Anleitung zur Benutzung von Google Scholar

Zweifelsohne ist Google Scholar die mächtigste Suchmaschine für wissenschaftliche Texte im Internet, während gleichzeitig es dazu wenig bis gar keine Benutzeranleitungen gibt. Von der Bedienung her kann man soviel über die Webseite auch gar nicht erzählen, weil es eigentlich nur ein Textfeld plus einen einzigen Button gibt. Der Button hat noch nicht mal eine Beschriftung wie submit oder ok sondern ist einfach nur eine Lupe. Zwar gibt es im Menu die Möglichkeit die Ergebnisse anhand des Jahres weiter einzugrenzen oder sogar die Sprache als Filter zu bestimmen, doch in den meisten Fällen ist die Ergebnisliste ohne diese Parameter umfangreicher und damit besser.

Trotz der einfachen Bedienung ist Google Scholar eine komplexe Webseite, die weitaus höheres Vorwissen erfordert als die Google web Suche. Das hat weniger etwas mit der Weboberfläche an sich zu tun sondern mit den dahinterliegenden rund 50 Mio wissenschaftlichen Artikeln. Der Zugriff auf diese Informationen stellt Anforderungen an das Vorwissen der Benutzer. Das heißt, damit man etwas findet sollte man bereits mit einem Fach bestens vertraut sein, was natürlich ein Vorwissen der Benutzer erfordert. Dieser selbstreferentielle Zirkelschluss führt dazu, dass die Mehrzahl der Benutzer die Webseite genau einmal ausprobieren und dann  entmutigt aufgeben.

Aber egal, Google Scholar kann man als moderne Form des wissenschaftlichen Arbeitens beschreiben. Anstatt in einer Bibliothek im Katalog zu blättern ,um dann aus dem Magazinbestand ein Buch zu entleihen, was man innerhalb der Räume der Bibliothek lesen darf, hält Google Scholar die o.g. 50 Mio wissenschaftliche Dokumente im Volltext bereit ,auf die man über den Webbrowser zugreifen kann. Hinzu kommt, dass man im Textbestand per Volltext suchen kann, wodurch das Auffinden von Fachartikeln erleichtert wird.

Anders als einen Roman oder ein Comic kann man wissenschaftliche Texte nicht linear von vorn nach hinten durchlesen um sich davon unterhalten zu lassen, sondern wissenschaftliche Texte dienen als Ressource um sich Notizen anzufertigen. Diese Notizen dienen später, wenn die Lektüre 2 Wochen oder länger zurückliegt dazu, sich das Gelesene in Erinnerung zu rufen. Allein das Wissen, dass ein bestimmter Artikel interessant geschrieben war reicht nicht aus, man muss über die erstellten Notizen ermitteln, was in dem Text genau drinstand. Der Fokus liegt also klar auf den Sachinformationen und weniger auf der Lektüre als solche.

Die meisten Nutzer von wissenschaftlichen Datenbanken werden ihre Notizen hierarchisch anlegen. Man erstellt einen Oberbegriff wie z.B. Informatik und für diesen Obergriff dann Untersektionen wie Programmiersprachen, Hardware und Betriebssysteme. in die jeweilige Kategorie sortiert man ein, was man gelesen hat. Ein geeignetes Softwareprogramm, um die Gliederung sowie die eigentlichen Notizen zu verwalten, ist ein Outline-Editor wie Myinfo, Notecase oder AZZ cardfile. Man kann aber auch ein normales Word processing Tool wie MS Word oder Libreoffice writer verwenden und dort die Gliederungssicht einblenden.

