Parte XVI · El sentido
Qué es saber
Se construye sobre: Qué cuenta como real, Probabilidad
Imagina que pasas por la plaza, miras el reloj de la iglesia y marca las tres. Son las tres. Lo que no sabes es que el reloj se paró ayer, justo a las tres, y que hoy acertó por pura casualidad. Creías que eran las tres, era verdad que eran las tres y tenías una buena razón para creerlo: los relojes de plaza suelen funcionar. Y aun así algo nos incomoda en decir que lo sabías.
El ejemplo del reloj parado suele contarse a partir de Bertrand Russell, y es una de esas escenas mínimas que abren una pregunta enorme: ¿qué le falta a una creencia verdadera para ser conocimiento? Este capítulo es sobre esa pregunta y sobre lo que la ciencia, la estadística y ahora la inteligencia artificial han hecho con ella.
Creer, acertar y tener razones
Hay tres cosas que casi todos aceptamos que hacen falta para saber algo. La primera es creerlo: no puedes saber que va a llover si estás convencido de que no. La segunda es que sea verdad: puedes creer con toda el alma que la Tierra es plana, pero eso no es saber. La tercera es tener razones: si adivinas el número de la lotería, acertaste, pero no lo sabías.
Juntas forman la definición clásica, conocimiento como creencia verdadera justificada, que suele rastrearse hasta el Teeteto de Platón (un diálogo que, por cierto, ensaya esa definición y la deja sin resolver). Escrita como una lista de condiciones, para un sujeto y una proposición :
Durante mucho tiempo esto pareció suficiente. En 1963 Edmund Gettier publicó un artículo de unas tres páginas mostrando que no lo es. Sus ejemplos tienen la misma forma que el reloj: alguien tiene una creencia justificada que resulta verdadera, pero por una razón distinta de la que la justificaba. Las tres condiciones se cumplen y, aun así, nadie diría que esa persona sabía. La justificación y la verdad se tocaron por accidente.
Los filósofos llevan desde entonces buscando la cuarta condición. Una propuesta pide que la justificación no pase por ninguna creencia falsa (tu razón para creer que son las tres pasaba por “el reloj funciona”, que era falso). Otra, el fiabilismo, asociado a Alvin Goldman, dice que lo importante no es que tengas argumentos sino que tu creencia salga de un proceso que suele acertar: una vista sana, un instrumento calibrado, un método. Ninguna ha dejado contento a todo el mundo. Pero la segunda me parece la más útil para lo que sigue, porque convierte la pregunta en una de ingeniería: ¿qué procesos producen creencias verdaderas con más frecuencia?
El genio maligno y por qué no paraliza
Hay una versión más radical de la duda. En sus Meditaciones, Descartes se propuso dudar de todo lo que pudiera dudarse: de los sentidos, que a veces engañan; de estar despierto, porque los sueños se sienten reales; incluso de las matemáticas, imaginando un genio maligno empeñado en engañarlo cada vez que suma dos más tres. Lo único que quedaba en pie era que él estaba pensando, porque dudar ya es pensar.
El escepticismo cartesiano no se ha refutado del todo, y quizá no se pueda. No tengo una prueba de que no estoy dentro de una simulación. Pero fíjate en lo que esa duda exige: certeza absoluta. Y casi nadie usa la palabra “saber” así. Cuando dices que sabes dónde dejaste las llaves, no estás diciendo que es imposible que estés equivocado; estás diciendo que tus razones son buenas y que, si aparece algo que las contradiga, cambiarás de opinión. A esa postura se le llama falibilismo: se puede saber sin estar seguro. Charles Sanders Peirce la defendió con insistencia, y hoy es la actitud de trabajo de casi toda la ciencia.
El falibilismo no responde al genio maligno; lo deja de lado. Si todo es un engaño perfecto, es un engaño que se comporta exactamente como el mundo, y vivir en él con cuidado es lo mismo que vivir en el mundo con cuidado. La pregunta interesante se vuelve otra: no si puedo estar seguro, sino cuánto debería creer.
Razón y experiencia, con calma
¿De dónde salen las buenas razones? La historia de la filosofía moderna suele contarse como una disputa entre dos respuestas. Los racionalistas, como Descartes o Leibniz, pensaban que hay verdades que se conocen solo pensando, y ponían como modelo a las matemáticas: nadie salió a medir triángulos para saber que sus ángulos suman dos rectos en el plano euclidiano. Los empiristas, como Locke o Hume, pensaban que todo lo que sabemos del mundo entra, de una forma u otra, por los sentidos.
