最近一篇文章指出，过分注重科学建模中的简单性可能导致错误和错失机遇。
中世纪思想家威廉·奥卡姆著名地提出了一个原则：选择最简单的解释。这一被称为“奥卡姆剃刀”的概念几个世纪以来影响着科学推理。
然而，如今高度复杂的人工智能模型的性能优于其简单版本。例如，AlphaFold在预测蛋白质结构方面表现出色，而ChatGPT和类似模型生成的文本与人类写作非常相似。
一项发表在PNAS的最新研究声称，在建模中过度依赖简单性使科学家们犯错误并忽视潜在的进展。
马里娜·杜博娃是该研究的主要作者，也是SFI的复杂性博士后，她强调这种对简单性的倾向深植于科学历史中。
“历史上，科学家们采用简约作为构建现实模型的简单指导方针。从那时起，这一理念基本上没有受到挑战。教育系统将简约灌输作为科学理论和模型开发的基本原则。大多数研究试图验证简约的好处，但这些论据并不总是经得起时间的考验，”她解释道。
通过计算模拟，杜博娃发现随机实验往往比基于先前已建立的科学假设衍生出的模型效果更好。
作为一名认知科学家，杜博娃现在质疑一个关键的科学信念：避免复杂模型。
“单靠简约会限制我们对世界的理解，并可能引导我们误入歧途，”杜博娃警告道。“简约和复杂性应被视为互补的方法。科学家需要评估证据，运用判断力，并考虑特定情境，以选择更适合他们研究目的的简单或复杂模型。”
杜博娃和她的合著者指出，错误应用的简单性可能使模型产生偏见，导致预测不准确。例如，简单的模型解释实时脑扫描数据时，可能将缓慢变化的脑活动误解为快速振荡。此外，从分析未经验证的新药的模型中排除关键变量（如患者年龄）可能导致对患者反应的预测不准确。
相比之下，复杂模型通常表现出更大的灵活性和准确性，最近的气候变化研究发展证明了这一点。通常，不同实验室创建他们独特的模型来预测特定现象，最终导致该领域围绕符合数据的最简单模型凝聚。然而，气候科学家发现，将来自不同实验室的众多有时相互冲突的模型结合成一个整体，可以提高对现实世界事件预测的准确性。
“即使这些气候模型彼此矛盾，科学家们仍然会全部使用它们，因为每个模型捕捉到了现实的不同方面。研究表明，这些模型一起使用可以提高我们的预测能力，”她表示。“这种策略是否能够引导我们获得关于气候的全新见解，超越科学家们倾向于靠近单一简约解释的趋势？”
杜博娃希望这篇论文能刺激进一步研究，帮助科学建模者更好地决定何时选择简单或复杂。