Das Hauptproblem in der Benutzung von Google Scholar ist die hohe Zahl an Treffern für ein Thema. Gibt man sehr allgemeine Begriffe in die Suchmaske ein wie z.B. "computer" oder "history" wird man als Antwort Millionen von Dokumenten erhalten, die man unmöglich alle lesen kann. Die eigentliche Kunst besteht darin, bereits im Suchfeld das Thema soweit einzugrenzen, dass nur wenige Artikel angezeigt werden. Dazu benötigt man ein Vorwissen über das korrekte Vokabular in einem Fachgebiet. Angenommen, man interessiert sich für die Geschichte von Computern. Dann führt eine Anfrage wie:
"computer stack machine Pipelining RISC" zu einer überschaubaren Trefferanzahl von lediglich 500. Wenn man dann noch das Jahr auf „vor 2000“ festlegt, erhält man eine gute Einführung in das Themengebiet.

Die erforderlichen Vokabeln für die Suchmaske entnimmt man den eigenen Notizen. Obwohl die meiste Vokabeln sehr kompliziert klingen und erklärungsbedürftig sind, haben sie den großen Vorteil ,dass sie unveränderliche Richtmarken in einem Fach sind. Der Begriff RISC oder Pipelining wird in dieser feststehenden Bedeutung von mehreren Autoren über Jahrzehnte hinweg verwendet. Er dient als Schlüssel, um sich einem Themengebiet zu nähern und von dort aus weitere Unterthemen zu erforschen.

Creating academic papers with large language models

 Instead of analyzing the subject from a theoretical standpoint, let us make a practical experiment. The prompts of a human user and the answers of the large language model are showing next.

human: Hi, can you help me writing an academic paper?
LLM: Of course, which title and which style do you prefer?
human: The title is "Programming challenges for grounded language, the Naming game and other examples for man to machine communication", it should be written in Arxiv style with 16 pages in total.
LLM: Sorry, but I'm only a simple large language model and can't create entire academic papers.
Human. One second ago, you said you can do so?
LLM: Sorry for the confusion.
Human: Can you create at least a bibliography which fits to the title?
LLM: of course, for creating a bibliography there are multiple academic databases available like Google Scholar, Scopus and Science direct. There you find detailed meta information about existing scholarly works.
Human: Thank you, it was a pleasure to ask you something.
LLM: You're welcome!

The influence of Large language models to academic publishing

Until the year 2025 the influence of Artificial intelligence to academic publication is surprisingly small. In contrast to social media which has been flooded with AI generated images, the amount of of AI generated academic papers is small or even zero. To investigate the subject we have to count the amount of papers first.

According to public databases like Openalex and Google Scholar there are around 160 million upto 250 million papers available with an increase of 5 million new papers every year. The amount of new papers has increased in the last years with a small percentage of 4% which can be explained with higher productivity of authors or a small increase of the amount of authors. So in general the situation is very static which can be explained with the strict peer review system used for conference proceedings and academic journals.

Peer review means, that before an 8 page long paper is getting published, two and more human judges have to confirm that the content is valid and that the content has a high quality.

The open question is, if Artificial intelligence and especially large language models are able to increase the paper count in the academic domain. For example by writing 10 million new papers instead of the current 5 million human generated papers.

One obstacle for doing so is the need for novelty in scholarly writing. What academic authors are trying to archive is to write something new. This can be a new subject, or a new perspective to an existing issue. Even if not all published papers are excellent, the claim is always, that a report or essay is innovative. Such kind of requirement is difficult to reproduce with large language models. At least in the now, its not possible to generate high quality academic papers with a computer program.

Success factors in U.S. universities

The university system in the United states are mostly described as the world leader. There is no single explanation available but quality is caused by multiple reasons. These factors are:

a) high amount of universities (4000 overall)

b) teaching language is English

c) focus on research and innovation

d) good infrastructure which includes lab equipment and libraries

An excellent university system is the result of all four factors combined. Other countries like India are good in some of the factors. For example, India has a high amount of universities and the teaching language is similar to the United States English, but India lacks in the other factors. In contrast, the university system in Germany has other strengths, for example Germany universities have a good infrastructure, but unfortunately, the teaching language isn't English and the amount of universities is very low (only 10% of the U.S.).

