Nota del autor: La conservación de la información es un gran resultado de la literatura sobre el diseño inteligente, aunque hasta la fecha no haya recibido la atención que merece. Cuantifica la cantidad de información necesaria para aumentar la probabilidad de encontrar una aguja en un pajar para que la aguja pueda encontrarse. El resultado de la conservación de la información es que la información necesaria para encontrar una aguja en un pajar requiere a su vez encontrar otra aguja en un pajar, lo que implica que no hay nada gratis en la búsqueda. Acabo de escribir un relato completo de la conservación de la información para la revista BIO-Complexity en un artículo titulado «The Law of Conservation of Information: Natural Processes Only Redistribute Existing Information [La ley de la conservación de la información: los procesos naturales solo redistribuyen la información existente]». Lo que sigue es una sección de ese artículo sobre la falacia del desplazamiento. Esta sección es accesible y ayuda a aclarar las intuiciones que subyacen a la conservación de la información.
El descubrimiento de la conservación de la información no comenzó con la demostración de un teorema matemático. Más bien, su descubrimiento se produjo al observar repetidamente cómo los esfuerzos por explicar el éxito de búsquedas cuyas probabilidades de éxito eran aparentemente desesperanzadoras siempre introducían de contrabando información que no se explicaba adecuadamente. Un agujero se llenaba, pero sólo cavando otro, y así, a su vez, era necesario explicar un nuevo agujero. Esta falla de explicación se hizo especialmente evidente en la literatura evolucionista. Los enfoques darwinianos de la evolución biológica y la computación evolutiva buscaban explicar el origen de la información mediante algún proceso que usara directamente o imitara la selección natural. Sin embargo, en lugar de admitir una laguna fundamental en la explicación, esta literatura simplemente invocaba la selección como un respaldo para explicar el origen de la información, quedando el respaldo en sí exento de una explicación adicional.
El movimiento para explicar el origen de la información invocando alguna fuente de información separada e inexplicable, típicamente a través de un proceso de selección, era tan común en la literatura evolucionista que merecía su propio nombre: desplazamiento1. El desplazamiento se convirtió en la herramienta preferida entre los críticos evolucionistas del diseño inteligente cuando intentaron invalidar la lógica de la inferencia de diseño, que infería el diseño para eventos tanto especificados como improbables. Los críticos afirmaban que, una vez que la selección natural entraba en juego, actuaba como un amplificador de probabilidad que eliminaba cualquier aparente improbabilidad que, de otro modo, podría haber dado lugar a una inferencia válida sobre el diseño. En consecuencia, los críticos sostenían que los aparentes productos del diseño podían explicarse mediante procesos evolutivos que no requerían diseño2.
Resultados improbables
Pero este intento de invalidar la inferencia de diseño fue demasiado fácil. Se pueden diseñar productos, pero también se pueden diseñar procesos que construyen productos (compare un automóvil Tesla con una fábrica Tesla que construye automóviles Tesla: ambos están diseñados). La inferencia de diseño da sentido a productos improbables. La conservación de la información, a través de la búsqueda de una búsqueda, da sentido a procesos improbables que producen productos probables. Dar sentido al desplazamiento fue un paso crucial en el desarrollo de un tratamiento matemático preciso de la conservación de la información.
Mientras que la conservación de la información fue un hallazgo teórico confirmado matemáticamente, el desplazamiento fue un hallazgo empírico confirmado inductivamente. Una y otra vez, información supuestamente creada desde cero se introdujo furtivamente bajo el pretexto de que la información ya estaba adecuadamente explicada cuando, de hecho, solo se presuponía. En efecto, el desplazamiento se convirtió en un caso especial de la falacia de la petición de principio, oscureciendo en lugar de iluminar los procesos evolutivos.
Uno de los ejemplos más descarados de desplazamiento que encontré personalmente ocurrió en una entrevista de 2001 con la darwinista Eugenie Scott en el programa Uncommon Knowledge de Peter Robinson. Scott y yo estábamos hablando de evolución y diseño inteligente cuando Robinson planteó la metáfora de que un mono, con el tiempo suficiente, produce las obras de Shakespeare escribiendo al azar en una máquina de escribir. Scott respondió diciendo que, a diferencia de este ejemplo, en el que la escritura del mono simplemente produce variación aleatoria, la selección natural es como un técnico que se coloca detrás del mono y borra cada error que el mono comete al escribir Shakespeare3. Pero, ¿dónde exactamente se encuentra un técnico que sepa lo suficiente sobre las obras de Shakespeare como para borrar los errores en la escritura de Shakespeare? ¿Cuáles son las cualificaciones de este técnico? ¿Cómo sabe el técnico qué borrar? Scott nunca lo dijo. Eso es desplazamiento: el éxito del mono al escribir Shakespeare se explica, pero a costa de dejar sin explicación al técnico que corrige la escritura del mono.
