The Non-Optimality of Scientific Knowledge: Path Dependence, Lock-In, and The Local Minimum Trap

Each language version is independently generated for its own context, not a direct translation.

Stel je voor dat de wetenschap een enorme bergbeklimming is. We zijn allemaal op zoek naar de hoogste top, die de "ultieme waarheid" over het universum voorstelt. Maar volgens dit artikel, geschreven door Mohamed Mabrok, zijn we waarschijnlijk vastgelopen op een kleine heuveltop, terwijl er ergens verderop een veel hogere bergpiek ligt die we nog niet hebben gevonden.

Hier is een eenvoudige uitleg van de kernpunten, vertaald naar alledaagse taal en met creatieve vergelijkingen:

1. Het Probleem: De "Lokale Val"

Stel je voor dat je in een mistig landschap loopt en je wilt het laagste punt vinden (omdat je daar de beste uitzicht hebt, of in dit geval: de beste theorie). Je loopt altijd de steilste helling af die je direct kunt zien. Dit werkt goed, totdat je in een klein dal komt. Je bent op het laagste punt van dat kleine dal, dus je denkt: "Ik ben hier!" Maar als je een paar kilometer verderop had gelopen, had je misschien een dieper dal gevonden.

In de wetenschap doen we precies hetzelfde. We bouwen voort op wat we al weten. We lossen het volgende probleem op met de gereedschappen die we al hebben. Dit noemen we Gradient Descent (het aflopen van de steilste helling). Het probleem is: we raken vaak vast in een lokaal minimum. We denken dat onze huidige theorieën (zoals de wetten van Newton of de manier waarop we genen bestuderen) het beste zijn, maar ze zijn misschien gewoon het beste wat we kunnen vinden met onze huidige gereedschappen, niet het beste dat er bestaat.

2. Waarom zitten we vast? (De Vier Lijmen)

Waarom durven we niet om de mist in te lopen en een andere kant op te gaan? Omdat we vastgeplakt zitten door vier soorten "lijm":

De Brein-Lijm (Cognitieve Lock-in): Ons menselijk brein is niet neutraal. We houden van rechte lijnen, verhalen en dingen die we kunnen zien. We vinden het moeilijk om met kromme lijnen, complexe netwerken of dingen te werken die je niet kunt "zien". Net als een vis die niet kan begrijpen dat er ook land bestaat, denken we dat de wereld eruitziet zoals wij hem kunnen begrijpen.
De Gereedschaps-Lijm (Formele Lock-in): Wetenschappers gebruiken al eeuwen dezelfde wiskundige taal (zoals differentiaalvergelijkingen). Het is als een timmerman die alleen een hamer heeft. Als hij een schroef moet vastdraaien, probeert hij het met de hamer. Het werkt misschien, maar het is niet de beste manier. We gebruiken de oude gereedschappen omdat we ze kennen, niet omdat ze perfect zijn.
De Geld-Lijm (Institutionele Lock-in): Universiteiten en geldgevers geven geld aan projecten die veilig lijken. Als je zegt: "Ik ga een heel nieuwe manier van wiskunde bedenken," krijg je geen geld. Als je zegt: "Ik ga een klein stukje van de oude theorie verbeteren," krijg je geld. Dit houdt ons vast in de oude wegen.
De Macht-Lijm (Sociaal-politieke Lock-in): Geschiedenis en oorlogen hebben bepaald welke wetenschap belangrijk werd. Bijvoorbeeld: de manier waarop we vliegtuigen ontwerpen, is bepaald door wat tijdens de Tweede Wereldoorlog werkte om vliegtuigen te bouwen, niet per se omdat het de allerbeste theorie is. De winnaars van de oorlog hebben hun wetenschappelijke regels aan de wereld opgelegd.

