مثلاً در مهندسی ژنتیک، انسان امروز می‌تواند در ساختارهایی دخالت کند که نسل‌های گذشته اساساً قدرت دست‌کاری آنها را نداشتند. اما: افزایش قدرت دخالت، الزاماً به معنای افزایش متناسب قدرت احاطه بر تمام پیامدهای آن دخالت نیست. وقتی در یک سیستم فوق‌پیچیده‌ی غیر خطی، تغییری ایجاد می‌کنیم، ممکن است برخی پیامدهای مستقیم و موضعی و نزدیک (زمانی و مکانی) آن را بشناسیم، اما پیامدهای ثانویه و ثالث و... آن، از طریق شبکه‌ای از روابط، در مسیرهای دیگری ظاهر شوند. این همان هشدار بزرگی است که بسیاری از دانشمندان درباره‌ی دستکاری‌های ژنتیک بیان کرده‌اند و آثار فاجعه‌بار برخی از این دستکاری‌ها هم با گذر زمان رخ نموده است! به عنوان یک قطره از دریا: ژن‌درمانی SCID-X1 در دهه ۲۰۰۰، برای کودکانی که به نقص شدید و ارثی سیستم ایمنی موسوم به X-SCID مبتلا بودند، از ژن‌درمانی استفاده شد. هدف کاملاً روشن و مثبت بود: وارد کردن نسخه سالم ژن به سلول‌های بنیادی خون تا سیستم ایمنی کودک اصلاح شود. در ابتدا درمان موفقیت‌آمیز به نظر می‌رسید و در بسیاری از کودکان عملکرد ایمنی بهبود پیدا کرد. اما بعداً مشخص شد که در تعدادی از آنان، ویروس حامل ژن درمانی در محل نامناسبی از DNA وارد شده و با فعال کردن ژن LMO2، رشد غیرطبیعی سلول‌ها را تحریک کرده است؛ در نتیجه برخی از کودکان به لوسمی (سرطان خون) مبتلا شدند. NIH نیز گزارش می‌کند که در نخستین مطالعات این روش، تقریباً یک‌سوم کودکان دچار لوسمی شدند. و این تازه فقط بخشی از تبعات بود که قابل مشاهده بود و شناسایی شد! بنابراین ممکن است: قدرت تغییر دادن جهان با سرعت بسیار زیادی افزایش یابد، بدون اینکه قدرت احاطه بر تمام نتایج این تغییر با همان سرعت افزایش یافته باشد. اینجا دقیقاً به معنای عمیق‌تری از «بما کسبت أیدی الناس» نزدیک می‌شویم: انسان چیزی را در جهان تغییر می‌دهد، اما الزاماً تمام آنچه را که آن تغییر در شبکه واقعیت ایجاد می‌کند نمی‌بیند. و ممکن است بخشی از پیامدها بسیار دیرتر و در مقیاسی ظاهر شوند که ارتباطشان با عمل اولیه دیگر برای انسان آشکار نباشد. ۴. حالا به خود «علم» برگردیم یک نکته دیگر هم بسیار مهم است. مدل علمی، خود واقعیت نیست. ما برای شناخت یک پدیده، واقعیت بسیار پیچیده را به مجموعه‌ای از متغیرها و روابط قابل مطالعه تبدیل می‌کنیم. بخشی را اندازه می‌گیریم؛ بخشی را ثابت می‌گیریم؛ بخشی را کنار می‌گذاریم؛ و روابطی را که قابل محاسبه‌اند در قالب مدل بیان می‌کنیم. این کار برای پیش‌بینی و کنترل ضروری است. اما نباید یک اشتباه منطقی مرتکب شویم: موفقیت یک مدل در پیش‌بینی، به‌خودی‌خود مساوی با کشف کامل چیستی واقعیت نیست. مدل‌های به اصطلاح علمی مبتنی بر روش علمی، ممکن است پیش‌بینی‌های بسیار دقیقی هم داشته باشند، اما باید دانست که همچنان فقط یک مدل بسیار موفق از رفتار پدیده هستند، نه احاطه‌ای کامل بر «چیستی» و تمام ساختار واقعی آن. به همین دلیل: دقت بالا در پیش‌بینی ≠ احاطه کامل بر واقعیت. هرچه بازه زمانی و دامنه دخالت بیشتر شود، محدودیت مدل و عواملی که در مدل نیامده‌اند می‌توانند اهمیت بیشتری پیدا کنند. پس مسئله من این نیست که «علم اشتباه است». برعکس؛ علم در قلمرو خودش می‌تواند بسیار قدرتمند باشد. مسئله این است که: آیا می‌توان یک روش بسیار قدرتمند برای شناخت بخشی از واقعیت را با کل واقعیت یکی گرفت؟ و آیا مجاز هستیم مبتنی بر آن، در ساختار واقعیت دخل و تصرف کنیم و این دخل و تصرف را گسترش دهیم، آن هم بسیار سریع‌تر از قدرت معرفتی خود نسبت به همه‌ی تبعات این دخل و تصرف؟ و البته مسئله‌ی اصلی این هم نیست و مشکل اصلی از این محدودیت ذاتی روش علمی بسیار بنادی‌تر است که آن را می‌گذارم برای مراحل بعد و ارسال‌های بعدی إن‌شاء‌الله.