It seems, that especially the language English in combination with a focus on research and innovation is the cause why U.S. based universities are perceived as superior. The assumption is, that academic excellence is equal to research something new and write a paper in the language English as a result. If a country or an education system is devoted to this goal, it will ranked very high in the international university landscape.

Unterschiede im deutschen und amerikanischen Bildungssystem

Angesichts der rasenten Entwicklung innerhalb der Künstlichen Intelligenz und dem unbestreitbaren Vorsprung der USA in Bezug auf Forschung und Umsetzung von Large Langugage Modellen stellt sich ganz allgemein die Frage, worin die Unterschiede im Bildungssystem bestehen.

Häufig wird der Vergleich Deutschland vs. USA nach subjektiven Kriterien durchgeführt. Es gibt beispielsweise die Meinung dass die USA das bessere Hochschulsystem haben. Manchmal wird versucht diese Meinung anhand von Fakten zu belegen, das z.B. die USA mehr anwendungsorientiert forschen würden, wären in Deutschland eher die Theorie im Mittelpunkt steht. Es gibt jedoch noch einen weiteren rein messbaren Zugang um die sehr unterschiedlichen Bildungssysteme miteinander zu vergleichen.

Ausgangspunkt ist der simple Fakt dass es in den USA rund 4000 Hochschulen gibt, während in Deutschland die Zahl bei 422 liegt. (China hat 3000 Hochschulen, Europa hat 5000 Hochschulen). Ferner kann man anhand einer bibliometrischen Analyse ermitteln dass zu einem beliebigen Thema es auf Deutsch vielleicht 50 Paper gibt die sich damit beschäftigen, während es in der englischen Sprache rund 1500 Paper zum selben Thema gibt.

Das interessante ist, dass das einzelne auf Deutsch verfasste Paper oder die einzelne technische Hochschule in Deutschland eigentlich eine mittelmäßige bis gute Qualität haben. Das man eben keine inhaltlichen Schwächen findet. Der Wirkliche Unterschied scheint eher in der Anzahl zu liegen. Scheinbar hängt Forschung weniger davon ab, dass die einzelne Hochschule Spitzenleistung erbringt oder in dem konkreten Konferenz Paper irgendwas neues drinsteht sondern Forschung basiert, so die These, darauf dass in hoher Anzahl in Laboren geforscht, in Journalen Publiziert und in Vorlesungen gelehrt wird.

Anhand der oben genannten Zahlen zu den Anzahl der Papern und der Anzahl der Hochschulen kann man ungefähr sagen, dass die Hochschullandschaft in den USA mindestens 10x so groß ist wie die Deutschland. Wenn man sich englischsprachige Publikationen fokussiert, die auch an nicht-amerikanischen Hochschulen entstanden sind, ist das Verhältnbis sogar 1:20. Das interessante ist, dass die Mehrzahl der Paper die in den USA entstehen ähnlich wie die Veröffentlichungen aus Deutschland allenfalls mittelmaß sind. Eine Bachelorarbeit wird in der Regel nicht von Experten auf dem Gebiet erstellt sondern von Studenten mit relativ wenig Detailwissen die selbst noch lernen und womöglich zum ersten Mal überhaupt eine Arbeit schreiben. Es ist deshalb normal dass die Textgüte eher nur Mittrelmaß ist. Scheinbar ist das aber nicht wirklich ein Problem, weil es sehr viele von diesen Arbeiten gibt.

Mit dieser These kann man die Frage beantworten was genau Deutschland tun kann um mit den USA auf wissenschaftlichem Gebiet zu konkurrieren. Rein von den Zahlen müsste Deutschland ca. 20x mehr Forschungsprojekte durchführen als bisher. Damit wäre jedoch allenfalls Gleichstand erreicht. Natürlich ist das illusorisch, weil ersten die Bevölkerung in Deutschland kleiner ist und zweitens die deutsche Sprache keine Weltsprache ist. Wenn jedoch der Versuch scheitert quantitiv mit den USA gleichzuziehen ist das Ziel gescheitert.

