یکی از مهم‌ترین ویژگی‌های یادگیری عمیق در علم، توانایی دیدن پیوند میان لایه‌های مختلف یک سیستم است. علم زمانی به مجموعه‌ای از دانسته‌های زنده تبدیل می‌شود که فرمول‌ها، ابزارها، ساختارها و پدیده‌های فیزیکی در ذهن از یکدیگر جدا نباشند.

برای مثال، در یک کامپیوتر می‌توان زنجیره‌ای از لایه‌ها را دنبال کرد:

حرکت حامل‌های بار در نیمه‌رساناها به عملکرد ترانزیستورها منجر می‌شود؛ ترانزیستورها گیت‌های منطقی را می‌سازند؛ گیت‌ها در کنار یکدیگر مدارها و واحدهای پردازشی را شکل می‌دهند؛ معماری پردازنده زیرساخت سیستم‌عامل را فراهم می‌کند و در نهایت برنامه‌ها، الگوریتم‌ها و مدل‌های هوش مصنوعی بر فراز این لایه‌ها اجرا می‌شوند.

طبیعتاً برای نوشتن یک برنامه یا آموزش یک شبکه عصبی لازم نیست رفتار تک‌تک الکترون‌های موجود در پردازنده بررسی شود. بخش بزرگی از قدرت علم و مهندسی دقیقاً از مفهوم «انتزاع» ناشی می‌شود. در هر سطح، جزئیات لایه‌های پایین‌تر موقتاً کنار گذاشته می‌شوند تا بتوان با ساختاری ساده‌تر و قابل‌کنترل‌تر کار کرد.

اما انتزاع زمانی مسئله‌ساز می‌شود که به جدایی کامل میان لایه‌ها منجر شود. در چنین وضعیتی، فرد دیگر یک سیستم را نمی‌فهمد، بلکه صرفاً نحوه استفاده از آن را یاد می‌گیرد. تا زمانی که ابزارها در شرایط عادی کار می‌کنند، این تفاوت چندان آشکار نیست. مشکل زمانی آغاز می‌شود که سیستم رفتاری غیرمنتظره نشان می‌دهد.

برای مثال، یک برنامه‌نویس ممکن است یک نتیجه عددی نادرست را تنها به‌عنوان «باگ نرم‌افزار» در نظر بگیرد. اما کسی که شناخت گسترده‌تری از ساختار محاسبات دارد، احتمال‌های دیگری را نیز بررسی می‌کند: محدودیت نمایش اعداد ممیز شناور، سرریز عددی، مدیریت نامناسب حافظه، رقابت میان پردازش‌های موازی، محدودیت پهنای باند حافظه یا تفاوت میان معماری پردازنده مرکزی و پردازنده گرافیکی.

در اینجا شناخت لایه‌های زیرین مستقیماً به توانایی حل مسئله تبدیل می‌شود. فردی که تنها رابط سطح بالای سیستم را می‌شناسد، با شکستن همان رابط به بن‌بست می‌رسد. اما کسی که ساختار لایه‌ای سیستم را درک کرده است، می‌تواند موقتاً یک سطح پایین‌تر برود، فرضیات را بررسی کند و منشأ شکست را پیدا کند.

همین مسئله در علوم تجربی نیز دیده می‌شود. کسی که تنها می‌داند داده‌های پراش پرتو ایکس را وارد یک نرم‌افزار کند و نام فازهای موجود را تحویل بگیرد، ممکن است در بسیاری از نمونه‌های معمولی نتیجه قابل‌قبولی به دست آورد. اما اگر پیک‌ها جابه‌جا، پهن یا دوشاخه شوند، دیگر استفاده صرف از نرم‌افزار کافی نخواهد بود.

در چنین شرایطی باید مفاهیمی مانند پراش، ساختار بلوری، تنش شبکه، اندازه کریستالیت، پهن‌شدگی ابزاری، هم‌پوشانی پیک‌ها و تابش‌های مختلف منبع پرتو ایکس شناخته شوند. بدون این پیوند مفهومی، خروجی نرم‌افزار به‌راحتی می‌تواند با یک تفسیر فیزیکی اشتباه همراه شود.

در شبیه‌سازی‌های عددی و هوش مصنوعی نیز مسئله مشابه است. ممکن است یک شبکه عصبی بتواند میان ورودی‌ها و خروجی‌ها رابطه‌ای آماری برقرار کند، اما اگر پژوهشگر نداند معادلات حاکم، شرایط مرزی، مقیاس‌های زمانی و مکانی و فرضیات مدل چه هستند، توانایی تشخیص اعتبار نتیجه را نخواهد داشت.

چنین مدلی ممکن است روی داده‌های آموزشی عملکرد مناسبی نشان دهد، اما در شرایطی خارج از محدوده آموزش، نتایجی کاملاً غیرواقعی تولید کند. در اینجا دانستن فیزیک تنها یک مزیت جانبی نیست؛ بلکه ابزاری برای تشخیص این است که چه زمانی مدل واقعاً چیزی را آموخته و چه زمانی صرفاً الگوی موجود در داده‌ها را بازتولید کرده است.