Sobre la comadreja
En su libro El relojero ciego, Richard Dawkins afirma demostrar cómo la selección natural puede crear información apelando a su conocida simulación informática METHINKS IT IS LIKE A WEASEL4. Un muestreo aleatorio puro de las 28 letras y espacios de esta frase objetivo tendría una probabilidad de solo 1 en 27^28, o aproximadamente 1 en 10^40, de lograrlo. Al desarrollar el programa Weasel, la simulación de Dawkins pudo superar esta improbabilidad al elegir cuidadosamente un paisaje de adaptación para asignar una mayor aptitud a las secuencias de caracteres que tienen más letras correspondientes en común con la frase objetivo (METHINK IT IS LIKE A WEASEL [MEPARECE ES UNA COMADREJA] en la obra Hamlet por Shakespeare).
Básicamente, en lugar de la aleatoriedad pura, Dawkins sustituyó un algoritmo de escalada de colinas con exactamente un pico y con una forma clara de mejorar la aptitud en cualquier lugar alejado del pico (¡gradientes suaves y crecientes en todo momento!)5. Pero, ¿de dónde surgió este paisaje de aptitud? Un paisaje de aptitud de este tipo existe para cualquier frase objetivo posible, y no solo para METHINKS IT IS LIKE A WEASEL. Dawkins explica la evolución de MEPARECE ES UNA COMADREJA en términos de un paisaje de aptitud que con alta probabilidad permite la evolución hacia esta frase objetivo. Sin embargo, deja el paisaje de aptitud en sí sin explicar6. Al hacerlo, comete una falacia de desplazamiento7.
El desplazamiento también es evidente en el trabajo de Dawkins cuando pasa de las simulaciones por computadora a la evolución biológica. De hecho, todo su libro Escalando el monte improbable puede verse como un ejercicio de desplazamiento aplicado a la biología8. En ese libro, Dawkins compara el surgimiento de la complejidad biológica con escalar una montaña. Lo llama Monte improbable porque si tuviera que llegar a la cima de un solo golpe (es decir, lograr un aumento masivo en la complejidad biológica de una sola vez), sería altamente improbable. Pero ¿hay que escalar el Monte Improbable de un solo salto? El darwinismo pretende mostrar cómo se puede escalar el Monte Improbable en pequeños pasos incrementales. Así, según Dawkins, el Monte improbable siempre tiene un camino serpenteante gradual que conduce a la cima y que se puede recorrer a pasos de bebé.
Pero, ¿dónde está la verificación de esta afirmación? Podría ser que el Monte improbable sea escarpado por todos lados y que llegar a la cima a pasos de bebé sea efectivamente imposible. En consecuencia, no es suficiente presuponer que una secuencia de pasos de bebé que aumenta la aptitud siempre conecta los sistemas biológicos. Tal conexión debe demostrarse, y hasta la fecha no se ha demostrado, como lo demuestra el trabajo de Michael Behe sobre la complejidad irreducible9. Pero incluso si tal conexión pudiera demostrarse, ¿qué diría esto sobre las condiciones para la formación del Monte improbable en primer lugar?
Después de todo, las montañas no se materializan mágicamente: tienen que formarse mediante algún proceso de formación de montañas. De todas las diferentes formas en que podría haber surgido el Monte improbable, ¿cuántas son escarpadas de modo que no existe un camino gradual hacia la cumbre? ¿Y cuántas permiten un camino gradual hacia la cumbre? Un Monte improbable con caminos graduales hacia la cima puede ser en sí mismo improbable. Dawkins simplemente supone que el Monte Improbable debe ser tal que facilite la evolución darwiniana. Pero al hacerlo, comete una falacia de desplazamiento, presuponiendo lo que debe explicarse y justificarse, y así convierte ilícitamente un problema en su propia solución10.
Ejemplos de desplazamiento
En la literatura sobre computación evolutiva, se pueden encontrar fácilmente ejemplos de desplazamiento más sofisticados que el programa WEASEL de Dawkins. Pero la misma falacia del desplazamiento que plantea la cuestión subyace en todos estos ejemplos. El ejemplo de desplazamiento más publicitado en la literatura sobre computación evolutiva apareció en Nature en 2003. Richard Lenski, Charles Ofria, Robert Pennock y Christoph Adami habían desarrollado una simulación informática llamada Avida11. Afirmaban que esta simulación era capaz de crear operadores booleanos complejos sin ninguna entrada o conocimiento especial. Uno de los coautores, Pennock, fue más allá y afirmó que Avida refutaba decisivamente el trabajo de Michael Behe sobre la complejidad irreducible12. Y dado que la complejidad irreducible es un eje del diseño inteligente, Pennock en efecto afirmó que Avida también había refutado el diseño inteligente.
