Why Is a Model Not Reality? Scientific Models and the Limits of Understanding the World

 Inside a vast observatory, layered scientific models stand side by side: a celestial sphere, an orrery, molecular structures, mathematical diagrams, and digital simulations projected into the air. Beyond the open dome stretches the infinite night sky itself, immeasurably richer than any representation below. The scene symbolizes the enduring relationship between scientific models and the reality they seek to understand.

Why Is a Model Not Reality? Scientific Models and the Limits of Understanding the World

Why are scientific models never identical to reality? Explore how they explain the world and reveal the limits of human understanding.

Does Science Need Models?

Scientific inquiry cannot examine every aspect of a target system at once. Observation is selective: researchers choose what to measure, at what scale, with which instruments, and for which question. Even the most detailed data set records certain features while leaving others unmeasured.

Models help scientists work within this selectivity. A scientific model may be a physical object, diagram, mathematical structure, statistical system, conceptual scheme, or computer simulation. Models can represent aspects of a target, organize data, explore consequences of assumptions, guide experiments, explain patterns, or generate predictions.

Many representational models simplify or idealize their targets. They may treat a surface as frictionless, a population as well mixed, an agent as rational, or a gas as a collection of noninteracting particles. These assumptions can be literally false while remaining useful under specified conditions.

Simplification is not automatically a strength. Its value depends on what the model is intended to do. An omitted factor may be negligible for one question but decisive for another. Scientists must therefore examine whether a model’s assumptions and abstractions are appropriate for its purpose and domain.

Models make inquiry possible by creating systems that can be analyzed, manipulated, and compared with evidence. Science advances not by constructing a single complete image of reality, but by developing and testing multiple representations suited to different questions.

Why Do Successful Models Change?

Scientific models are built for particular purposes and conditions, and those purposes and conditions can change. New observations, instruments, mathematical techniques, or research questions may reveal that a model no longer performs adequately in the domain where it is being used.

The history of astronomy illustrates a complex form of model change. Ptolemaic geocentric models produced sophisticated planetary predictions. Copernicus reorganized planetary motions around a moving Earth, but his initial system did not immediately surpass the Ptolemaic system in every predictive respect. Kepler’s elliptical orbits, Galileo’s observations, and Newtonian mechanics later transformed the explanatory and predictive framework.

The relationship between Newtonian mechanics and relativity is different. Relativity revised concepts of space, time, motion, and gravity, but Newtonian calculations remain highly accurate for many objects moving much more slowly than light under weak gravitational conditions. Newtonian mechanics survives as an effective approximation within a restricted domain.

Quantum theory introduced another kind of transformation. Classical physics could not adequately explain phenomena such as atomic spectra and the behavior of matter at microscopic scales. Quantum theory did not make classical models useless; classical descriptions remain effective for many macroscopic systems and practical calculations.

These cases should not be compressed into one universal pattern of replacement. Scientific change can involve rejection, correction, extension, approximation, reinterpretation, or the coexistence of several models. A model may continue to work in one domain while failing in another.

Scientific progress therefore does not always move from a wholly false picture to a wholly true one. It often changes the questions scientists can ask, the quantities they can measure, the relations they can represent, and the range over which predictions remain reliable. This is a historical and philosophical interpretation, not a single law governing every science.

Every successful model remains open to reassessment because success is always success relative to specified evidence, purposes, and conditions.

If Models Are Incomplete, Why Do They Work?

The success of models can appear paradoxical. If a model omits features of its target or includes idealized assumptions, how can it produce accurate explanations and predictions?

There is no single answer that applies to every model. Some models capture causal relations; some approximate stable empirical patterns; some preserve relevant mathematical structures; and some produce reliable predictions within a limited range without offering a complete account of the underlying mechanism.

A useful model does not need to reproduce every feature of its target. It must represent, approximate, or track the features relevant to its stated purpose with sufficient reliability. What counts as sufficient depends on the question, the acceptable error, and the consequences of using the result.

A map provides a partial analogy. A road map, geological map, and weather map can represent the same territory differently because each serves a different purpose. Omitting individual trees may improve a road map, while omitting elevation could make another map inadequate. Selection is valuable only in relation to use.

Scientific models operate with a similar dependence on purpose, although their methods of construction and testing can be far more complex. A climate model, an epidemiological model, and a model of an atom omit different features, use different forms of evidence, and are evaluated by different criteria.

Accuracy should therefore not be confused with completeness. Accuracy itself must also be specified: a model may estimate one variable well, perform poorly at another scale, or become unreliable outside the range for which it was evaluated. A model’s success is always bounded by a domain and a standard of comparison.