از این منظر، می‌توان گفت:

انتزاع باید نردبان باشد، نه دیوار.

ما ناچاریم برای فهم جهان، آن را به لایه‌های مختلف تقسیم کنیم. هیچ انسانی نمی‌تواند هم‌زمان رفتار الکترون‌ها، ترانزیستورها، مدارها، سیستم‌عامل و برنامه‌های سطح بالا را با تمام جزئیات در ذهن نگه دارد. همان‌طور که در فیزیک مواد نیز نمی‌توان در هر مسئله، از مکانیک کوانتومی آغاز کرد و تا رفتار ماکروسکوپی ماده پیش رفت.

بنابراین انتزاع ضروری است. اما باید امکان رفت‌وآمد میان لایه‌ها حفظ شود. فرد باید بداند هر مدل بر چه فرض‌هایی بنا شده، در چه محدوده‌ای معتبر است و در صورت شکست، باید به کدام سطح بنیادی‌تر بازگردد.

یکی از خطرهای جدی در مسیر حرفه‌ای نیز از همین‌جا ناشی می‌شود. ممکن است فردی سال‌ها با مجموعه محدودی از ابزارها، نرم‌افزارها و روش‌ها کار کند و در همان چارچوب نیز موفق باشد. اما اگر در این مدت شبکه مفهومی او گسترش پیدا نکند، با تغییر فناوری، مسئله یا پارادایم علمی، توانایی تطبیق خود را از دست می‌دهد.

در این حالت، مسئله کمبود هوش یا تجربه نیست. مشکل آن است که دانش فرد به مجموعه‌ای از رویه‌های تکرارشونده تبدیل شده است. او می‌داند در شرایط آشنا چه مراحلی را انجام دهد، اما نمی‌داند چرا آن مراحل جواب می‌دهند و در صورت جواب‌ندادن باید چه چیزی را تغییر دهد.

احتمالاً بسیاری از بن‌بست‌های حرفه‌ای زمانی رخ می‌دهند که ابزارهای فرد تغییر نمی‌کنند، اما جهان پیرامون او تغییر کرده است. اگر مفاهیم به یکدیگر متصل نباشند، هر تغییر بزرگ می‌تواند بخشی از دانش قبلی را بی‌استفاده کند. در مقابل، کسی که روابط بنیادی‌تر را می‌شناسد، معمولاً می‌تواند ابزار جدید را نیز درون همان نقشه مفهومی جای دهد.

البته تلاش برای فهم همه‌چیز از بنیادی‌ترین سطح نیز می‌تواند به مشکل دیگری منجر شود. اگر کسی تصور کند پیش از شروع هر پروژه باید تمام مبانی فیزیکی، ریاضی و محاسباتی آن را به‌طور کامل بداند، احتمالاً هیچ‌گاه وارد مرحله عمل نخواهد شد.

راه مناسب‌تر، یادگیری مارپیچی است. فرد ابتدا با یک ابزار یا مدل کار می‌کند، سپس با یک ابهام، محدودیت یا شکست مواجه می‌شود، در آن نقطه به یک لایه پایین‌تر بازمی‌گردد، مفهوم بنیادی‌تر را می‌آموزد و دوباره با درکی بهتر به مسئله اصلی برمی‌گردد.

در چنین فرایندی، یادگیری نه کاملاً از پایین به بالا است و نه صرفاً از بالا به پایین. عمل و نظریه دائماً یکدیگر را اصلاح می‌کنند. هر پروژه پرسش‌های تازه‌ای تولید می‌کند و هر پرسش، بخشی از ساختار پنهان سیستم را آشکار می‌سازد.

متخصص واقعی الزاماً کسی نیست که تمام جزئیات را حفظ کرده باشد. متخصص کسی است که نقشه لایه‌ها را می‌شناسد، مرز اعتبار مدل‌ها را تشخیص می‌دهد و هنگام شکست یک توضیح، می‌داند باید در کدام بخش از سیستم عمیق‌تر شود.

یکپارچگی در علم به معنای دانستن همه‌چیز نیست؛ به معنای متصل‌کردن چیزهایی است که می‌دانیم. دانشی که میان اجزای آن ارتباطی وجود نداشته باشد، به‌آسانی به مجموعه‌ای از اطلاعات پراکنده تبدیل می‌شود. اما هنگامی که مفاهیم به یکدیگر متصل شوند، هر دانسته جدید می‌تواند بخشی از دانسته‌های قبلی را نیز روشن‌تر کند.

شاید همین پیوندها باشند که یک مسیر علمی را زنده نگه می‌دارند. زیرا تا زمانی که بتوان میان لایه‌ها حرکت کرد، هیچ بن‌بستی کاملاً بسته نیست؛ هر شکست می‌تواند دعوتی باشد برای پایین‌رفتن، بازسازی‌کردن و دوباره بالاآمدن.