مسئله صرفاً این نیست که مدل علمی ممکن است ناقص باشد یا پیش‌بینی علمی گاهی خطا کند؛ بلکه از مقدمات فوق نتیجه می‌شود که روش علمی، به اقتضای ساختار ذاتی خود، ناگزیر دارای دو محدودیت ساختاری است: نخست، خطای ذاتی در فرایند مدل‌سازی، زیرا مدل هرگز تمام ساختار علّی واقعیت را در خود بازنمایی نمی‌کند؛ و دوم، خطای ذاتی در فرایند پیش‌بینی، زیرا پیش‌بینی صرفاً از روابط بازنمایی‌شده در مدل استخراج می‌شود و نمی‌تواند تمام آنچه در واقعیت، تحت تأثیر روابط بازنمایی‌نشده رخ می‌دهد، از پیش در خود داشته باشد. ازاین‌رو، روش علمی هرقدر مشاهده، اندازه‌گیری، محاسبه و فیدبک خود را افزایش دهد، صرفاً می‌تواند این خطاها را کاهش دهد یا دامنه اعتبار مدل را گسترش دهد؛ اما نمی‌تواند با خودِ همین سازوکار، منشأ ساختاری آنها را از میان بردارد. زیرا هر اصلاح جدید نیز ناگزیر از همان چرخه‌ی مشاهده → بازنمایی → مدل‌سازی → پیش‌بینی عبور می‌کند. بنابراین، خطای مدل‌سازی و خطای پیش‌بینی، صرفاً خطاهای اتفاقی، موقتی یا ناشی از کمبود فعلی اطلاعات نیستند؛ بلکه محدودیت‌هایی ذاتی در خودِ روش علمی‌اند که رفع نهایی آنها از درون همان روش ممکن نیست.

قبل از شروع بحث لازم است با تعریف علمی چهار مفهوم آشنا شویم: ۱. T I ​ : ایزولاسیون تعریف دقیق ایزولاسیون یعنی: برای اینکه یک پدیده به‌عنوان یک موضوع قابل‌کنترل و قابل‌تحلیل درآید، دامنه‌ای از واقعیت را به‌عنوان «سیستم مورد مطالعه» انتخاب کنیم و اثرات خارج از آن را یا حذف، یا ثابت، یا کنترل، یا در حد قابل‌اغماض فرض کنیم. به‌صورت ساده: R⟶S+E که در آن: R: واقعیت کلی S: سیستم مورد مطالعه E: محیط و سپس برای امکان تحلیل فرض می‌کنیم: E≈constant یا: ∂E ∂S ​ ≈0 یا اثر E آن‌قدر کوچک است که در دقت موردنظر قابل صرف‌نظر است. در علم واقعی، هیچ آزمایشگاه انسانی واقعاً «کل جهان» را از سیستم جدا نمی‌کند. آنچه انجام می‌شود ایزولاسیون عملیاتی است، نه جداسازی هستی‌شناختی مطلق. فلسفه علم نیز دقیقاً مفهوم «method of isolation» و ایده‌آل‌سازی را به‌عنوان یکی از روش‌های ساخت مدل علمی بررسی می‌کند. نمونه کلاسیک آن مدل‌هایی است که اصطکاک، ویژگی‌های اضافی جسم یا عوامل محیطی را حذف می‌کنند. چرا به آن نیاز داریم؟ چون اگر همه عوامل محیطی را هم‌زمان وارد کنیم، مسئله ممکن است از نظر محاسباتی و تجربی غیرقابل‌حل شود. فرض کنید می‌خواهیم حرکت یک جسم را بررسی کنیم. واقعیت واقعی شامل: گرانش زمین، ماه، خورشید، میدان‌های الکترومغناطیسی، ارتعاشات زمین، فشار هوا، اصطکاک، دما، مولکول‌های اطراف، ساختار داخلی جسم، و... است. اگر بخواهیم همه را هم‌زمان وارد مدل کنیم، مسئله به‌سرعت از یک مدل ساده به یک مسئله بسیار عظیم تبدیل می‌شود. پس می‌گوییم: برای مسئله موردنظر، بعضی عوامل را ثابت یا ناچیز در نظر می‌گیریم. این همان ایزولاسیون مدل‌سازانه است. تبعات معرفتی اینجا اولین فاصله ایجاد می‌شود: S model ​  =S real ​ ​ زیرا سیستم واقعی کاملاً از محیط جدا نشده است. بنابراین: «اثر محیط را در مدل وارد نکرده‌ایم» با: «محیط هیچ اثر واقعی ندارد» یکی