What Do Models Teach Us About Knowledge?

Climate science, epidemiology, economics, engineering, and artificial intelligence all use computational models, but these models do not perform one identical epistemic function. Some explain mechanisms, some simulate possible scenarios, some estimate parameters, and others classify, predict, optimize, or generate outputs.

Computational power allows researchers to analyze relationships that cannot be calculated or inspected directly by unaided human reasoning. Greater complexity, however, does not automatically produce greater understanding or reliability. Complex models can contain uncertain parameters, incomplete data, hidden dependencies, and assumptions whose effects are difficult to trace.

Numbers, simulations, and visualizations may appear authoritative, but their meaning depends on how a model was constructed and evaluated. Users must ask what data entered the model, how variables were defined, which assumptions were imposed, how uncertainty was represented, and whether the model was tested against evidence independent of its construction.

Scientific confidence in a model can draw on several practices: comparison with observations, verification of calculations and code, validation for an intended use, sensitivity analysis, uncertainty quantification, replication, and comparison with alternative models. Not every practice applies in the same way to every field, but no model becomes reliable through visual or mathematical sophistication alone.

Transparency is valuable because it allows assumptions, data, and methods to be examined, but transparency alone does not guarantee validity. A fully documented model may still be poorly designed, while a model that predicts accurately may remain difficult to interpret. Reliability must be assessed in relation to purpose, evidence, limitations, and consequences.

The philosophical lesson is not that models are unreliable because they are incomplete. It is that their reliability is conditional. A model can provide genuine knowledge when its domain, assumptions, evidence, uncertainty, and intended use are understood.

To say that a model is not reality is therefore not to diminish science. It is to recognize how scientific understanding works: through selective, purpose-dependent representations that must remain answerable to the world they are used to investigate.

Wisdom may begin when we treat every model as a disciplined means of approaching reality, never as a substitute for reality itself.

References

Eddy, D. M., Hollingworth, W., Caro, J. J., Tsevat, J., McDonald, K. M., & Wong, J. B. (2012). ‘Model Transparency and Validation: A Report of the ISPOR-SMDM Modeling Good Research Practices Task Force–7’. Value in Health, 15(6), 843–850. DOI: 10.1016/j.jval.2012.04.012

Frigg, R., & Hartmann, S. (2020). ‘Models in Science’. In E. N. Zalta (Ed.), ‘The Stanford Encyclopedia of Philosophy’. Stanford University.

Giere, R. N. (2004). ‘How Models Are Used to Represent Reality’. Philosophy of Science, 71(5), 742–752. DOI: 10.1086/425063

Giere, R. N. (2006). ‘Scientific Perspectivism’. University of Chicago Press.

Intergovernmental Panel on Climate Change. (2021). ‘Climate Change 2021: The Physical Science Basis’. Cambridge University Press. DOI: 10.1017/9781009157896

Kuhn, T. S. (2012). ‘The Structure of Scientific Revolutions’ (4th ed.). University of Chicago Press. Original work published 1962.

Morgan, M. S., & Morrison, M. (Eds.). (1999). ‘Models as Mediators: Perspectives on Natural and Social Science’. Cambridge University Press.

National Research Council. (2012). ‘Assessing the Reliability of Complex Models: Mathematical and Statistical Foundations of Verification, Validation, and Uncertainty Quantification’. National Academies Press. DOI: 10.17226/13395

Rivadulla, A. (2004). ‘The Newtonian Limit of Relativity Theory and the Rationality of Theory Change’. Synthese, 141(3), 417–429.

Weisberg, M. (2013). ‘Simulation and Similarity: Using Models to Understand the World’. Oxford University Press.

거대한 천문대 안에는 천구의와 태양계 모형, 분자 구조, 수학적 도형, 공중에 떠 있는 디지털 시뮬레이션이 나란히 놓여 있습니다. 열린 돔 너머로는 어떤 모형으로도 모두 담아낼 수 없는 끝없는 밤하늘이 펼쳐집니다. 이 장면은 과학적 모형과 그것이 이해하려는 현실 사이의 관계를 상징합니다.

모형은 왜 현실이 아닌가? 과학적 모형과 세계 이해의 한계

과학적 모형은 왜 현실과 동일할 수 없을까요? 모형이 세계를 설명하면서 인간 이해의 한계도 드러내는 방식을 살펴봅니다.

과학에는 왜 모형이 필요할까?

과학적 탐구는 연구 대상 체계의 모든 측면을 한꺼번에 조사할 수 없습니다. 관찰은 선택적으로 이루어집니다. 연구자는 무엇을 측정할지, 어느 규모에서 측정할지, 어떤 기구를 사용할지, 어떤 질문을 위해 측정할지를 선택합니다. 아무리 상세한 자료도 일부 특징을 기록하는 동안 다른 특징은 측정하지 않은 채 남겨 둡니다.

