Читаем Эта идея должна умереть. Научные теории, которые блокируют прогресс полностью

Эта идея должна умереть. Научные теории, которые блокируют прогресс

Никому не известно, где пригодится одна из старых идей. Однажды она может помочь увидеть перспективу, которую сегодня невозможно вообразить. И этого может не произойти, если выбросить ее сейчас. Даже Дарвин в начале XX века был в некотором пренебрежении, до появления синтетической теории эволюции. Работе «О выражении эмоций» потребовалось больше времени, чтобы актуализироваться. Уильям Джеймс тоже был забыт – как и вся психология, как только сознание перестало быть ее объектом. Обратите внимание на возрожденное наследие Томаса Байеса и Адама Смита (особенно на «Теорию нравственных чувств»). Возможно, нам следует еще раз приглядеться к давно заброшенному Декарту. Эпигенетика может еще обратиться к ламаркизму. И Фрейд еще способен рассказать нам кое-что о бессознательном.

Любое серьезное и систематическое осмысление мира заслуживает сохранения. Нам нужно помнить, как мы оказались там, где мы есть. И нам бы не хотелось, чтобы прогресс отбросил назад нас самих. Наука должна обращаться к уже написанному, сохранять живость истории, поощряя изобретательность и упорство. Мы не откажемся от Шекспира. Не должны отказываться и от Фрэнсиса Бэкона.

Большие данные
Гэри Маркус

Ученый-когнитивист, Университет Нью-Йорка. Автор книги Guitar Zero: The New Musician and the Science of Learning («Гитара с нуля: новый музыкант и наука обучения»).

Нет, я не призываю буквально перестать верить в пользу Больших данных или перестать накапливать их. Но нам нужно прекратить думать, что Большие данные творят чудеса. Большой объем тщательно собранной информации будет полезен в любой сфере. Но многие люди, даже ученые, полагаются на данные больше, чем следовало бы. Иногда кажется, что половина всех разговоров о понимании науки сегодня, от физики до нейронаук, вращается вокруг Больших данных и связанных с ними инструментов, таких как «понижение размерности», «нейронная сеть», «алгоритмы машинного обучения» и «визуализация информации».

Несомненно, Большие данные – главная фишка настоящего момента. За 39 минут до того, как я сел писать эту статью, сервис Google News (управляемый Большими данными) сообщил, что Гордон Мур (в честь которого назван закон Мура)«внес большой вклад в Большие данные» (Gave Big to Big Data). Массачусетский технологический институт запустил онлайн-курс по Большим данным (44 минуты назад), Большие Данные были признаны Стратегией года для бизнесов. За несколько часов до этого в журнале Forbes

вышла статья о Больших данных. На запрос «большие+данные+наука» выдается 163000 ссылок.

Но наука все еще периодически возвращается, на фундаментальном уровне, к поиску законов, которые описывают нашу Вселенную. А в чем Большие данные не слишком преуспели, так это в формулировании законов. Большие данные превосходно выявляют корреляции. Чем больше ваш набор данных, тем с большей вероятностью будут выявлены взаимосвязи, даже сложные, включающие множество переменных. Но корреляции никогда не выявляли причин и никогда не смогут этого сделать. Все данные со всего мира сами по себе не скажут вам, вызывает ли курение рак легких. Чтобы действительно понять взаимосвязь между курением и раком, вам нужно провести эксперименты и понять, как работают канцерогены, как происходит онкогенез и репликация ДНК. Ежегодное внесение данных каждого курильщика и некурящего на планете в базу данных с описанием всех подробностей их курения, места проживания, продолжительности жизни и причин смерти, вне зависимости от занимаемых этой информацией терабайт, не поможет в понимании сложного биологического процесса, лежащего в основе заболевания.

И если меня слегка тревожит то, как сильно полагается на Большие данные мир бизнеса, то гораздо больше меня волнует, что ученые делают то же самое. Некоторые направления неврологии опираются на убежденность в том, что ответы придут сами – надо просто собрать достаточно данных.

Этого не произойдет. Если у нас есть сильная гипотеза, ее можно протестировать при помощи Больших данных. Но не Большие данные должны быть нашим исходным пунктом. К ним нужно обращаться лишь тогда, когда мы уже понимаем, что именно надо искать.