نیست. این دقیقاً همان نکته‌ای است که شما روی آن دست گذاشته‌اید. اما یک دقت مهم: ایزولاسیون الزاماً خطا نیست. اگر اثر محیط واقعاً در محدوده موردنظر ناچیز باشد، مدل بسیار دقیق خواهد بود. پس: حذف عامل  =خطا بلکه: حذف عامل مؤثر→خطای مدل بنابراین مسئله زمانی جدی می‌شود که عامل حذف‌شده واقعاً در رفتار موردنظر نقش داشته باشد. ۲. T L ​ : خطی‌سازی / طیفی‌سازی / صورت‌بندی تحلیلی این بخش را باید از ایزولاسیون کاملاً جدا کرد. ایزولاسیون می‌پرسد: چه چیزهایی را داخل سیستم بیاورم؟ خطی‌سازی می‌پرسد: روابط میان چیزهایی را که داخل سیستم آورده‌ام چگونه به شکلی قابل‌حل و قابل‌تحلیل نمایش دهم؟ این دو یکی نیستند. خطی‌سازی چیست؟ فرض کنید دینامیک واقعی سیستم: x ˙ =f(x,u,t) باشد. اگر f غیرخطی باشد، ممکن است حل دقیق بسیار دشوار شود. در اطراف یک نقطه مرجع x 0 ​ ، می‌توان نوشت: f(x)≈f(x 0 ​ )+J(x 0 ​ )(x−x 0 ​ ) که J ژاکوبین سیستم است. یعنی یک تابع غیرخطی را در محدوده‌ای به یک تقریب خطی تبدیل می‌کنیم. این یک تقریب محلی است. بنابراین: f(x)  =f linear ​ (x) اما در محدوده مشخص: f(x)≈f linear ​ (x) چرا این کار انجام می‌شود؟ چون بسیاری از ابزارهای ریاضی قدرتمند ما برای سیستم‌های خطی وجود دارند: جبر خطی، ماتریس‌ها، eigenvalue/eigenvector، تحلیل فرکانسی، تابع انتقال، تحلیل مودال، Fourier/Laplace، کنترل خطی، نظریه سیستم‌ها. پس بخشی از پیچیدگی واقعی به شکلی تبدیل می‌شود که ابزار ریاضی بتواند آن را مدیریت کند. «طیفی‌سازی» چه تفاوتی دارد؟ طیفی‌سازی الزاماً همان خطی‌سازی نیست. در بسیاری از مسائل، یک عملگر یا دینامیک را به مؤلفه‌ها، مودها یا فرکانس‌های مشخص تجزیه می‌کنیم. مثلاً: x(t)= n ∑ ​ a n ​ ϕ n ​ (t) یا در فضای فرکانسی: x(t)→X(ω) این تبدیل، یک نمایش خاص از واقعیت ایجاد می‌کند. در برخی مسائل بسیار قدرتمند است؛ اما باز هم: representation  =thing represented تبعات اینجا چیزی بسیار مهم رخ می‌دهد: رفتار غیرخطی کامل ممکن است در یک نمایش خطی یا طیفیِ محدود، به‌صورت کامل حضور نداشته باشد. مثلاً: برهم‌کنش بین مودها، اثرات مرتبه بالاتر، bifurcation، chaos، saturation، feedbackهای غیرخطی، ممکن است در تقریب اولیه حذف یا سرکوب شوند. پس: T L ​ (R)  =R ​ اما این تفاوت می‌تواند در محدوده‌ای کوچک باشد. ۳. T NL ​ : محلی‌سازی این مورد از چهار مورد شما از همه حساس‌تر است و باید دقیق‌ترین تعریف را داشته باشد. محلی‌سازی یعنی: مدل را بر اساس این فرض/چارچوب بسازیم که روابط علّی یا اطلاعات مؤثر مورد نیاز برای توصیف یک پدیده را بتوان عمدتاً با درجات آزادی و برهم‌کنش‌های واقعاً در دسترسِ محلی صورت‌بندی کرد. در بسیاری از نظریه‌های کلاسیک، این فرض طبیعی است. برای

