Théorie de l'information et créationnisme : William Dembski

Informations selon William Dembski

• Introduction
• Information définie
• Complexité
• Information complexe spécifiée
• Dessein intelligent
• Conservation de l'information
• Où Dembski se trompe

Introduction

Les idées de Dembski, un auteur très verbeux, sont soulignées dans Dessein intelligent comme théorie de l'information ^[4]. Le but de l'article est de "(1) montrer comment l'information peut être de manière fiable détectée et mesurée, et (2) formuler une loi de conservation qui régit l'origine et le flux de l'information." On discerne immédiatement que Dembski parle de quelque chose de tout à fait différent de Shannon, Chaitin et Kolmogorov lorsqu'il déclare dans le deuxième paragraphe : « ni les algorithmes ni les lois naturelles sont capables de produire de l'information. »

Information Définie[Haut]

Dembski définit l'information comme suit :

Pour qu'il y ait de l'information, il doit y avoir une multiplicité de possibilités distinctes, dont chacune pourrait se produire. Lorsqu'une de ces possibilités se réalise et que les autres sont écartées, l'information devient actualisée. En effet, l'information dans son sens le plus général peut être définie comme l'actualisation d'une possibilité à l'exclusion des autres (observez que cette définition englobe à la fois l'information syntaxique et sémantique).

Dembski propose ensuite -log ₂ p comme mesure de l'information pour un événement de probabilité p, exactement la même utilisation que celle de Shannon. La définition de Dembski contraste cependant clairement avec la considération de Shannon concernant l'information moyenne issue d'une source d'information résultant de l'ensemble statistique de ses séquences de sortie possibles.

Complexité[Haut]

Ensuite, Dembski décrit l'information complexe et affirme que la mesure -log₂p est une mesure de complexité.

L'information est une notion de la théorie de la complexité. En effet, en tant qu'objet purement formel, la mesure de l'information décrite ici est une mesure de complexité (cf. Dembski, 1998, ch. 4). Les mesures de complexité apparaissent chaque fois que nous attribuons des nombres aux degrés de complication. Un ensemble de possibilités admet souvent des degrés de complication variables, allant de l'extrêmement simple à l'extrêmement compliqué. Les mesures de complexité attribuent des nombres non négatifs à ces possibilités de telle sorte que 0 correspond au plus simple et _ [sic] au plus compliqué. Par exemple, la complexité computationnelle est toujours mesurée en termes de temps (c'est-à-dire nombre d'étapes de calcul) ou d'espace (c'est-à-dire taille de la mémoire, généralement mesurée en bits ou en octets) ou d'une combinaison des deux. Plus un problème computationnel est difficile, plus de temps et d'espace sont requis pour exécuter l'algorithme qui résout le problème. Pour les mesures d'information, le degré de complication est mesuré en bits. Étant donné un événement A de probabilité P(A), I(A) = -log₂P(A) mesure le nombre de bits associé à la probabilité P(A). Nous parlons donc de la « complexité de l'information » et disons que la complexité de l'information augmente lorsque I(A) augmente (ou, de manière correspondante, lorsque P(A) diminue). Nous parlons également d'information « simple » et « complexe » selon que I(A) signifie peu ou beaucoup de bits d'information. Cette notion de complexité est importante pour la biologie car ce n'est pas seulement l'origine de l'information qui est en question, mais celle de l'information complexe.

Remarquez que, pour une raison ou une autre, Dembski mentionne ici la complexité computationnelle, mais ne la lie pas spécifiquement à une mesure de l'information, ce qui est bien, car les deux concepts ne sont pas les mêmes – mais l'implication est discutable.

Information Spécifiée Complexe[Haut]

Dembski poursuit en distinguant entre l'information complexe spécifiée et l'information complexe non spécifiée:

À présent, l'information qui tend à nous intéresser en tant qu'enquêteurs rationnels en général, et en particulier les scientifiques, n'est pas l'actualisation de possibilités arbitraires qui ne correspondent à aucun motif, mais plutôt l'actualisation de possibilités circonscrites qui correspondent bien à des motifs. Il y a plus. L'information motif, bien qu'étant une étape dans la bonne direction, ne nous donne pas encore tout à fait l'information spécifiée. Le problème est que les motifs peuvent être concoctés a posteriori de telle sorte que, au lieu d'aider à élucider l'information, les motifs ne sont simplement lus sur l'information déjà actualisée...