3. Voorbeelden uit de Wereld

Het artikel geeft voorbeelden waar we vastzitten:

Chemie: We denken dat moleculen uit losse stukjes bestaan die aan elkaar plakken (zoals LEGO). Maar in werkelijkheid is het een wolk van elektronen. We gebruiken de "LEGO-theorie" omdat die makkelijker te begrijpen is, maar het is misschien niet de echte waarheid.
Biologie: We kijken alleen naar genen (DNA) als de hoofdpersoon. Maar het is meer als een heel complex netwerk van communicatie. We kijken naar de "hoofdrolspeler" en vergeten de rest van het gezelschap.
Statistiek: We gebruiken een oude methode om te beslissen of iets waar is (de p-waarde), omdat die makkelijk te rekenen was voordat computers er waren. Nu hebben we betere methoden, maar we blijven de oude gebruiken omdat iedereen dat doet.

4. Hoe ontsnappen we? (De Ontsnappingsplannen)

Hoe komen we uit dit kleine dal en vinden we de echte top? Het artikel stelt een paar slimme trucs voor, gebaseerd op hoe computers leren:

De "Terug naar het Begin"-strategie: Soms moet je niet vooruit rennen, maar teruglopen naar de kruispunten in de geschiedenis. Stel je voor dat je een weg volgt en er is een afslag die je 100 jaar geleden niet hebt genomen. Misschien was die andere weg beter! Onderzoekers die terugkijken naar oude, vergeten ideeën (zoals een andere manier om wiskunde te doen die in de 19e eeuw bestond maar werd genegeerd), vinden soms de oplossing.
De "Kans"-strategie: Soms moet je bewust een fout maken of een rare keuze maken om uit je comfortzone te komen. In de wetenschap betekent dit: geef geld aan gekke, risicovolle ideeën die nu nog niet logisch lijken.
De "AI"-strategie (Kunstmatige Intelligentie): Dit is het spannendste deel. Kunnen AI-systemen ons helpen?
- Het probleem: AI is getraind op onze oude boeken. Als we onze fouten in de AI stoppen, maakt de AI misschien dezelfde fouten.
- De oplossing: AI heeft geen menselijke vooroordelen. Een AI heeft geen "baan" te verliezen, geen geld nodig van een universiteit, en vindt het niet raar om een oude, vergeten theorie te proberen. Als we AI de opdracht geven om te zoeken naar verbindingen tussen oude, vergeten ideeën en nieuwe problemen, kan het ons helpen de mist te doorbreken.

5. De Grote Waarschuwing

Er is een risico: als we AI alleen gebruiken om de oude manieren nog sneller te doen (bijvoorbeeld: "reken dit sneller uit"), dan worden we nog dieper vastgeplakt. We worden dan zo efficiënt in het verkeerde dal dat we nooit meer de moed hebben om de berg op te klimmen. We moeten AI gebruiken om nieuwe wegen te zoeken, niet om de oude weg sneller te lopen.

Conclusie

De boodschap is niet dat de wetenschap faalt. Integendeel, we hebben prachtige dingen bereikt. Maar we moeten niet denken dat we klaar zijn. We zitten misschien op een kleine heuvel en denken dat het de top is. Door te durven twijfelen aan onze gereedschappen, door terug te kijken naar de geschiedenis en door slimme AI te gebruiken om nieuwe paden te vinden, kunnen we misschien eindelijk de echte top van de berg bereiken.

Kortom: Soms is het slimste wat je kunt doen, niet harder rennen, maar een andere weg nemen.

Each language version is independently generated for its own context, not a direct translation.

Titel: De Lokale Minimumval: Padafhankelijkheid, Lock-in en de Non-Optimaliteit van Wetenschappelijke Kennis

Auteur: Mohamed Mabrok (Qatar University)
Datum: April 2026

1. Het Probleem: Wetenschap als Suboptimaal Optimalisatieproces

Het artikel stelt een fundamentele vraag die vaak wordt genegeerd: Is de huidige staat van de wetenschappelijke kennis het beste resultaat dat we met onze gezamenlijke inspanning hadden kunnen bereiken? De auteur betoogt dat het antwoord waarschijnlijk nee is.

Het kernprobleem is dat de ontwikkeling van wetenschappelijke kennis niet leidt tot een globale optimum (de meest waarheidsgetrouwe en efficiënte beschrijving van de natuur), maar vastloopt in een lokaal minimum. De huidige paradigma's, formalismen en conceptuele kaders zijn het resultaat van historische toevalligheden, cognitieve bias en institutionele traagheid, in plaats van een objectieve convergentie naar de "beste" theorie.