مثال: ∂t ∂u(x,t) ​ =F(u(x,t),∇u(x,t),…) یعنی وضعیت در x بر اساس کمیت‌های تعریف‌شده در x و همسایگی آن توصیف می‌شود. اما اینجا فیزیک کوانتومی مسئله را پیچیده می‌کند درهم‌تنیدگی کوانتومی نشان می‌دهد که توصیف سامانه‌های کوانتومی نمی‌تواند همیشه به این شکل فروکاسته شود که هر زیرسامانه دارای مجموعه‌ای از ویژگی‌های محلیِ مستقل باشد که همه هم‌بستگی‌های مشاهده‌شده را توضیح دهند. آزمایش‌های بل و نسل‌های بعدی آزمایش‌ها، نقض نابرابری‌های بل را نشان داده‌اند؛ یعنی نظریه‌های local hidden-variable نمی‌توانند تمام هم‌بستگی‌های مشاهده‌شده را بازتولید کنند. این دقیقاً یکی از نتایج اصلی آزمایش‌های برندگان نوبل فیزیک ۲۰۲۲ است. اما اینجا باید از یک اشتباه مهم جلوگیری کنیم: Bell violation  =اثبات هر نوع علیت سریع‌تر از نور ​ بل بیشتر درباره ناسازگاری مجموعه مشخصی از مفروضات محلی-واقع‌گرایانه با پیش‌بینی‌های کوانتومی است. تبعات محلی‌سازی اگر واقعیت دارای هم‌بستگی‌هایی باشد که با یک توصیف صرفاً محلی قابل بازسازی نباشند، آنگاه: کنترل کامل عوامل محلی ≠ احاطه بر تمام ساختار رابطه‌ای سیستم این دقیقاً به استدلال اولیه شما کمک می‌کند. ولی باز هم: علم مجبور نیست همیشه محلی مدل کند. مکانیک کوانتومی خودش می‌تواند ساختارهای غیرمحلی/غیرقابل‌فروکاستن به توصیف محلی کلاسیک را در مدل وارد کند. بنابراین صورت دقیق ادعا این است: هرگاه روش تحلیلی واقعیت را به روابط صرفاً محلی فروبکاهد، بخشی از ساختارهایی که ذاتاً غیرقابل‌تقلیل به روابط محلی‌اند ممکن است از آن نمایش حذف شوند. این از ادعای «کل علم ذاتاً محلی است» بسیار دقیق‌تر است. ۴. T E ​ : تفکیک اجزای درهم‌تنیده این مورد با T NL ​ ارتباط دارد ولی همان نیست. تفاوت اصلی: T NL ​ درباره ساختار مکانی/رابطه‌ای تعامل است. T E ​ درباره فروکاستن یک کل رابطه‌ای به اجزای مستقل برای تحلیل است. فرض کنید سیستم: S=A+B باشد. در فیزیک کلاسیک، اغلب می‌توان نوشت: S≈(A,B) و وضعیت کل را از وضعیت اجزا و روابط میان آنها بازسازی کرد. اما در مکانیک کوانتومی، حالت کل ممکن است: ∣Ψ⟩ AB ​  =∣ψ⟩ A ​ ⊗∣ϕ⟩ B ​ باشد. یعنی حالت کل به حاصل‌ضرب حالت مستقل دو جزء قابل‌فروکاستن نیست. این دقیقاً معنای ریاضی مهمی از درهم‌تنیدگی است. نوبل ۲۰۲۲ نیز در توضیح این پدیده تأکید می‌کند که دو یا چند ذره می‌توانند در یک حالت مشترک درهم‌تنیده باشند و توصیف آنها صرفاً به‌عنوان اجزای مستقل، ساختار کامل حالت مشترک را نشان نمی‌دهد. پس TE چه می‌کند؟ اگر ما بگوییم: Ψ AB ​ →(ψ A ​ ,ψ B ​ ) و تصور کنیم این دو توصیف مستقل تمام اطلاعات فیزیکی لازم را حفظ می‌کنند، ممکن است بخشی از اطلاعات رابطه‌ای کل از دست برود. در واقع درهم‌تنیدگی دقیقاً نشان می‌دهد که: information in the whole  ≡sum of information assigned independently to parts ​ تفاوت دقیق چهار مورد تقلیل پرسش اصلی چیزی که حذف/محدود می‌شود T I ​ ایزولاسیون چه چیزی را داخل سیستم بیاوریم؟ اثر محیط و عوامل بیرونی T L ​ خطی/طیفی‌سازی روابط داخل سیستم را چگونه قابل‌حل کنیم؟ بخشی از غیرخطی‌ها، مرتبه‌های بالاتر، ساختار کامل دینامیک T NL ​ محلی‌سازی روابط را در چه دامنه مکانی/علّی مدل کنیم؟ روابطی که به توصیف صرفاً محلی فروکاستنی نیستند T E ​ تفکیک درهم‌تنیدگی آیا کل را می‌توان به اجزای مستقل شکست؟ اطلاعات رابطه‌ای/هم‌بسته‌ای که در کل وجود دارد بنابراین: T I ​  =T L ​  =T NL ​  =T E ​