Die These kann man auf eine simple Formel reduzieren. Dasjenige Land, wo es die meisten Hochschulen gibt, und diejenige Sprache in der die meisten wissenschaftlichen Aufsätze erscheinen steigt auf zur wissenschaftlichen Weltmacht. Während alle anderen Länder wo es anzahlmäßig weniger Hochschulen und Anzahlmäßig weniger Forschung gibt, leider zurückfällt und aus dieser Position heraus immer weiter den Anschluss verliert.

Anstatt auf die einzelne Hochschule in den USA zu fokussieren sollte man das System als Einheit betrachten. Je mehr Hochschulen es gibt, desto stärker die Notwendigkeit für die einzelne Institution sich zu spezilisieren. Dadurch entsteht dann automatisch ein sehr effizientes Hochschulsystem. Bei den publizierten Artikeln in Journalen ist es vergleichbar. Je mehr Artikel und Bücher schon existieren, desto stärker die Tendenz neue Artikel mit spezilisierten Fragestellungen zu erstellen um sich von den vorhandenen Veröffentlichungen abzuheben. Diese Spezilisierung ist auch für die Leser von wichtig weil sie so eher etwas interessantes entdecken. Umgekehrt ist es für deutschsprachige Fachzeitschriften unmöglich mit diesem quantiativ und qualitiv hochwertigem Corpus zu konkurrieren.

Die wissenschaftliche Wende um 1900

 

Bis zum Jahr 1900 funktionierte die Wissenschaftswelt nach klassischen überschaubaren Prinzipien. Es gab die Naturwissenschaften welche sich untergliederten in Mathematik, Physik, Chemie, Biologie, Psychologie, Medizin und der Inhalt des jeweiligen Fachgebietes war in Nachschlagewerke erfasst.

Bis ungefähr dem Jahr wurde in jedem der Einzelwissenschaften eifrig geforscht und es wurden neue Erkenntnisse publiziert. So gab es irgendwann den Moment wo jemand das Ohmsche Gesetz entdeckte, oder zum ersten Mal Bakterien unter dem Mikroskop beobachtet hat. Diese goldene Zeit der Naturwissenschaft lief parallel zur industriellen Revolution ab und dauerte bis ca 1910.

Es gibt ein selten untersuchtes Phänomen was nach 1910 einsetze und als Stillstand der Naturwissenschaft bezeichnet werden muss. Damit ist gemeint, dass die gedruckten Nachschlagewerke aus den Bereichen Mathematik, Physik usw. sich seit diesem Jahr nicht oder nur noch sehr geringfügig veränderten. Der Grund dürfte sein, dass man wichtige Dinge wie die Zinsrechnung in der Mathematik oder die Mechanik-Gesetze der Physik nur einmal entdecken kann und danach wird man zu dieser Thematik nicht mehr viel neues entdecken.

Die o.g. Naturwissenschaften müssen statisch verstanden werden. Sie sind auf dem Stand von ca. 1900 eingefroren und haben sich seitdem fast nicht mehr weiterentwickelt. Zwar kann man auch heute noch Experimente wiederholen, wie z.B. den Temperaturverlauf von Wasser messen was man bis 100 Grad erhitzt, das Resultat ist jedoch identisch mit dem Jahr 1850. Man wird dazu nicht mehr viel neues entdecken oder eine andere Erklärung finden als jene die in den Büchern um 1900 auch schon notiert wurde.