Pero, de hecho, como Winston Ewert y George Montañez demostraron al rastrear el flujo de información a través de Avida, la cantidad de información emitida a través de los operadores booleanos complejos recién formados nunca excedió la cantidad de información ingresada. De hecho, Avida fue manipulado para producir la misma complejidad que afirmaba producir de forma gratuita: Avida recompensaba la complejidad cada vez mayor simplemente por la complejidad misma y no por razones funcionales independientes. Otros ejemplos, como el algoritmo ev de Thomas Schneider, el Tierra de Thomas Ray y el algoritmo de búsqueda de árboles de Steiner de David Thomas, siguieron el mismo patrón13. Ewert y Montañez pudieron mostrar con precisión dónde se había incorporado desde el principio la información supuestamente creada desde cero en estos algoritmos14. El desplazamiento, como demostró su investigación, es omnipresente en esta literatura.
El trabajo empírico de mostrar el desplazamiento para estas simulaciones por computadora preparó el terreno para el trabajo teórico sobre la conservación de la información. Estas simulaciones, y su constante fracaso para explicar el origen de la información, impulsaron una investigación sobre la relación numérica precisa entre la información ingresada y la información obtenida. Mostrar el desplazamiento comenzó como un esfuerzo caso por caso para descubrir dónde exactamente se había introducido de contrabando información en una simulación por computadora. Sin embargo, una vez que se desarrollaron las matemáticas de la conservación de la información, la necesidad de encontrar exactamente dónde se introducía la información ya no era tan importante y la teoría entraba en juego cuando la observación no era suficiente.
El principio del palomar
La teoría garantizaba que la información se había introducido de contrabando, incluso si las simulaciones evolutivas se volvían tan bizantinas que resultaba difícil seguir su flujo de información preciso. Por analogía, si tienes cien y una cartas que deben ir en cien buzones, el principio matemático del casillero garantiza que uno de los buzones debe tener más de una carta15. Comprobar esto empíricamente podría ser arduo, si no prácticamente imposible, debido a todas las muchas formas posibles en que estas cartas podrían llenar los buzones. La teoría en este caso viene al rescate, garantizando lo que la observación por sí sola no puede.
El desplazamiento es un juego de trileros. En un juego de trileros, un operador coloca un objeto pequeño, como un guisante, debajo de una de tres tazas y luego baraja rápidamente las tazas para confundir a los observadores sobre la ubicación del objeto. Se invita a los participantes a adivinar en qué taza se esconde el guisante, pero el juego a menudo se basa en juegos de manos y distracciones para aumentar la probabilidad de que los participantes adivinen incorrectamente. Mientras el juego se desarrolle de manera justa, el guisante estará debajo de un vaso y permanecerá debajo de otro. No puede materializarse ni desmaterializarse mágicamente. El juego puede volverse más sofisticado si se aumenta el número de vasos y si el operador mueve los vasos con mayor velocidad y agilidad. Pero si se sigue cuidadosamente al operador, siempre es posible determinar dónde empezó el guisante y dónde terminó. El guisante en este caso es información. El desplazamiento indica que siempre estuvo allí. La conservación de la información proporciona las matemáticas subyacentes para demostrar que, en efecto, siempre estuvo allí.
Notas
- Mi primer tratamiento serio del desplazamiento se produjo en el Capítulo 4 de William A. Dembski, No Free Lunch: Why Specified Complexity Cannot Be Purchased without Intelligence (Lanham, MD: Rowman & Littlefield, 2002).
- Para una explicación de la selección natural como amplificador de probabilidad, así como una refutación de los intentos de utilizarla para revertir la lógica de la inferencia de diseño, véase William A. Dembski y Winston Ewert, The Design Inference: Eliminating Chance Through Small Probabilities, 2.ª ed. (Seattle: Discovery Institute Press, 2023), Capítulo 7.
- “Darwinism under the Microscope”, entrevista televisiva de PBS a William Dembski y Eugenie Scott por Peter Robinson para Uncommon Knowledge, filmada el 7 de diciembre de 2001 en el campus de Stanford, con video disponible en línea en https://www.hoover.org/research/darwin-under-microscope-questioning-darwinism (último acceso el 9 de diciembre de 2024).
- Richard Dawkins, The Blind Watchmaker: Why the Evidence of Evolution Reveals a Universe Without Design (El relojero ciego: por qué la evidencia de la evolución revela un universo sin diseño) (Nueva York: Norton, 1986), 45–50.
