Средневековый монах Уильям Оккам утверждал, что из всех возможных объяснений предпочтение следует отдавать самому простому. Однако в последнее время все чаще оказывается, что сложные модели, особенно в области искусственного интеллекта, дают более точные прогнозы и превосходят свои упрощенные аналоги. Новое исследование ученых ставит под сомнение слепую приверженность принципу парсимонии и утверждает, что это ограничение может приводить к ошибкам и упущенным возможностям в науке.
Автор работы Марина Дубова, постдокторант Института сложных систем Санта-Фе, подчеркивает, что ориентация на парсимонию во многом исторически обусловлена. В научной традиции этот принцип закрепился как удобный инструмент для построения моделей, и с тех пор его практически не подвергали критике. Более того, образовательные программы по-прежнему учат, что стремление к простоте является ключевым в научной теории и моделировании. Однако, по словам Дубовой, такие представления уже не выдерживают испытания временем.
В рамках исследования Дубова провела вычислительное моделирование и обнаружила, что случайные эксперименты зачастую приводили к лучшим моделям, чем эксперименты, основанные на уже существующих предположениях. Это поднимает более глобальный вопрос: действительно ли отказ от сложных моделей оправдан? Если следовать исключительно принципу простоты, можно упустить важные закономерности и прийти к неверным выводам.
Исследование показывает, что чрезмерная зависимость от парсимонии может искажать научные модели и приводить к ошибочным прогнозам. Например, при изучении активности мозга простые модели часто интерпретируют сигналы как циклические колебания, тогда как в действительности активность может изменяться постепенно. Еще один пример — разработка новых лекарств: если в модель не включить такие важные факторы, как возраст пациента, это может привести к неверным прогнозам о том, кто получит наибольшую пользу от лечения.
В то же время сложные модели могут быть более гибкими и точными. Это особенно хорошо заметно в исследованиях климата. Обычно каждая научная группа разрабатывает свою модель прогнозирования климатических изменений, и со временем наука стремится выбрать наиболее простую из них. Однако ученые обнаружили, что объединение десятков различных моделей, порой даже противоречащих друг другу, позволяет получать более точные предсказания. Вместо того чтобы искать одно «идеальное» объяснение, специалисты используют всю совокупность данных, и этот подход оказывается гораздо более эффективным.
Марина Дубова подчеркивает, что такой метод можно применять и в других научных дисциплинах. Возможно, отказ от стремления к одной «самой правильной» модели поможет открыть новые, неожиданные аспекты изучаемых явлений. Исследователи надеются, что их работа станет отправной точкой для дальнейшего изучения того, когда экспертам стоит полагаться на простоту, а когда — на сложность.
Тем временем российские ученые «подсмотрели» у мозга алгоритм для улучшения нейросетей.