모형은 과학자가 이러한 선택성 안에서 연구할 수 있게 합니다. 과학적 모형은 물리적 물체나 도표, 수학적 구조, 통계 체계, 개념적 도식, 컴퓨터 시뮬레이션일 수 있습니다. 모형은 대상의 일부 측면을 나타내고, 자료를 조직하며, 가정의 결과를 탐색하고, 실험을 안내하며, 유형을 설명하거나 예측을 생성할 수 있습니다.

현실을 표상하는 많은 모형은 대상을 단순화하거나 이상화합니다. 표면에 마찰이 없다고 가정하거나, 개체군이 완전히 혼합되어 있다고 보거나, 행위자가 합리적이라고 전제하거나, 기체를 서로 상호작용하지 않는 입자의 집합으로 다룰 수 있습니다. 이러한 가정은 문자 그대로는 거짓이면서도 명시된 조건 안에서는 유용할 수 있습니다.

단순화가 자동으로 장점이 되는 것은 아닙니다. 그 가치는 모형이 수행하려는 목적에 달려 있습니다. 생략된 요소가 하나의 질문에서는 무시할 수 있지만, 다른 질문에서는 결정적인 요소가 될 수 있습니다. 따라서 과학자는 모형의 가정과 추상화가 목적과 적용 영역에 적합한지를 검토해야 합니다.

모형은 분석하고 조작하고 증거와 비교할 수 있는 체계를 만들어 탐구를 가능하게 합니다. 과학은 현실에 대한 하나의 완전한 이미지를 만들어 발전하는 것이 아니라, 서로 다른 질문에 적합한 여러 표상을 개발하고 검증하면서 발전합니다.

성공적인 모형은 왜 바뀔까?

과학적 모형은 특정한 목적과 조건을 위해 만들어지며, 그 목적과 조건은 달라질 수 있습니다. 새로운 관찰과 기구, 수학적 기법, 연구 질문은 모형이 사용되는 영역에서 더 이상 충분하게 기능하지 못한다는 점을 드러낼 수 있습니다.

천문학의 역사는 복잡한 형태의 모형 변화를 보여줍니다. 프톨레마이오스의 천동 모형은 정교한 행성 위치 예측을 제공했습니다. 코페르니쿠스는 움직이는 지구를 중심으로 행성 운동을 재구성했지만, 그의 초기 체계가 모든 예측에서 곧바로 프톨레마이오스 체계를 능가한 것은 아니었습니다. 이후 케플러의 타원 궤도와 갈릴레이의 관측, 뉴턴 역학이 설명과 예측의 틀을 변화시켰습니다.

뉴턴역학과 상대성이론의 관계는 이와 다릅니다. 상대성이론은 공간과 시간, 운동, 중력의 개념을 수정했지만, 빛보다 훨씬 느리게 움직이고 중력이 약한 조건에 있는 많은 물체에는 뉴턴식 계산이 여전히 매우 정확합니다. 뉴턴역학은 제한된 영역에서 유효한 근사로 남아 있습니다.

양자이론은 또 다른 종류의 변화를 가져왔습니다. 고전물리학은 원자 스펙트럼과 미시적 규모의 물질 거동 같은 현상을 충분히 설명하지 못했습니다. 그러나 양자이론이 고전 모형을 쓸모없게 만든 것은 아닙니다. 고전적 설명은 많은 거시 체계와 실용적인 계산에서 여전히 유효합니다.

이 사례들을 하나의 보편적인 교체 유형으로 압축해서는 안 됩니다. 과학적 변화에는 거부와 수정, 확장, 근사, 재해석, 여러 모형의 공존이 포함될 수 있습니다. 하나의 모형이 특정 영역에서는 계속 작동하면서 다른 영역에서는 실패할 수 있습니다.

따라서 과학적 진보가 언제나 완전히 거짓인 그림에서 완전히 참인 그림으로 이동하는 것은 아닙니다. 과학자가 제기할 수 있는 질문과 측정할 수 있는 양, 표상할 수 있는 관계, 신뢰할 수 있는 예측의 범위를 바꾸는 경우가 많습니다. 이는 모든 과학을 지배하는 하나의 법칙이 아니라 역사적·철학적 해석입니다.

성공적인 모형도 계속 재검토될 수 있습니다. 성공은 언제나 명시된 증거와 목적, 조건에 상대적인 성공이기 때문입니다.

