La Evolución del Pensamiento Científico
Algunas personas son suficientemente afortunadas de tener sus años más creativos coincidiendo con grandes misterios en el conocimiento humano. Uno piensa en el magnífico siglo diecisiete. Comenzó con Francis Bacon trasladando el estudio de la naturaleza de la experiencia fortuita a experimentos diseñados, y Galileo colocando el conocimiento científico dentro del marco de las matemáticas, sin requerir explicación en términos de categorías físicas humanas. Terminó con Isaac Newton fundamentando el conocimiento científico en leyes matemáticas aplicables a una amplia variedad de fenómenos. La condición humana, es decir, el lugar del hombre en el mundo, cambió radicalmente en 1687 con la publicación de Newton de Philosophiæ Naturalis Principia Mathematica.
Había un profundo enigma acechando en el pensamiento de Galileo y Newton. Fue genial declarar que el conocimiento de la naturaleza está constituido dentro de las matemáticas, no dentro de las categorías humanas de comprensión; sin embargo, mientras las leyes matemáticas fueran consistentes con la cognición humana, la implicación total de este pensamiento estaba oculta. El advenimiento de la mecánica cuántica en la primera parte del siglo XX lo sacó a la luz: una teoría puede ser absurda desde la perspectiva de la inteligibilidad humana, pero puede conducir a predicciones que concuerden con la observación empírica y, por lo tanto, sean científicamente válidas. El hombre puede poseer conocimiento más allá de los límites de su comprensión física. Había emoción en el aire. La condición humana estaba cambiando de nuevo, y los científicos jóvenes se lanzaron de cabeza en la vorágine.
Hoy, poco más de un siglo desde que Niels Bohr supuso que un electrón puede saltar a otro nivel sin pasar continuamente por el espacio, y casi un siglo desde que Louis de Broglie argumentó que las partículas de materia exhiben dualidad onda-partícula, una vez más la ciencia enfrenta enigma epistemológico, pero esta vez parece que la resolución no está implícitamente dentro del pensamiento de Newton.
Hacia el final del siglo XX, la aparición de la computación de alto rendimiento permitió a los científicos construir enormes modelos que constaban de miles de variables y parámetros. La complejidad de estos modelos les impide cumplir con los requisitos más básicos de la ciencia: la validación por la predicción exitosa de eventos futuros. La complejidad del sistema ha resultado en requisitos de datos que no se pueden cumplir. Los parámetros del modelo no se pueden estimar con precisión, lo que da como resultado la incertidumbre del modelo. Por otro lado, la simplificación del modelo significa que puede haber muchos modelos que apuntan a describir los mismos fenómenos complejos, todos son inherentemente parciales y, por lo tanto, arrojan predicciones diferentes. El deseo de obtener conocimiento científico de sistemas complejos choca con los requisitos del conocimiento científico. Además de la complejidad, también existe una aspiración de sistemas que cubren grandes escalas de tiempo, por lo que no se pueden obtener datos de validación. La incapacidad para validar la teoría a través de observaciones constituye una crisis existencial para la ciencia.
Entre los planes de publicación de este 2018 en este blog, está escribir sobre este tema, la más grande saga de la mente humana: La evolución del conocimiento científico de las explicaciones de los fenómenos naturales en términos de la comprensión física cotidiana a modelos matemáticos que no poseen tal comprensión y requieren una formulación matemática de su relación experimental con la Naturaleza. Las entradas (post) estarán ‘pobladas’ por muchos de los mejores científicos y filósofos de la historia. Su lucha implica un problema muy desconcertante: ¿Cómo caracteriza la mente lo que la mente puede saber? Es una historia que me gustaría fuera conocida no solo por todos los científicos e ingenieros, sino también por todo erudito y educador, puesto que, en un mundo tan influenciado por la ciencia, ninguna disciplina puede tomarse en serio si no se relaciona con la ciencia. El objetivo es ‘completar este viaje’ en el primer semestre de este año (Esto no implica que dejaré de escribir sobre los demás temas que ya han visto en el blog).
Un cambio radical en la narración comenzará en el segundo semestre (A más tardar). Una crónica que parecía completa se ejecuta abruptamente en el dilema de los sistemas complejos. Los problemas son esencialmente matemáticos y estadísticos. Por lo tanto, la presentación adquiere un tono más matemático. Muchos de los detalles se establecen en el contexto de la biología, que algunos han proclamado como la ciencia clave del siglo XXI. De hecho, los problemas subyacentes de la complejidad del sistema y la escasez de datos abarcan el rango de la investigación científica, desde la biología hasta la economía y las ciencias sociales. Mientras nuestra capacidad computacional continúa creciendo, alimentando así la demanda de modelar fenómenos complejos, las limitaciones en la conceptualización humana y los datos parecen impedir la formación de una teoría científica válida en muchos dominios, al menos en la medida en que la epistemología científica ha evolucionado hasta ahora. Estamos en medio de una nueva crisis epistemológica. ¿Qué podría ser más estimulante para un científico, ingeniero o filósofo? Sí, estamos confundidos, pero la confusión es la norma cuando uno está en la frontera, ¿Y dónde más querría uno estar?
El final de esta serie de entradas considerará el impacto de la incertidumbre científica en la traducción del conocimiento científico en medios para alterar el curso de la Naturaleza, es decir, el efecto de la incertidumbre en la ingeniería. Se propondrá un curso de acción basado en la integración del conocimiento parcial existente con datos limitados para llegar a una operación óptima en algún sistema, donde la optimización está condicionada a la incertidumbre con respecto al sistema. Trataré de explicar el paradigma clásico del diseño óptimo del operador basado en un modelo científico, una clase de operaciones potenciales y una medida cuantitativa del rendimiento, todo lo cual presupone una descripción del sistema cuyas predicciones son concordantes con las observaciones. Luego platicaremos sobre un paradigma de optimización alternativo basado en un marco bayesiano para aprovechar el conocimiento parcial existente relacionado con el sistema físico de interés. El problema científico final de la validación del modelo no está resuelto; más bien, el pensamiento aquí es el de un ingeniero: Encuentre un marco de optimización en el que se puedan lograr objetivos pragmáticos. En cuanto a una nueva epistemología científica en la que se puede definir un conocimiento válido, aguarda los audaces esfuerzos de las mentes fértiles enriquecidas con la educación matemática, científica y filosófica requerida para tal búsqueda.
Como siempre, esto estará soportado con mi opinión personal. Si durante esta serie de entradas observan o detectan alguna incoherencia en el texto, agradeceré su retroalimentación.
Para cerrar, un pensamiento: “La vida es muchas veces como las olas del mar, llenas de subidas y bajadas. Hay que gozar cuando se puede. Y esperar a que las tormentas pasen cuando se está en ellas. Por eso cada año es bueno, porque, aunque nos vaya mal en uno, de seguro aprenderemos mucho de todo esto. Con mis mejores deseos Feliz y Próspero 2018.”