Visto desde hoy, cada lado tenía una parte. Las matemáticas sí se conocen a priori, pero lo que se conoce así es qué se sigue de unos axiomas, no si el espacio físico los cumple (lo cuento en axiomas y conjuntos y en qué es un objeto matemático). De hecho, la relatividad general describe el espacio-tiempo con una geometría que no es la euclidiana. Y la experiencia sí es la fuente de lo que sabemos del mundo, pero nunca llega cruda: llega filtrada por un ojo que comprime un espectro en tres números y por un cerebro que la interpreta (de eso trata mente y conciencia). Kant, a finales del siglo XVIII, intentó una síntesis: la experiencia aporta el contenido, pero la mente aporta la forma en que la organizamos. No hace falta aceptar su sistema para quedarse con la intuición.
El pollo de Russell
El golpe más duro a la idea de aprender de la experiencia lo dio un empirista. David Hume, en el siglo XVIII, se preguntó qué justifica pasar de “el sol ha salido todos los días” a “el sol saldrá mañana”. No es la lógica: no hay contradicción en imaginar que mañana no sale. Tampoco puede ser la experiencia, porque el argumento sería “la inducción ha funcionado hasta ahora, luego seguirá funcionando”, que es usar la inducción para justificar la inducción. Ese es el problema de la inducción, y nadie lo ha resuelto en los términos en que Hume lo planteó.
Russell lo contó con un pollo. El pollo recibe comida todas las mañanas de manos del granjero, y cada mañana su confianza en que el granjero trae comida crece. Hasta el día en que el granjero llega y le tuerce el cuello. Al pollo no le faltaron datos; le faltó saber de qué proceso salían. Es la misma advertencia que hace la estadística cuando alguien extrapola fuera de los datos, y la que hace el aprendizaje automático cuando un modelo entrenado con un mundo se enfrenta a otro.
Popper: buscar el cisne negro
Karl Popper, en La lógica de la investigación científica (1934 en alemán), propuso esquivar a Hume dándole la vuelta al problema. Ninguna cantidad de cisnes blancos prueba que todos los cisnes son blancos. Pero un solo cisne negro prueba que no. Las generalizaciones no se pueden verificar, pero sí se pueden refutar. Para Popper, lo que distingue a una teoría científica es que sea falsable: que diga qué observación posible la haría falsa. Una teoría que se acomoda a cualquier resultado no dice nada del mundo.
La idea es poderosa y sigue siendo la mejor vacuna contra las teorías que lo explican todo. Pero tiene grietas que el propio debate fue encontrando. Un experimento nunca pone a prueba una hipótesis sola, sino junto con un montón de supuestos auxiliares (que el instrumento funciona, que no hubo contaminación), así que cuando falla no sabes cuál culpar; es el argumento que se suele asociar a Duhem y a Quine. Y en la práctica nadie bota una teoría exitosa por una anomalía: cuando los neutrinos de un experimento parecieron ir más rápido que la luz, los físicos buscaron el error en el montaje, y lo encontraron. Popper explica bien por qué una refutación pesa; explica peor cuánto pesa una confirmación.
Graduar la creencia
Ahí entra la otra gran respuesta, la bayesiana. En vez de creer o no creer, asignas a cada hipótesis un grado de creencia entre 0 y 1, y lo tratas como una probabilidad. En ese capítulo está el teorema de Bayes con mil personas y una prueba médica; aquí me sirve escrito de otra forma, en chances. Si es tu hipótesis y una evidencia,
La última fracción, la razón de verosimilitud, es lo que de verdad mide una evidencia: cuánto más probable es verla si la hipótesis es cierta que si es falsa. Una razón de 2 duplica tus chances; una de 1/2 las parte por la mitad; una de 1 no te dice nada, por llamativa que sea. Y si tomas logaritmos, multiplicar se vuelve sumar: cada evidencia independiente le suma a tu creencia una cantidad fija, su peso. Es el mismo logaritmo que mide la sorpresa en entropía e información; se cuenta que Alan Turing, durante la guerra, medía así el peso de la evidencia al descifrar mensajes, en una unidad que llamó ban.
evidencias recibidas
Después de 0 evidencias: A cree 5,0 %, B cree 80,0 %.