2. Methodologie: De Optimalisatie-analogie

Mabrok hanteert een analytisch raamwerk dat wetenschappelijke vooruitgang vergelijkt met gradient descent (gradiëntafdaling) in machine learning:

Het Landschap: De ruimte van alle mogelijke wetenschappelijke kaders ( $\mathcal{F}$ ) wordt gezien als een ruig landschap met vele lokale en globale minima.
De Kostenfunctie ( $C(f)$ ): Elke theorie of formalisme heeft een "uitlegkoste" die bestaat uit:
1. Voorspellingsresidu (ongeklaarde fenomenen).
2. Rekenkundige complexiteit.
3. Conceptuele obscuriteit.
Het Proces: Wetenschap volgt de "steilste lokale helling" van haalbaarheid, empirische toegankelijkheid en institutionele beloning. Dit leidt tot iteratieve verbeteringen binnen een bestaand kader, maar overslaat vaak fundamenteel superieure beschrijvingen die gescheiden zijn door hoge energiekloven (paradigmaverschuivingen).
Padafhankelijkheid: De specifieke historische route (welke problemen eerst werden opgelost, welke tools beschikbaar waren) bepaalt in welk "bekken van aantrekkingskracht" (basin of attraction) de wetenschap terechtkomt.

3. Belangrijkste Bijdragen: Vier Mechanismen van Lock-in

Het artikel identificeert vier onderling verweven mechanismen die wetenschap in lokale minima vasthouden:

Cognitieve Lock-in: Menselijke hersenen hebben systematische bias (bijv. voorkeur voor lineaire over niet-lineaire relaties, visueel ruimtelijk denken, reductionisme). Dit kleurt de theorieën die we bouwen.
Formele Lock-in: De wiskundige infrastructuur (bijv. de dominantie van differentiaalvergelijkingen en Newtoniaanse notatie) dicteert welke vragen gesteld kunnen worden en welke antwoorden "natuurlijk" lijken.
Institutionele Lock-in: Het systeem van publicatie, financiering en prestigeprijzen belonigt incrementele vooruitgang binnen bestaande paradigma's en straft radicale afwijkingen af.
Sociopolitieke Lock-in: Oorlogen, geopolitieke rivaliteit en kolonialisme hebben wetenschappelijke trajecten gekanaliseerd naar oplossingen die dienden voor militaire of economische macht (bijv. aerodynamica tijdens de Tweede Wereldoorlog), in plaats van naar epistemische optimaliteit.

4. Resultaten en Casestudies

De auteur onderbouwt de these met gedetailleerde casestudies uit diverse disciplines die aantonen dat huidige problemen vaak artefacten zijn van het gekozen formalisme, en niet inherent aan de natuur:

Wiskunde & Fysica (Differentiaalvergelijkingen): De moeilijkheid om turbulentie op te lossen (Navier-Stokes) kan liggen in het gebruik van continue differentiaalvergelijkingen voor een fundamenteel discreet systeem. Discrete methoden (zoals Lattice Boltzmann) bieden soms betere inzichten.
Chemie (Moleculair Paradigma): Het concept van "chemische bindingen" is een interpretatie van de kwantummechanische golffunctie, geen fundamentele entiteit. Alternatieven zoals de Quantum Theory of Atoms in Molecules (QTAIM) bieden een zuiverere beschrijving, maar worden genegeerd door institutionele inertie.
Biologie (Gen-Centrisme): De focus op het gen als fundamentele eenheid negeert epigenetica, netwerken en het holobiont (microbioom). Een systeem-benadering zou natuurlijker kunnen zijn.
Fysica (Perturbatieval): Veel problemen (zoals quarkopsluiting en hoge-temperatuur supergeleiding) zijn onoplosbaar met perturbatietheorie omdat de interacties te sterk zijn. Nieuwe, niet-perturbatieve benaderingen (zoals AdS/CFT) zijn nodig.
Neuroscience (Neuron Doctrine): Het modelleren van de hersenen als een netwerk van punt-neuronen negeert de computationele rol van gliacellen, dendrieten en elektromagnetische velden.
Statistiek (Frequentisme): De dominantie van Null-Hypothesis Significance Testing (NHST) en p-waarden is historisch toevallig en leidt tot de replicatiecrisis, terwijl Bayesiaanse methoden vaak superieur zijn.
Taxonomie (Bomen vs. Netwerken): Het leven wordt geforceerd in een boomstructuur (stambomen), terwijl horizontale gentransfer en symbiose een netwerkstructuur vereisen.