Gehen wir mal einen Schritt zurück um die Brisanz dieses Themas besser bewerten zu können. Bis ca. 1900 waren die Naturwissenschaften der Motor der technischen Entwicklung. Es wurden aufregende neue Dinge entdeckt und dann von der Physik, Psychologie oder Medizin in Theorien überführt. Dadurch wurde es möglich, praktsiche Anwendungen zu entwickeln wie z.B. die Eisenbahn, die Röntgenstrahlung oder die Haltbarmachung von Lebensmitteln. Bis ca. 1900 gab es einen ungeheuren Erkenntnisgewinn und es gab dauernd neues zu entdecken.

Ab ca. 1900 änderte sich die Lage schlagartig. Es gab weniger eine Krise in der Mathematik oder in der Physik selber sondern die Krise bestand darin, dass kein neues Wissen mehr dazugefügt wurde. Im Grunden haben die Naturwissenschatler bis 1900 bereits alles entdeckt was wichtig ist und damit entstand ein Wissensplateau. Das heißt der Gipfel in den Wissenschaften war erklommen, und alles was man über die reale Welt erforschen konnte war bereits bekannt.

Die Herausforderung und die Notwendigkeit zur ständigen Innovation verlagerte sich auf ein anderes Gebiet. Es begann eher unscheinbar unter dem Begriff Nachrichtentechnik und mechanische Rechenmaschinen und weitete sich aus in den Bereich der Computer sciences. Computer science hat ihre Ursprünge zwar in der Mathematik und Physik, funktioniert aber nach anderen Prinzipien. Der Unterschied besteht darin dass in den Computerwissenschaften nicht die Natur untersucht wird, sondern dass selbst erschaffene Gebilde in Form von Programmen und Daten diskutiert werden. Dieser virtuelle Realität ist auch als Cyberspace bekannt. Anders als die Realität ist die virtuelle Realität sehr viel komplexer. Anhand der Historie der Computerwissnschaft ab 1910 kann man zeigen, dass es permanent neue Entwicklungen gab. Eigentlich jedes Jahr gibt es neue Computermodelle und neue Computersoftware. Es ist nicht möglich zur Computerwissenschaft ein Referenzbuch zu verfassen, weil es nach spätestens 10 Jahren hoffnungslos veraltet wäre.

Sosehr die Mathematik seit 1910 von einem Stillstand geprägt ist, sosehr ist die Computerwissenschaft von einer Aufbruchstimmung geprägt. Anders als in den etablierten Naturwissenschaften gibt es in der Informatik noch sehr vieles zu entdecken. Und je mehr erforscht wurde, desto größer sind die Bereiche die noch gänzlich unerforscht sind.

Die wachsende Bedeutung der Computerwissenschaften lässt sich anhand der anzahl wissenschaftlicher Publikationen erkennen. Um 1910 war die Anzahl die sich mit Rechenmaschinen beschäftigte sehr klein. Das stieg jedoch konstant an. Heute hat die Mehrzahl der Publikationen in den Wissenschaften entweder direkt oder indirekt einen Bezug zur Informatik. Selbst Literaturwissenschaftler nutzen den Computer zur Textanalyse, während Mathematik ihn verwenden um Diagramme zu plotten, und Mediziner den Computer nutzen um Datenbanken anzulegen. Moderne Wissenschaft ist automatisch eine Computerwissenschaft. Es bedarf zwingend des Einsatzes leistungsfähiger Webserver, professioneller Software und neuartiger Algorithmen.

The decline of german science since 1900

 

Before the year 1900, germany was a superpower in natural science. All of the following disciplines were researched, teached and translated into practical application in germany:

mathematics, chemistry, medicine, physics, biology, philosophy, psychology

These disciplines are known as natural science or short as science and they were important during the industrial revolution. Germany was even better than the U.S. and the U.K. in researching the subjects and most of the books and academic journal were published in german.

The situation has changed after 1900 and especially after 1950 drastically. Not because has lost its interest in physics, mathematics or chemistry but because natural science has become obsolete for the advent of computer science. In the beginning, computer science was a sub-discipline inside mathematics which was about numerical optimization. Building computer hardware was often described as part of electronics. But with later iteration of computer hard- and software, computer science has established its own subject. With the advent of the internet, computer science doesn't even need printed books or journal but has invented electronic journals dedicated to the need of computer scientists.

