды и, как следствие, падает важность объяснения реальности.
Достижения науки становятся доступнее для производства, их можно проще и быстрее интегрировать в экономику. Усиливается заинтересованность бизнеса и государства в науке. В неё вкладывается больше и больше ресурсов для получения выгоды.
Объяснения реальности стабильно усложняются.
Некоторое время доступ к актуальной картине мира упрощался, что несло выгоду и способствовало формированию научной культуры, ориентированной на понимание реальности.
Однако примерно с первой половины XX века актуальные достижения науки становятся слишком сложными для восприятия большинством населения. Знания становятся чрезмерно специализированными, требуют много времени на изучение.
Польза SOTA знаний для рядового члена общества, работника снижается, так как их сложно применить в реальной жизни.
Предыдущие достижения науки перерабатываются обществом в образовательный базис, который к науке имеет посредственное отношение. Базис подаётся образованием без привития научной культуры, принимается населением на веру.
Наука дорожает, заниматься ей ради интереса может всё меньше людей.
Поэтому, на текущий момент в оценке эффективности науки доминирует экономическая эффективность.
Это выражается:
- В количественных метриках эффективности учёных, институтов: измерение количества публикаций, размеров команд, etc.
- В распределении денег, включая гранты и бюджеты лабораторий.
Научное сообщество видит в этом большую этическую проблему, но ничего поделать не может, так как экономика всегда бьёт этику.
В то же время остаётся исторически сложившееся представление науки как инструмента объяснения реальности.
Налицо усиливающееся противоречие в базовых принципах инструмента, которое так или иначе будет разрешено.
Объяснение vs Предсказание
Мешанина в оценке эффективности науки возникла из-за того, что та исторически выполняет несколько функций:
- Объяснительную — определяет, как реальность работает «на самом деле».
- Предсказательную — определяет, как реальность будет вести себя в будущем.
Не сложно заметить, что они соответствуют метрикам эффективности науки.
Несмотря на возрастающую роль предсказательной функции науки, до недавнего времени объяснительная функция оставалась ключевой, так как объяснение оставалось единственным путём создания предсказательных моделей.
В начале XXI века ситуация изменилась.
Статистика, вычислительные технологии, а позже — машинное обучение и программирование признаками позволяют создавать модели, предсказывающие поведение реальности без объяснения.
Понимание механизмов реальности всё ещё полезно для разработки моделей, но его роль уменьшается.
Характерным примером станет маркетинг с его моделями поведения пользователей. У бизнеса есть куча данных и потребность зарабатывать деньги, поэтому мало кто пытается разбираться в причинах поведении пользователей — это долго, а время — деньги. Проще создать большую модель, работа которой подтверждается конкретными предсказаниями, а не теоретическими выкладками. А лучше — много моделей и выбрать из них лучшую.
Предсказательные модели обретают такую сложность, что мало кто владеет теоретической базой, чтобы понять и тем более создать сравнимую по сложности объяснительную модель.
Как следствие, под давлением экономической эффективности предсказательная функция отчуждается от науки в отдельную инженерную дисциплину.
Для целей эссе назовём её чистым моделированием — то есть моделированием, в котором модели строятся на «сырых» данных, без построения промежуточных теорий.
Процесс отчуждения, естественно, не быстрый. Может занять десятилетия. А называться наукой, по инерции, чистое моделирование будет ещё чёрти знает сколько. Но науки, в её текущем понимании, за этим названием уже не останется.
Вместе с предсказательной функцией отчуждается и экономическая часть полезности науки для общества. Которая, напомню, сейчас отвечает за большую часть общественной оценки полезности.
Чистое моделирование
Подробно говорить о нём в этом тексте я не планирую. Я писал о моделировании в прошлых эссе, например в: жизни и работе с моделями, feature programming. В будущем тоже планирую затрагивать эту тему.
Отмечу только пару моментов.
Эта часть инженерии сосредоточится на создании вычислительных моделей, которые предсказывают поведение важных для бизнеса и государства частей реальности.
Деятельность дисциплины затронет все области, в которых собрать данные и рассчитать статистическую модель будет дешевле, чем разработать соответствующую теорию.
Утрируя, со временем моделирование займётся всем. Если не сразу, то после символической предобработки методами объяснительной части науки.
Интересующихся совсем отдалённым будущим чистого моделирования отошлю к книге Лема Сумма Технологии.
Чистая наука
По аналогии, оставшийся ориентированный на объяснения кусок науки можно назвать чистой наукой.
Избавление науки от давления коммерческой составляющей имеет двоякие перспективы.
С одной стороны, чистая наука заметно обнищает:
- Все деньги и многие перспективные кадры уйдут в чистое моделирование.
- Государственная поддержка чистой науки сведётся к минимуму, так как её результаты не будут решать даже среднесрочные задачи. Наука займёт место где-то рядом с поддержкой профессионального спорта — для престижа страны.
В итоге спираль замкнётся и занятие чистой наукой снова станет уделом обеспеченных людей и спонсируемых ими талантов. Только на этот раз даже большое открытие в чистой науке может не обеспечить рост доходов или социального статуса.
Существенным изменением станет отставание науки от моделирования. Она займётся объяснением того, что уже успешно считается моделями.
Некоторые результаты чистой науки всё ещё будут полезны, улучшая статистические модели, но перестанут быть фронтиром цивилизации.
С другой стороны, наука очистится этически:
- Будут пересмотрены или устранены KPI, порождённые экономическими оптимизациями.
- Ряды учёных избавятся от большинства карьеристов и прочих лишних людей — для них не останется поводов лезть в это занятие.
- Приоритизация исследований избавится от давления экономики. Смена ключевых теорий сможет происходить менее болезненно, так как не будет затрагивать бюджеты.
Мне видится некий альтруистический симбиоз науки и хакерства, приправленный толпой фриков и шарлатанов.
Вероятно, внимание учёных перейдёт на более мета- штуки. В том числе, с изучения количественных закономерностей на изучение качественных характеристик реальности, эмерджентности. Это может пойти на пользу человечеству и открыть новые направления развития.
Использование наработок чистого моделирования позволит создавать метатеории, описывающие не базовые зависимости мироздания, которые будут рассчитываться моделями, а взаимоотношение этих зависимостей.