Четвертый уровень мульти-вселенной Макса Тегмарка

В современной науке математика претендует на роль общенаучной методологии, как основа нового междисциплинарного синтеза, роль которую раньше играла философия, и кот. отходит на второй план. Тем не менее, как и любая методология, она остается методологией, и со временем уступит более развитым методам анализа реальности. Что касается самой математики не будем забывать об ее эмпирических корнях, как и остальных науках. Однако, современная математика конечно далеко ушла от исходной арифметики, геометрии и логики, и после серии абстрагирований и обобщений исходных математических объектов и операций, превратилась в очень гибкий инструмент анализа и построения моделей реальности.
Где проходит грань между математикой и физикой? Точной нет, т.к. та же геометрия имеет отношение к пространству, а как показало развитие физики, пространство и время являются единым континуумом отвечающим за релятивистские эффекты и гравитацию. E = m*c^2 математическая формула, с физической интерпретацией параметров. Это промежуточный уровень физика + математическая модель. Однако, константа с = 300 000 км/сек, и ограничение v<=c, являются чистой физикой, установленными эмпирическими фактами, хотя и записываются в формальном виде. Можно исследовать миры в кот. это физическое ограничение не выполняется. Это частный случай задачи существования, устойчивости и достижимых уровней сложности миров с разными наборами значений физ. констант. Еще более абстрактной задачей является исследование математических миров с другими законами. Отличная задача для тренировки воображения теоретиков, и мотивации развития новых математических методов, кот. могут быть востребованы в перспективе.
Другим отличием является поиск характерных значений величин параметров, облегчающих построение моделей в прикладных областях, без существенной потери точности, и драматически упрощающих вычислительную сложность. Такой специалист умеющий, исходя из физического смысла параметров задачи правильно оценить их характерные значения, найти решение или объяснить явление в исследовательских физич. и др. лабораториях является незаменимым человеком) Это дар с родни искусству, и ценится куда лучше десятков теоретиков, строчащих длиннющие формулы и выкладки, и не могущих объяснить их физического смысла и найти работающее решение. Что-то подобное происходить в сообществе ТС, из которой, по слухам, начался отток специалистов.

Основная проблема современной математики и др. наук — сложность реальных объектов и явлений природы, таких, например, как абиогинез, эволюция или мышление. Существуют только приближенные модели этих явлений. Эта проблема не может быть разрешена традиционными формальными методами, включая применение численных методов, с использованием в перспективе новых технических средств, типа кв. компьютеров. Приведу для справки Лагранжиан Стандартной модели, как наиболее общей модели реальности на данный момент, из этой темы:Нетрудно понять почему с помощью него трудно произвести точный расчет систем состоящих из многих взаимодействующих частиц, даже используя суперкомпы. Только для простых случаев, в остальном приближенные расчеты, используя упрощенные модели. Как писал в пред. коменте, в общем случае, это следствие нарастающей иерархической сложности реальности в пространственно-временном измерении, см. п.1. Для решения таких задач может быть недостаточно мозгов, как отдельных гениев, так и целых коллабораций. Каким видится выход из этой ситуации? Можно произвести некоторые генетические хаки мозга, чтобы повысить его производительность. Но основное в привлечении нейросетевых технологий, и создании в перспективе симбиотического масштабируемого нейросетевого ИИ. Говоря по простому, взять решение природы в виде мозга, довести его до ума на новом технологическом уровне, и подсоединить его к мозгу человека, который будет ставить задачи. Решение задач будет состоять в обучении на огромных массивах экспериментальных данных, и построения нейросетевой модели проблемной области, в общем случае, не имеющей эквивалентного формального описания. Возможно только в каких-то относительно простых, частных случаях. Не будет, как формальной мат. модели, так и полной физической интерпретации ее параметров. Впрочем, последнего однозначного уже нет сейчас, напр. в КМ, судя по десяткам ее интерпретаций) Эти нейросетевые модели будут использоваться для решения прикладных задач. Эта тенденция уже начинает просматривается. Такова вероятная плата за покорение сложности.

Немного подискутировал на эти темы с математиком Сергеем Самойленко, кому интересно ссылка на ветку обсуждения. Там же собственные бредни о причине и возможному выходу из ситуации более чем 40-летнего застоя в фундаментальной физике, после разработки СМ, путем расширения восприятия реальности)