L'information spécifiée est toujours une information motif, mais l'information motif n'est pas toujours une information spécifiée. Pour l'information spécifiée, n'importe quel motif ne suffit pas. Nous distinguons donc entre les motifs « bons » et les motifs « mauvais ». Les motifs « bons » seront dorénavant appelés spécifications. Les spécifications sont les motifs donnés indépendamment qui ne sont pas simplement lus sur l'information. Par contraste, les motifs « mauvais » seront appelés fabrications. Les fabrications sont les motifs a posteriori qui sont simplement lus sur l'information déjà existante...

La distinction entre information spécifiée et information non spécifiée peut maintenant être définie comme suit : l'actualisation d'une possibilité (c'est-à-dire, d'une information) est spécifiée si, indépendamment de l'actualisation de la possibilité, la possibilité est identifiable au moyen d'un motif. Sinon, alors l'information est non spécifiée. Notez que cette définition implique une asymétrie entre l'information spécifiée et l'information non spécifiée : l'information spécifiée ne peut pas devenir de l'information non spécifiée, bien que l'information non spécifiée puisse devenir de l'information spécifiée. L'information non spécifiée n'a pas besoin de rester non spécifiée, mais peut devenir spécifiée à mesure que notre connaissance de fond augmente. Par exemple, une transmission cryptographique dont le système cryptographique nous reste à briser constituera de l'information non spécifiée. Pourtant, dès que nous brisons le système cryptographique, la transmission cryptographique devient de l'information spécifiée.

Pour le traitement mathématique, le lecteur est renvoyé au livre de Dembski de 1998 « The Design Inference ».

Dembski propose deux conditions subsidiaires à la condition d'indépendance entre les motifs et l'information :

(1) une condition d'indépendance conditionnelle stochastique entre les informations en question et certaines connaissances de fond pertinentes ; et

(2) une condition de tractabilité selon laquelle le motif en question peut être construit à partir desdites connaissances de fond.

Les deux points qu'il note ne sont pas facilement formalisables. Il indique cependant qu'il est facile de déterminer en pratique si un motif est donné indépendamment d'une possibilité, « si le motif est donné avant que la possibilité ne soit actualisée ». La vie, dit-il, est un cas où un motif est donné après qu'une possibilité ait été actualisée, mais il soutient qu'elle représente également de l'information spécifiée complexe ou de l'ISC.

Dembski attribue un certain nombre de propriétés au CSI :

C'est la CSI que Manfred Eigen considère comme le grand mystère de la biologie, et qu'il espère un jour démêler en termes d'algorithmes et de lois naturelles. C'est la CSI qui, pour les cosmologistes, sous-tend le réglage fin de l'univers, et que les différents principes anthropiques tentent de comprendre (cf. Barrow et Tipler, 1986). C'est la CSI que les potentiels quantiques de David Bohm extraient lorsqu'ils fouillent le micromonde à la recherche de ce que Bohm appelle « information active » (cf. Bohm, 1993, pp. 35-38). C'est la CSI qui permet au démon de Maxwell de surpasser un système thermodynamique tendant vers l'équilibre thermique (cf. Landauer, 1991, p. 26). C'est la CSI sur laquelle David Chalmers espère fonder une théorie complète de la conscience humaine (cf. Chalmers, 1996, ch. 8). C'est la CSI qui, au sein de la théorie de l'information algorithmique de Kolmogorov-Chaitin, prend la forme de chaînes de chiffres hautement compressibles et non aléatoires (cf. Kolmogorov, 1965 ; Chaitin, 1966).

Dembski soutient ensuite que la causation intelligente ou le dessein sont nécessaires pour que le CSI se produise. Il soutient que le dessein peut être détecté :

La réalisation d'une parmi plusieurs possibilités concurrentes, l'exclusion des autres, et la spécification de la possibilité qui a été réalisée résume comment nous reconnaissons les causes intelligentes, ou équivalentement, comment nous détectons le dessein.