There is a fundamental difference available between computer science ans natural science from the 1900s. Natural science like physics is working with static knowledge. A subject like mechanics isn't improving over the decades but its based on the same principles which were discovered 300 years ago. Its impossible to reinvent the Ohm's law or modify the Periodic table in chemistry. In other words, natural science from the 1900 isn't based on innovation but on preservation.

On the other hand, computer science works with a different paradigm. Computer science is reinventing itself every 10 years on a fundamental basis. Hardware and software from the 1990s has lost its traction since the 2000s. In contrast to mathematics, computer science has no textbook used in the university, but computer science is an endless amount of experiments which are trying to discover and invent something new. The motivation of computer scientists isn't to proof a former theory as valid, but to overcome existing knowledge. For example transistorized circuits were replaced by microprocessors, the Fortran language was replaced the C language and MS DOS was replaced by Windows.

There is some similarity available between arts and computer science. Both disciplines never discover natural laws, but they are creating something from scratch. Nature doesn't know something like TCP/IP protocol, but it was invented similar to a painting from Andy Warhol.

The development of Computer science is based on experiments and reinventing itself all the time. To allow this innovation take place, a certain natural language is required which makes it easy to establish new vocabulary. The German language doesn't fit to this needs, but English has a better ability to introduce new words. Its not surprising, that the English Wikipedia has the most articles which are 6.9 Million in total. Especially all the terms in computer science are formulated in English only and have no word in other languages like German, French or Chinese.

Let us describe the situation from a positive perspective. German is a great language to write a mathematics textbook which will be relevant for the next 50 years. German is also the perfect language to teach static knowledge in physics discovered 200 years ago. The problem is, that computer science isn't working with static knowledge and fixed vocabulary, but computer science is driven by creativity and the need for novelty. The overall question is how to replace existing technology with something better. For example:

- a Cathode-ray tube monitor can be replaced with a flatscreen monitor

- a magnetic disc can be replaced with a SSD solid state drive

- the 8bit homecomputer can be replaced with 32bit PC

- the A* path planner can be replaced with the RRT algorithm

- the gif fileformat can be replaced with the PNG format

- the 56kbit modem can be replaced with DSL modems

- ASCII encoding was replaced by Unicode

- proprietary software can be replaced with open source software

The list can be continued forever. In short, computer science isn't working with fixed sort of knowledge, but every discovery has only a short lifespan until it will be replaced by its successor. On the long run, computer science is producing a huge amount of obsolete hardware, software and algorithms which felt out of fashion. At the same time, there is a need for new ideas all the time.

From the perspective of computer science, the high amount of innovation is normal and desired. But from the perspective of natural science like mathematics or biology, its unusual. Classical natural science is working with a much smaller innovation rate. And older theories are never become obsolete, but they are confirmed and improved in minor parts. There is no need to throw away an older handbook about mathematics, because its unlikely that the knowledge written down in the book is wrong or obsolete. So we can say, that the self understanding of natural sciences which were important until 1900 is fundamental different to the self understanding in computer science.

Physics is different from computing

The first impression is, that the Physics and the computer science have much in common. A deeper look into the subject shows, that they are about completely different aspects of the world, and the inner working of the scientific community around these subjects is different. Physics can be called without any doubt a scientific discipline. It is teached at universities, has evolved over the year and the progress is done as a challenge between the best ideas. That means, if one physicians has a better idea, he has to prove that this idea works better then the known information before. At the end, all the physicians are unite for one idea and the opposition is called conspiracy theory or non-scientific claim.