모형이 불완전하다면 왜 작동할까?

모형의 성공은 역설처럼 보일 수 있습니다. 모형이 연구 대상의 일부 특징을 생략하거나 이상화된 가정을 포함한다면 어떻게 정확한 설명과 예측을 제공할 수 있을까요?

모든 모형에 적용되는 하나의 답은 없습니다. 어떤 모형은 인과관계를 포착하고, 어떤 모형은 안정적인 경험적 유형을 근사하며, 어떤 모형은 관련된 수학적 구조를 보존합니다. 기초 기제를 완전하게 설명하지 않으면서도 제한된 범위에서 신뢰할 만한 예측을 제공하는 모형도 있습니다.

유용한 모형은 연구 대상의 모든 특징을 재현할 필요가 없습니다. 명시된 목적에 관련된 특징을 충분히 신뢰할 수 있는 수준으로 표상하거나 근사하고 추적해야 합니다. 무엇이 충분한지는 질문과 허용할 수 있는 오차, 결과를 사용할 때 발생할 수 있는 영향에 따라 달라집니다.

지도는 부분적으로 유사한 사례를 제공합니다. 도로 지도와 지질도, 일기도는 목적이 서로 다르기 때문에 동일한 지역을 서로 다르게 나타냅니다. 개별 나무를 생략하면 도로 지도가 더 유용해질 수 있지만, 고도를 생략하면 다른 지도는 부적절해질 수 있습니다. 선택은 용도와 연결될 때만 가치를 가집니다.

과학적 모형도 이와 비슷하게 목적에 의존하지만, 모형을 만들고 검증하는 방법은 지도보다 훨씬 복잡할 수 있습니다. 기후 모형과 역학 모형, 원자 모형은 서로 다른 특징을 생략하고 서로 다른 형태의 증거를 사용하며 서로 다른 기준으로 평가됩니다.

따라서 정확성을 완전성과 혼동해서는 안 됩니다. 정확성이 무엇을 뜻하는지도 구체적으로 밝혀야 합니다. 하나의 모형이 어떤 변수는 잘 추정하지만 다른 규모에서는 제대로 작동하지 않거나, 평가된 범위를 벗어나면 신뢰할 수 없게 될 수 있습니다. 모형의 성공에는 언제나 적용 영역과 비교 기준이 존재합니다.

모형은 지식에 관하여 무엇을 가르칠까?

기후과학과 역학, 경제학, 공학, 인공지능은 모두 계산 모형을 사용하지만, 이 모형들이 동일한 인식론적 기능을 수행하는 것은 아닙니다. 어떤 모형은 기제를 설명하고, 어떤 모형은 가능한 시나리오를 모의실험하며, 어떤 모형은 모수를 추정합니다. 분류와 예측, 최적화, 결과물 생성에 사용되는 모형도 있습니다.

계산 능력은 연구자가 인간의 도움 없는 추론만으로 계산하거나 직접 조사할 수 없는 관계를 분석하게 합니다. 그러나 복잡성이 증가한다고 이해나 신뢰성이 자동으로 커지는 것은 아닙니다. 복잡한 모형에는 불확실한 모수와 불완전한 자료, 숨겨진 의존관계, 영향을 추적하기 어려운 가정이 포함될 수 있습니다.

숫자와 시뮬레이션, 시각화는 권위 있게 보일 수 있지만, 그 의미는 모형이 만들어지고 평가된 방식에 달려 있습니다. 어떤 자료가 모형에 입력되었는지, 변수를 어떻게 정의했는지, 어떤 가정을 적용했는지, 불확실성을 어떻게 표현했는지, 모형 제작에 사용되지 않은 독립적인 증거로 검증했는지를 물어야 합니다.

모형에 대한 과학적 신뢰는 관찰과의 비교, 계산과 코드의 검증, 특정 용도에 대한 타당성 확인, 민감도 분석, 불확실성 정량화, 재현, 대안 모형과의 비교에서 나올 수 있습니다. 이러한 실천이 모든 분야에 똑같이 적용되는 것은 아니지만, 시각적 또는 수학적으로 정교하다는 이유만으로 모형이 신뢰성을 얻지는 않습니다.

투명성은 가정과 자료, 방법을 검토할 수 있게 한다는 점에서 중요하지만, 투명성만으로 타당성이 보장되지는 않습니다. 완전히 공개된 모형도 잘못 설계될 수 있으며, 정확하게 예측하는 모형도 해석하기 어려울 수 있습니다. 신뢰성은 목적과 증거, 한계, 결과를 함께 고려하여 평가해야 합니다.