Dessein intelligent [Sommaire]

Dembski soutient que le CSI est un indicateur de causalité intelligente ou de dessein intelligent. Il argue que le CSI ne peut résulter d'une combinaison de hasard et de nécessité, et qu'il indique qu'un événement improbable a donc été choisi intelligemment :

Si le hasard et la nécessité, laissés à eux-mêmes, ne peuvent pas générer une complexité spécifiquement informationnelle (CSI), est-il possible que le hasard et la nécessité travaillant ensemble puissent générer une CSI ? La réponse est Non. Chaque fois que le hasard et la nécessité travaillent ensemble, les contributions respectives du hasard et de la nécessité peuvent être organisées séquentiellement. Mais en organisant les contributions respectives du hasard et de la nécessité séquentiellement, il devient clair qu'à aucun point de la séquence une CSI n'est générée. Considérons le cas de l'essai-erreur (l'essai correspond à la nécessité et l'erreur au hasard). Autrefois considéré comme une méthode rudimentaire de résolution de problèmes, l'essai-erreur a tellement gagné en estime auprès des scientifiques qu'il est maintenant considéré comme la source ultime de sagesse et de créativité dans la nature. Les algorithmes probabilistes de l'informatique (par exemple, les algorithmes génétiques – voir Forrest, 1993) dépendent tous de l'essai-erreur. De même, le mécanisme darwinien de mutation et de sélection naturelle est une combinaison essai-erreur dans laquelle la mutation fournit l'erreur et la sélection l'essai. Une erreur est commise après laquelle un essai est effectué. Mais à aucun point une CSI n'est générée.

Dembski résume le CSI comme un indicateur de dessein :

Cet argument visant à démontrer que l'information spécifiée complexe (ISC) est un indicateur fiable du dessein peut maintenant être résumé comme suit : l'ISC est un indicateur fiable du dessein car sa reconnaissance coïncide avec la manière dont nous reconnaissons généralement une cause intelligente. En général, pour reconnaître une cause intelligente, nous devons établir qu'une possibilité parmi un éventail de possibilités concurrentes a été actualisée, déterminer quelles possibilités ont été exclues, puis spécifier la possibilité qui a été actualisée. De plus, les possibilités concurrentes qui ont été exclues doivent être des possibilités vivantes, suffisamment nombreuses pour que la spécification de la possibilité qui a été actualisée ne puisse pas être attribuée au hasard. En termes de probabilité, cela signifie que la possibilité qui a été spécifiée est hautement improbable. En termes de complexité, cela signifie que la possibilité qui a été spécifiée est hautement complexe. Tous les éléments du schéma général pour reconnaître une cause intelligente (c'est-à-dire Actualisation-Exclusion-Spécification) trouvent leur équivalent dans l'information spécifiée complexe (ISC). L'ISC précise ce que nous devons rechercher lorsque nous détectons un dessein.

Conservation de l'information[Haut]

Enfin, Dembski propose une Loi de conservation de l'information:

Cette forte affirmation prescriptive, selon laquelle les causes naturelles ne peuvent transmettre que l'information spécifiquement intelligente (CSI) mais jamais l'originer, que j'appelle la loi de conservation de l'information

ce qu'il soutient a les conséquences suivantes :

(1) La CSI dans un système fermé de causes naturelles reste constante ou diminue.

(2) La CSI ne peut pas être générée spontanément, provenir de l'intérieur, ou s'organiser elle-même (telles que ces termes sont utilisés dans la recherche sur l'origine de la vie).

(3) La CSI dans un système fermé de causes naturelles soit a toujours été présente dans le système, soit a été ajoutée à un moment donné de l'extérieur (ce qui implique que le système, bien que maintenant fermé, n'était pas toujours fermé). >

(4) En particulier, tout système fermé de causes naturelles qui est également de durée finie a reçu la CSI qu'il contient avant de devenir un système fermé.

Où Dembski se trompe[Haut]

En tentant de définir l'information complexe, Dembski confond une définition de l'information issue de la Théorie de l'information classique (probabilité) avec une définition modifiée issue de la Théorie de l'information algorithmique (longueur computationnelle, ou complexité de Kolmogorov). Rappelez-vous que Dembski a défini l'information comme -log₂ p, où p représente la probabilité d'un événement. C'est essentiellement l'usage de Shannon dans la Théorie de l'information classique. D'un autre côté, il ajoute que -log ₂ p est une mesure de complexité :

L'information est une notion de la théorie de la complexité. En effet, en tant qu'objet purement formel, la mesure de l'information décrite ici est une mesure de complexité... Étant donné un événement A de probabilité P(A), I(A) = -log2P(A) mesure le nombre de bits associés à la probabilité P(A). Nous parlons donc de la « complexité de l'information » et disons que la complexité de l'information augmente lorsque I(A) augmente (ou, de manière correspondante, lorsque P(A) diminue).