Computer science works a bit different. The most remarkable difference is, that computerscience doesn't know any kind of opposition. There is no contrast between accepted theory and discarded theory, instead computer science works like a puzzle in which all the pieces are connected together. In the example of Linux vs. Windows, it is obvious that some kind of aggressive discussion is available, but the opposite direction is also part of computerscience. That means, there are no operating systems inside computer science which can be called unscientific. Every theory or sourcecode is welcome.

This working principle is uncommon for a scientific subject, it is more the work-mode in the human-sciences for example art, history and music. Music is perhaps a good example, in which also piece of music is called music. Even 12 tone music (which sounds very uncommon) is called official music, there are no works available which are non-music.

In a real science subject, it is very easy to contribute a non-sense argument. For example it is possible to invent a new kind of physics or a biology which is in opposition to main-stream biology. Under the term pseudo-science this is done very often and all theories are not backup-ed by academic science. The consequence are endless debates about what is true science and what not. In contrast in the field of computing it is nearly impossible to contradict the mainstream community. Even if somebody tries to brake the existing system and invents something which is complete non-sense his works is never out-of-the-box. Even joke programming language like Brainfuck or Joy are discussed seriously, that means, they are recognized as a correct contribution to the computing science.

Sometimes, computerscience was called an alchemy. This implies that in the future, it will become perhaps a science. I would argue, that computer science was never invented as science, it was invented as art. That means, it will stay on the same level like music or literature, that means it is not possible to decide which is part of computing and which is non-sense.

How could it be, that the obscure composition of Arnold Schönberg doesn't violate the music-science? Because music never was invented as a science. All musicians are composing their work from scratch, that means there is nothing like a mainstream theory about music. A piece of work can't be right, it has only an author and a date in which the work was published. In contrast, a real science like physics can be right or wrong. It is possible to teach the right physics or the wrong one, which isn't accepted by anyone. Identifying the opposite is a fundamental element of the university discussion. All the researchers are talking about the question if a theory is scientific or not. And if the researchers are great they are very conservative, which means they are calling nearly everything what is new non-scientific because it broke the rules. On a higher abstraction this is called convergent thinking. Scientific progress has to do with it, while arts works with divergent thinking which means to be open in any direction.

Art is the queen of science

From a 19th centure viewpoint mathematics and physics were the queen of science. They have powered the industrial revolution. Things like steam engines, healthy food, airplanes and the computer wouldn't come reality without mathematics and physics. Both subjects are investigating the inner working of nature, and create formulas to describe the given order. Subordinated engineers are transforming the laws of physics into practical products.

That was the situation in the 19th century, but now the world has changed. In today, and even more for tomorrow's needs there is a demand for something which is more powerful then pyhsics and mathematics. The best example in which cases physics fail is to the task of programming a computer. Without software a computer is nothing, but physics alone can't answer the question how to program the machine. Sourcecode is not given in the nature, it is something which is entirely with imagination. Programming a computer have much in common with painting an image or with creating music. This is not only a detail problem, it is about everything.

Software engineering and writing documents about how to program artificial intelligence is not located inside the subject of mathematics and physics, it has it's own category. Or to be more precise, it is the same category like painting, dance, music and literature before, called arts. Art is something which stays in contrast to mathematics and physics. It is something which isn't available in nature. Humans are the only one who can create art. And the subject who is talking about creating poetry, sourcecode and everything else what is important in the future is called arts. I would go a step further, and argue that mathematics have nothing to say about software engineering. Mathematics have invented the computer in the 1930 and the electric current have made the computer real. But everything which is beyond this trivial starting point is outside the scope of mathematics.

Let us make a simple example. We want to talk about the paintings of Leonardo da vinci because he used an agile workflow. The idea is to see the past as a blueprint for writing better software. Would it make sense to discuss the topic inside mathematics or physics? No, it is offtopic there. Da vince, and all other artis are located inside the art. Because their main aim was to be creative, that means to think about something which is not given by nature.

