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

Dieses Papier argumentiert, dass wissenschaftliches Wissen ein lokales Optimum darstellt, geformt durch historische Kontingenz und institutionellen Lock-in, anstatt eines globalen Optimums. In Analogie zum Gradientenabstieg im maschinellen Lernen wird vorgeschlagen, dass die Wissenschaft überlegene Naturbeschreibungen umgehen könnte, indem sie lokalen Gradienten von Handhabbarkeit und Belohnung folgt.