5. Strategieën voor het Ontsnappen aan Lokale Minima

Het artikel stelt concrete, op optimalisatie-algoritmen gebaseerde strategieën voor om uit deze val te komen:

Gesimuleerde Temperatuur (Simulated Annealing): Het bewust financieren van hoog-risico, paradigmachallengend onderzoek, zelfs als het nog geen directe superioriteit bewijst.
Terugkeer naar Eerste Principes (Principled Regression): Het analyseren van historische "afgeleide wegen" die niet zijn genomen.
- Voorbeeld: Het werk van Haithem Taha die terugkeerde naar variatieprincipes uit de 19e eeuw (Hertz) om een nieuwe theorie voor aerodynamische lift te ontwikkelen die beter werkt dan de standaard Kutta-theorie.
- Voorbeeld: David Hestenes die Geometrische Algebra (Clifford) herontdekte als een eenheid voor fysica, in plaats van het versplinterde vector-calculus.
Momentum-methoden: Het bieden van langetermijnfinanciering voor radicale programma's die geen snelle resultaten opleveren.
Populatie-methoden: Het actief onderhouden van methodologische diversiteit om convergentie te voorkomen.
Transfer Learning: Het systematisch importeren van methoden uit andere disciplines.

6. De Rol van Kunstmatige Intelligentie (AI) en het "Bootstrap Paradox"

Een cruciaal deel van het artikel behandelt de paradox: AI wordt getraind op menselijke kennis (het lokale minimum). Hoe kan AI dan het globale minimum vinden?

Het Paradox: Als AI alleen leert van bestaande, suboptimale data, zal het slechts een geavanceerde herschikking van die data produceren.
De Oplossing: AI mist de menselijke lock-in mechanismen (cognitieve bias, carrièredruk, politieke agenda's).
- AI kan vergeten alternatieven in de historische data koppelen aan huidige problemen.
- AI kan patronen van falen (anomalieën) identificeren die de grenzen van het huidige landschap markeren.
- AI kan contrafactuele geschiedenissen simuleren (bijv. "Wat als we natuurkunde hadden opgebouwd vanuit Leibniz in plaats van Newton?").
Risico: Als AI alleen wordt gebruikt om bestaande paradigma's sneller te optimaliseren (bijv. snellere drugontwikkeling binnen bestaande modellen), zal het de lock-in versterken in plaats van doorbreken.

7. Significantie en Epistemologische Implicaties

De conclusie van het artikel heeft diepgaande gevolgen voor de filosofie van de wetenschap:

Tegen Wetenschappelijk Triomfalisme: We moeten stoppen met het veronderstellen dat onze huidige theorieën de "uiteindelijke" waarheid zijn. Ze zijn waarschijnlijk slechts een lokale optimum.
Contingentie: Wetenschap is meer toevallig dan gedacht. Een buitenaardse beschaving zou een empirisch equivalente maar conceptueel onherkenbare wetenschap kunnen hebben ontwikkeld.
Uitnodiging tot Actie: De meest belangrijke doorbraken van de toekomst komen misschien niet door het oplossen van moeilijke problemen binnen bestaande kaders, maar door het ontdekken van nieuwe kaders die deze problemen volledig doen verdwijnen.

Samenvattend: Het artikel pleit voor een meta-wetenschappelijke revolutie waarbij we bewust zoeken naar "vergeten wegen" en institutionele structuren hervormen om de menselijke en systemische neiging tot vastlopen in lokale optima te doorbreken.