Jusqu'à présent, Dembski a appliqué la complexité de Kolmogorov à l'information de Shannon résultant d'un seul événement. Au moins, d'autres parties de l'article impliquent qu'il entend la complexité de Kolmogorov, et il ne l'indique pas autrement dans ce paragraphe. Mathématiquement, il n'y a rien de faux dans cela, bien que l'utilité ne soit pas du tout très claire. Il y a cependant une grande erreur dans la seconde moitié de la dernière phrase :

…la complexité de l'information augmente lorsque I(A) augmente (ou, de manière correspondante, lorsque P(A) diminue)

Ceci est incorrect. En général, il n'existe aucune relation entre la complexité de Kolmogorov d'une chaîne et sa probabilité d'apparition. La complexité de Kolmogorov d'une chaîne correspond à la longueur du programme le plus court sur une machine de Turing universelle de référence ou UTM (une sorte d'ordinateur généralisé) qui produira cette chaîne. Elle dépend de deux éléments : (1) le contenu de la chaîne, et (2) l'ordinateur de référence, aucun des deux n'étant lié à la probabilité d'apparition de la chaîne. Il existe un nombre infini de UTM à choisir. Étant donnée une chaîne finie arbitraire, nous pouvons trouver une UTM sur laquelle la complexité de Kolmogorov de la chaîne est arbitrairement faible ou arbitrairement élevée. La nature n'a aucune préférence pour une UTM plutôt qu'une autre.

De plus, si le contenu d'une chaîne dépendait de sa probabilité d'occurrence, alors la Théorie de l'information classique, qui a rendu possible toutes sortes de télécommunications modernes, ne serait pas nécessaire. L'un des concepts fondamentaux de la théorie de Shannon est que l'utilisation d'un canal d'information est maximisée en recodant les messages de manière à ce que les messages plus probables soient plus courts et les messages moins probables plus longs. Les codes de Fano-Shannon en sont un exemple. Si le nombre de bits dans une chaîne était intrinsèquement lié à la probabilité, nous n'aurions pas besoin de les recoder et les codes de Fano-Shannon seraient inutiles.

Dembski fait un bond fantastique en supposant qu'une métrique d'information dérivée de la probabilité d'un événement unique (-log ₂ p) et de la brièveté de l'algorithme minimal nécessaire pour représenter l'événement (Chaitin-Kolmogorov) sont nécessairement liées. Sans surprise, le rigueur mathématique soutenant le cas de Dembski fait défaut. En fait, il n'y a aucune raison de conclure qu'une quelconque relation entre la probabilité d'un événement et la complexité de Kolmogorov existe pour une source d'information arbitraire.

À titre de note, la complexité de Kolmogorov présente l'inconvénient d'être non calculable et constitue donc une mauvaise mesure.

Bien sûr, Dembski est assez vague quant au fait s'il entend vraiment la complexité de Kolmogorov ici. Il est possible qu'il appelle simplement la métrique d'information de Shannon une mesure de complexité, auquel cas nous devrions nous demander pourquoi il change la terminologie sans avertissement. Même si c'est ce que Dembski entend, le problème concernant l'hypothèse de la probabilité d'une chaîne reste intrinsèquement lié à son contenu.

Une autre grande erreur se trouve dans ce passage :

C'est le CSI qui, dans la théorie de Kolmogorov-Chaitin de l'information algorithmique, prend la forme de chaînes de chiffres hautement compressibles et non aléatoires

Dembski a raison inverse. Dans la Théorie de l'information algorithmique de Chaitin et Kolmogorov, les chaînes hautement compressibles ont une faible complexité/contenu informationnel, pas une haute complexité/contenu informationnel ; et la complexité augmente avec une plus grande aléatorité algorithmique. Par exemple, sur un ordinateur à usage général, nous nous attendons à ce que le programme « imprimer 1 million de zéros » prenne beaucoup moins de 1 million de bits pour être décrit. Voici une chaîne hautement compressible avec très peu de complexité et très peu de contenu informationnel. D'un autre côté, il est généralement très difficile de compresser un bruit aléatoire. En tant que mathématicien, Dembski devrait le savoir. Nous pourrions, bien sûr, trouver un ordinateur grossièrement inefficace qui est néanmoins Universel, sur lequel le programme « imprimer 1 million de zéros » nécessite beaucoup plus de 1 million de bits pour être codé, ce qui est une autre raison d'éviter la complexité de Kolmogorov lors de l'analyse de chaînes).