Distancia entre las dos: 75,0 puntos.
Mira el caso con el que arranca. La persona A le da a la hipótesis un 5 %; la B, un 80 %. Están a 75 puntos de distancia. Ahora dales a las dos la misma evidencia, una tras otra, cada una con razón 2 a 1. Después de cuatro, A va en 45,7 % y B en 98,5 %. Después de ocho, A va en 93,1 % y B en 99,9 %: la distancia bajó a menos de 7 puntos. Empezaron casi en extremos opuestos y terminaron de acuerdo, no porque una convenciera a la otra, sino porque las dos miraron lo mismo y actualizaron con la misma regla. Mete evidencias en contra y mira cómo bajan juntas; sube la razón y mira qué tan rápido se cierra la brecha.
Ese acuerdo tiene condiciones, y vale la pena decirlas. Las dos personas tienen que evaluar igual cada evidencia (la misma razón de verosimilitud), las evidencias tienen que ser independientes entre sí dada la hipótesis, y ninguna puede empezar en 0 o en 1. Esa última es la más bonita. Pon a alguien en certeza absoluta y la fórmula lo deja quieto para siempre: cero por cualquier cosa es cero. Dennis Lindley la llamó la regla de Cromwell: no le des probabilidad cero a nada que no sea lógicamente imposible, porque te cierras a aprender. El dogmatismo, visto así, no es tener una creencia fuerte; es tener una que ninguna evidencia puede mover.
El bayesianismo no resuelve el problema de Hume (suponer que las verosimilitudes de mañana son como las de hoy sigue siendo un supuesto) ni elimina la subjetividad del punto de partida. Lo que hace es más modesto y más útil: te dice cómo debería moverse una creencia, y muestra que, con suficiente evidencia compartida, el punto de partida importa cada vez menos.
La ciencia como sistema para equivocarse menos
Si juntas todo, la ciencia aparece menos como una colección de verdades y más como una máquina para producir creencias fiables con piezas que no lo son. Cada científico tiene sesgos, ganas de tener razón y un instrumento que a veces falla. Lo que el sistema añade son mecanismos que corrigen eso desde afuera: experimentos que otros pueden repetir, predicciones que se registran antes de mirar los datos, barras de error que dicen cuánto no sabemos, revisión por pares, y una cultura en la que encontrar el error de otro es una contribución y no una ofensa. Popper aporta la disciplina de exponerse a la refutación; Bayes, la contabilidad de cuánto creer mientras tanto; el fiabilismo, el criterio para juzgar el método y no a la persona.
Nada de eso garantiza la verdad. Ha habido consensos equivocados, y habrá más. Pero es, hasta donde sabemos, el proceso que más rápido detecta sus propios errores. Lo que en qué cuenta como real era una advertencia sobre los indicadores (toda medida olvida algo) aquí se vuelve un método: decir de antemano qué contaría como estar equivocado.
Una máquina que cita
Todo esto deja de ser abstracto cuando una inteligencia artificial te contesta una pregunta. Un modelo de lenguaje produce texto plausible; su manera de llegar a una frase es, en el fondo, una versión enorme de predecir la siguiente palabra. Cuando acierta, ¿sabe? Si acierta porque la frase correcta era también la más probable, se parece mucho al reloj parado: una respuesta verdadera que pudo no serlo, sin una conexión visible con aquello que la hace verdadera.
Por eso, cuando construyo Licitarus, el diseño insiste en que la respuesta muestre de dónde sale. Una cita no convierte a la máquina en alguien que sabe. Lo que hace es devolverte a ti la justificación: en vez de creer por testimonio, porque lo dijo, puedes ir al artículo de la ley y comprobarlo. Es Gettier puesto en práctica: separar la respuesta que acertó de la que acertó por la razón correcta. Y es una forma de fiabilismo con lupa, porque te deja evaluar el proceso, caso por caso.
Queda la pregunta de si un sistema así puede llegar a saber en algún sentido más fuerte, o a entender lo que dice; esa la retomo en mente y conciencia. Lo que cada quien debería creer cuando las razones no alcanzan, y qué le debemos a los demás cuando afirmamos algo, es terreno de la ética. Por ahora me quedo con la postura de trabajo que me deja todo esto: saber no es estar seguro. Es creer en la medida justa, por razones que otros puedan revisar, y dejar siempre una rendija abierta para el cisne negro.