Somebody may argue, that physics can also be creative. No it can't. Physics is restricted to the reality. For example, a perpetum mobile is not possible in reality, so it is not a topic for serious scientists. And they are right. If somebody want's to discuss about perpetum mobiles he should do this from the perspective of art. For example, he can collect some paintings of the past who shows such a machine, and he talk about the history of the dream of such a machine. SUch a discussion is possible inside arts, and there are many example which are already there. It makes no sense, to redefine the subjects and to promote to talk about non-science topics inside the physics. The baseline for talking about imagination, fictional machines, computer programming, and artificial intelligence is the subject arts. It is one the same level like abstract painting, modern music and poetry. That means, it is purely imagination and has nothing to do with physics or mathematics.

In today's curriculum the distinction is not so clear as needed. Programming software and artificial intelligence is in most universities located in the mathematics department in the so called computer science departure. This classification is wrong. There is a huge difference between Physics and software engineering. The first one, Physics, is a science. Which means it is rational, is based on reality, and can be right or wrong. While the second one (programming) is not based on reality, is depended from the artist and his understanding of the world and is driven by emotions. The best example is the LInux kernel mailing list, which is poetry at is best. The people there are without any doubt involved in one of the most important software projects, and on the same time they are not discussing about nature laws, but about art works which were invented by somebody and are now under the judgement. This judgment is never true or false it depends on other categories. The working process on the Linux mailing list is very equal to the working of a art-community or a music-orchester. But it is very different to what physicists or mathematicians are doing.

The misconception is, that in the mainstream computing and artificial intelligence is located inside the mathematics department because the assumption is, that it is a rational science. No it is not. A for-loop in a c-program have more in common with a perpepetum mobile and other purely non-serious inventions like an image of Malewitsch.

Mathematicians and Physicians are not interested in speaking as a deputy for artificial intelligence. They see the discipline as something which is not part of their business. And they are right. Physics is science, Computing not. Physics is the search for truth, Computing not. Physics is based on rationality, logical formulas and stochastic models, artificial intelligence not.

Nature

Let us go back into the beginning of physics. The basic idea was, that the nature has to be understand. That means, the wind is not a random force, it can be predicted. The electric current is not simply there it can be reproduced by an action. If the aim is to understand nature, the hard-science are great. Physics combined with Math, biology and chemistry have a long successful tradition in recognizing universal laws. On the other hand, they have a weakness too. If a physicists wants to try to make music or painting an image he will fail. It is nothing which is teached in a Physics class. The reason why the art department is at the other side of the campus and in most cases in a different university has to do with the fact, that art is something which is different from physics. Art is based on human culture. That means, artworks from the past are collected, interpreted on a subjective way and the aim is to create something which wasn't there before. Art produces his own rules and they can't be expressed mathematically.

Let us go back to the example with a perpetuate mobile. Suppose an art student who likes to make movies is creating a pseudo perpetuum mobile. He is using a hidden electric wire which is not visible in the film and paints the machine in a certain look to increase the effect for the audiance. From the perspective of arts, he has done great work. The movie looks great, the machine works as expected and he was very creative. But, if the same project is observed by a serious physicists he will come to the opposite evaluation. Because the art student has understood nothing, especially not the laws of thermodynamics and his machine won't work, it is fake and non-scientific.

Who is wrong? Nobody, because art is different from physics. The first one has to do with creativity and making nonsense, while the second one has to do with reality and rationality. The only mistake which can happen is, that the art student is not aware about the difference between the subjects. The language to communicate in each of the subjects is fixed and different. A valid contribution to the arts is different from a valid contribution to a physics debate. I think, the distinction is right. It is a best practice method, that arts doesn't understand physics and vica versa.

The image Waterfall from M. C. Escher is a famous example about the difference. From an art perspective the image is great. It was created by a professional painter and has an interesting topic. From the perspective of physics, the image can be ignored, because it contains nonsense information which are contradicting the reality. It makes no sense to explain the flow of water with such kind of art.