Les racines d'une autre grande erreur se trouvent ici :

Les informations spécifiées sont toujours des informations structurées, mais les informations structurées ne sont pas toujours des informations spécifiées. Pour les informations spécifiées, n'importe quel motif ne suffit pas. Nous distinguons donc entre les motifs « bons » et les motifs « mauvais ». Les motifs « bons » seront dorénavant appelés spécifications. Les spécifications sont les motifs donnés indépendamment qui ne sont pas simplement déduits de l'information. Par contraste, les motifs « mauvais » seront appelés fabrications. Les fabrications sont les motifs a posteriori qui sont simplement déduits de l'information déjà existante...

La conséquence est que, étant donné deux motifs, nous pouvons d'une manière ou d'une autre savoir quel motif a causé l'autre. Il continue :

La distinction entre l'information spécifiée et non spécifiée peut désormais être définie comme suit : l'actualisation d'une possibilité (c'est-à-dire l'information) est spécifiée si, indépendamment de l'actualisation de la possibilité, celle-ci est identifiable au moyen d'un motif. Sinon, l'information est non spécifiée.

Ici, nous avons un autre grand saut dans l'hypothèse de Dembski selon laquelle, si un motif existe avant qu'une possibilité ne soit actualisée, il doit être causal. Toute personne formée en statistiques doit connaître le danger de faire des hypothèses de causalité simplement parce qu'une corrélation entre deux variables est notée. Les corrélations n'impliquent pas de causalité entre les variables corrélées. Par exemple, la corrélation entre le paludisme et les marécages a été observée il y a longtemps. La maladie paludisme a été incorrectement attribuée à l'air mauvais (mal) (aria) près des marécages. La corrélation a été correctement notée, mais l'hypothèse de causalité était erronée. Bien qu'un motif corrélé et une possibilité actualisée puissent avoir une cause liée, on ne peut pas supposer que le motif a causé la possibilité actualisée. En conséquence, cette proposition pour détecter le dessein est hautement suspecte. C'est une erreur critique.

Pour aggraver les choses, Dembski s'appuie sur la connaissance de la probabilité d'un seul événement se produisant. Il n'est pas en général possible de connaître la probabilité associée à un seul événement. Il faut avoir une connaissance statistique du processus à partir duquel l'événement est survenu pour connaître sa probabilité avec certitude ; ou un nombre suffisamment grand d'échantillons pour l'estimer. Se prétendre que la probabilité dépend en quelque sorte de la complexité de Kolmogorov de l'événement n'aide pas.

Son argument selon lequel la complexité spécifiquement informationnelle (CSI) ne peut pas être créée par une combinaison de hasard et de nécessité (ou de mutation et de sélection naturelle) est un argument par ignorance. Dembski affirme qu'il est impossible, mais ne démontre pas pourquoi. Il suggère également que la CSI fournira des informations sur des possibilités exclues, sans expliquer comment.

Plus Dembski avance, plus il a recours à des gestes vains. Il ne fournit aucune preuve pour étayer sa soi-disant Loi de conservation de l'information, qu'il admet être une « forte affirmation prescriptive ». Puisqu'il s'agit d'une affirmation et non d'une loi, tout argument basé sur elle peut et doit être rejeté comme une pseudo-science.

Il est intéressant de contraster l'objectif déclaré de l'article :

(1) montrer comment l'information peut être de manière fiable détectée et mesurée, et (2) formuler une loi de conservation qui régit l'origine et le flux d'information

avec ses déclarations plus loin dans l'article, lorsqu'il arrive au cœur de son argument :

Il s'agit d'un vaste sujet dont l'élucidation complète dépasse le champ de cette étude (les détails peuvent être trouvés dans mon ouvrage The Design Inference).

et

L'objectif de cette dernière section est de brosser rapidement le portrait de la loi de conservation de l'information (un traitement complet sera donné dans Uncommon Descent, un livre que je co-écris avec Stephen Meyer et Paul Nelson).

En d'autres termes, après avoir chargé un long article de vains gestes manquant de détails, après avoir d'abord affirmé qu'un principe nouveau et profond serait formulé dans l'article, Dembski dirige le lecteur vers son prochain livre. Il semble avoir cependant changé de direction. Il a édité un livre d'un titre similaire Uncommon Dissent: Intellectuals who find Darwinism Unconvincing, mais il ne contient qu'une introduction de Dembski. Sa « Loi de conservation de l'information » est exposée dans No Free Lunch. Pour une critique de ce livre, consultez The No Free Lunch FAQ.

[Haut]