- Para el ascenso de colinas, véase Sheldon H. Jacobson y Enver Yücesan, “Analyzing the Performance of Generalized Hill Climbing Algorithms”, Journal of Heuristics 10, no. 4 (2004): 387–405.
- Como dice Stuart Kauffman, “La vida utiliza mutación, recombinación y selección. Estos procedimientos de búsqueda parecen estar funcionando bastante bien. El murciélago o la mariposa típicos han logrado evolucionar y parecen una entidad bastante impresionante… La mutación, la recombinación y la selección solo funcionan bien en ciertos tipos de paisajes de aptitud, pero la mayoría de los organismos son sexuales y, por lo tanto, utilizan la recombinación, y todos los organismos utilizan la mutación como mecanismo de búsqueda… ¿De dónde surgieron estos paisajes de aptitud bien diseñados, de modo que la evolución logra producir las cosas sofisticadas que nos rodean?” Kauffman responde a su propia pregunta: “Nadie lo sabe”. Stuart A. Kauffman, Investigations (Nueva York: Oxford University Press, 2000), 18-19.
- Para una contrasimulación de la simulación WEASEL de Dawkins, véase “Weasel Ware — Evolutionary Simulation”, de Winston Ewert y George Montañez en https://www.evoinfo.org/weasel.html. Esta contrasimulación muestra cuán sensible es la simulación de Dawkins a las entradas iniciales y cuán fácilmente se deja a la deriva cuando el panorama de aptitud no es tan ordenado y prolijo como exige la simulación de Dawkins.
- Richard Dawkins, Climbing Mount Improbable (Nueva York: Norton, 1996).
- Véase Michael J. Behe, A Mousetrap for Darwin (Seattle: Discovery Institute Press, 2020).
- Los tres párrafos anteriores están extraídos en parte de una conferencia que di en el Centro Ian Ramsey de la Universidad de Oxford el 30 de octubre de 2003 titulada “Medición del éxito del diseño inteligente”. Aunque formaba parte del profesorado de Oxford, Richard Dawkins no estuvo presente. La conferencia está disponible en https://billdembski.com/documents/2003.11.Gauging_IDs_Success.pdf (último acceso el 13 de diciembre de 2024).
- Richard E. Lenski, Charles Ofria, Robert T. Pennock y Christoph Adami, “The Evolutionary Origin of Complex Features”, Nature 423 (8 de mayo de 2003): 139–144.
- Pennock, citando el artículo de Nature de 2003, afirma que “mis colegas y yo hemos demostrado experimentalmente la evolución de un sistema de CI”. CI aquí es “irreductiblemente complejo”. Citado de Robert T. Pennock, “¿ADN por diseño? Stephen Meyer and the Return of the God Hypothesis”, en W.A. Dembski y M. Ruse, eds., Debating Design: From Darwin to DNA, 130–148 (Cambridge: Cambridge University Press, 2004), 141.
- Para ev, véase Thomas D. Schneider, “Evolution of Biological Information”, Nucleic Acids Research 28, no. 14 (2000): 2794–2799. Para el mejor lugar para entender Tierra, véase el sitio web de Thomas Ray https://tomray.me/tierra. Para un algoritmo de búsqueda que supuestamente resuelve el problema del árbol de Steiner sin la necesidad de información previa completa, véase Dave Thomas, “War of the Weasels: An Evolutionary Algorithm Beats Intelligent Design”, Skeptical Inquirer 34, no. 3 (2010): 42–46 y luego un seguimiento de Thomas titulado “¿Objetivo? ¿OBJETIVO? ¡No necesitamos ningún maldito objetivo!” https://pandasthumb.org/archives/2006/07/target-target-w-1.html (último acceso el 10 de diciembre de 2024).
- Véanse las contrasimulaciones de Ewert y Montañez en EvoInfo.org: contra Avida, véase su “Minivida – Dissection of Avida Digital Evolution” en https://www.evoinfo.org/minivida; contra ev, véase su “Ev Ware – Evolutionary Simulation” en https://www.evoinfo.org/ev (último acceso el 13 de diciembre de 2024). Véase también Robert J. Marks II, William A. Dembski y Winston Ewert, Introduction to Evolutionary Informatics (Singapur: World Scientific Publishing, 2017), donde criticamos todas estas simulaciones evolutivas que pretenden crear información novedosa que excede su entrada informativa previa. En este libro se critica a Dave Thomas en las páginas 119-120 y 241-242.
- Martin Aigner, Discrete Mathematics, trad. D. Kramer (Providence, RI: American Mathematical Society, 2007), 30.
Artículo publicado originalmente en inglés por William Dembski Ph.D. en Evolution News & Science Today