여기서 얻을 수 있는 철학적 교훈은 모형이 불완전하므로 신뢰할 수 없다는 것이 아닙니다. 모형의 신뢰성이 조건부라는 것입니다. 적용 영역과 가정, 증거, 불확실성, 사용 목적을 이해한다면 모형은 실제 지식을 제공할 수 있습니다.

따라서 모형이 현실이 아니라고 말하는 것은 과학의 가치를 낮추는 일이 아닙니다. 이는 과학적 이해가 어떻게 작동하는지를 인정하는 일입니다. 과학적 이해는 세계를 조사하기 위해 사용되며 현실의 응답을 계속 받아야 하는 선택적이고 목적 의존적인 표상을 통해 이루어집니다.

모든 모형을 현실에 접근하기 위한 규율 있는 수단으로 대하되, 현실 자체를 대신하는 것으로 여기지 않을 때 지혜가 시작될 수 있습니다.

참고문헌

데이비드 M. 에디 외. ‘모형의 투명성과 타당성 검증: ISPOR-SMDM 모형화 우수 연구 실무단 제7차 보고서’. ‘밸류 인 헬스’ 제15권 제6호, 2012년, 843–850쪽. 보건의료 모형의 투명성, 검증, 타당성 평가를 위한 실무 기준을 제시한 논문입니다. DOI: 10.1016/j.jval.2012.04.012

로만 프리그·슈테판 하르트만. ‘과학에서의 모형’. 에드워드 N. 잘타 편집, ‘스탠퍼드 철학백과’ 수록. 스탠퍼드대학교, 2020년. 물리적 모형과 수학적 모형, 시뮬레이션 등 과학적 모형의 여러 유형과 표상 및 설명 기능을 종합적으로 검토한 학술 항목입니다.

로널드 N. 기어리. ‘모형은 현실을 표상하기 위해 어떻게 사용되는가’. ‘과학철학’ 제71권 제5호, 2004년, 742–752쪽. 과학자가 특정한 목적을 위해 모형을 사용하여 세계의 일부 측면을 표상한다는 관점을 제시한 논문입니다. DOI: 10.1086/425063

로널드 N. 기어리. ‘과학적 관점주의’. 시카고대학교출판부, 2006년. 관찰과 이론 및 모형이 특정한 관점과 목적에 의존하면서도 객관적인 지식을 제공할 수 있는 방식을 논한 연구서입니다.

기후변화에 관한 정부간 협의체. ‘기후변화 2021: 과학적 근거’. 케임브리지대학교출판부, 2021년. 기후 모형의 구성과 평가, 관측 자료와의 비교, 불확실성, 기후 전망을 종합한 공인 평가보고서입니다. DOI: 10.1017/9781009157896

토머스 S. 쿤. ‘과학혁명의 구조’. 제4판. 시카고대학교출판부, 2012년. 1962년에 처음 출판된 저작입니다. 과학적 변화가 단순한 지식 축적이나 적용 범위의 확장만이 아니라 개념과 문제 설정의 변화도 포함할 수 있음을 설명합니다.

메리 S. 모건·마거릿 모리슨 편집. ‘매개자로서의 모형: 자연과학과 사회과학의 관점’. 케임브리지대학교출판부, 1999년. 과학적 모형이 이론과 자료 및 현실을 매개하며 표상, 탐색, 설명에 사용되는 방식을 분석한 논문집입니다.

미국 국립연구위원회. ‘복잡한 모형의 신뢰성 평가: 검증과 타당성 확인 및 불확실성 정량화의 수학적·통계적 토대’. 미국국립학술원출판부, 2012년. 계산 모형의 코드 검증과 현실 적합성 평가, 불확실성 정량화에 필요한 기준을 다룬 공인 보고서입니다. DOI: 10.17226/13395

안드레스 리바둘라. ‘상대성이론의 뉴턴적 극한과 이론 변화의 합리성’. ‘신테제’ 제141권 제3호, 2004년, 417–429쪽. 뉴턴역학이 상대성이론과 무관하게 폐기된 이론이 아니라 특정한 조건에서 나타나는 극한적 근사로 이해될 수 있는지를 검토한 논문입니다.

마이클 와이스버그. ‘시뮬레이션과 유사성: 세계를 이해하기 위한 모형의 사용’. 옥스퍼드대학교출판부, 2013년. 과학적 모형의 이상화와 표상, 유사성, 다중 모형 사용을 체계적으로 분석한 과학철학 연구서입니다.

Previous Episode - The Reality of Data: The Boundary Between Factual Truth and Measurable Interpretation

Related Label - Science

Next Episode - Why Does the Universe Have Order?: Natural Laws and a Predictable World