se stets eine einzige, einfache, grundsätzliche Erklärung geben.

¢  Pragmatismus: Es gibt viele Wege zu    einer zutreffenden, wenn auch nur teilweise darstellenden Repräsentation der Natur, zu der verschiedene Grade der Verallgemeinerung und unterschiedlichen Abstraktionsebene gehören.

¢ Dynamik des Wissens:  Anstelle eines statischen Universalismus geht Mitchell von   einem Wissen aus, das sich immer weiter entwickelt und uns nötigt, neue Wege zur Erkenntnis der Natur zu suchen.

Die Vorstellung, es gebe für die Welt nur   eine einzige wahre Abbildung, die genau ihrem natürlichen Wesen entspricht, ist vermessen. Jede Abbildung ist im besten Falle unvollständig, idealisiert und abstrakt. Genau wegen dieser Eigenschaften sind Abbildungen zwar nützlich, sie setzen aber auch eine Grenze für unsere Behauptungen über die Vollständigkeit jeder einzelnen Wiedergabe. Die Standards, die eine bestimmte Abbildung rechtfertigen, setzen sich aus Maßstäben für Voraussagekraft, Widerspruchsfreiheit, Stich­haltigkeit und Relevanz zusammen.

Statt den heutigen Stand der naturwissenschaftlichen Kenntnisse weiterhin in das zur Zwangsjacke gewordene Korsett einer reduktiven, fundamentalen, monistischen Sichtweise zu zwängen, ändern wir mit der Erweiterung unseres begrifflichen Rahmens das ganze Bild dessen, was wir als legitime Wissenschaft betrachten. Wir müssen lernen, die Welt als ein reichhaltiges, vielgestaltiges, verwobenes Gefüge aus vielen Erklärungen und Erklärungsebenen, die integriert werden müssen, zu verstehen.

Die reduktionistische Annahme, man könne alle komplex zusammengesetzten Strukturen und Systeme ausschließlich durch Untersuchung der Eigenschaften ihrer einfachsten Bestandteile restlos klären, lässt sich nicht aufrechterhalten. Auch müssen wir unsere Vorstellungen von Kausalität erweitern. Sie müssen die komplexen Wechselbeziehungen einschließen, die in biologischen Systemen häufig vorkommen. Daraus ergibt sich als Folgerung, dass Determinismus nicht mehr zu Vorhersagbarkeit führt. Wechselbeziehungen zwischen Einzelteilen können zu neuen Eigenschaften führen, die keines der Einzelteile besitzt, und diese Eigenschaften höherer Ordnung können ihrerseits kausal wirken. Man hat es dann mit vorwärts und rückwärts gerichteten Rückkopplungsschleifen zu tun, die nicht linear sind, sondern    äußerst empfindlich auf anfängliche und später entstehende äußere Bedingungen reagieren.

Aus der Nichtlinearität bzw. dem Chaos von Systemen ergeben sich Folgerungen. Chaotische Verhaltensweisen sind zwar determini­stisch, lassen sich aber nicht vorhersagen, weil sie empfindlich auf unmessbar kleine Abweichungen der anfänglichen und sich später entwickelnden Rahmenbedingungen reagieren. Verändert sich ein Parameter eines nichtlinearen Systems, tauchen qualitativ neue Lösungen auf (Gabelungen). Zwei Punkte können sich in einem solchen System auf ganz unterschiedliche Weise bewegen, auch wenn der Unterschied in ihrer Ausgangsstellung sehr gering war. Dies gilt beispielsweise für Wetterphänomene, Turbulenzen in Flüssigkeiten oder Kristallwachstum. Man spricht hier von „Schmetterlingseffekt“ in Anspielung auf den Gedanken, dass Flügelschläge eines Schmetterlings in Brasilien in Texas einen Wirbelsturm auslösen können.

Um herauszufinden, welchen Ergebnisraum ein chaotisches System durchstreifen kann, braucht man Simulationen anstelle von Labor- oder Freilandexperimenten. Modelle mit Differentialgleichungen, die in Newtonischen Systemen hervorragend funktionieren, sind für chaotische Systeme völlig unzureichend. Die Erkenntnistheorie hat darunter gelitten, dass sie an alten, ungeeigneten Weltanschauungen und logischen Unterscheidungen festhielt, die keine Verbindung zu der Wirklichkeit haben, auf die sie sich angeblich beziehen. Strategien auf der Grundlage traditioneller, aus der Physik abgeleiteter Vorstellungen der wissenschaftlichen Methode suchen Erklärungen ausschließlich in einer vermuteten grundlegenden Einfachheit: Komplexes wird in einfache Elemente zerlegt, und dann sucht man in deren Vielfalt nach angeblich allgemeingültigen Gemeinsamkeiten. Gleichzeitig schirmt man die Systeme von den unterschiedlichen Einflüssen des Zusammenhangs ab, um die in ihnen verborgenen Regelmäßigkeiten zu erkennen.

Wenn man erkennt, dass Kontingenz zur Machart unserer Welt gehört, ergeben sich daraus noch mehr Konsequenzen: Ausnahmen sind die Regel, und man muss damit rechnen, dass viele Kausalzusammenhänge nur einen begrenzten Geltungsbereich haben.

Welche Anforderungen müssen wir an eine Ursache-Wirkung-Beziehung, die sich in einem breiten Spektrum verschiedener Zusammenhänge anwenden lässt, stellen?  Regelmäßigkeit der Verknüpfung; die Fähigkeit, die gleiche Kraft in allen Zusammenhängen beizusteuern; die Universalität der Funktionsbeziehung zwischen Ursache und Wirkung; die natürliche Notwendigkeit, dass die Wirkung auf die Ursache folgt – all dies wurde irgendwann einmal als der entscheidende Faktor genannt, der dafür sorgt, dass die Kausalbeziehung zwischen Variablen in einer Situation auch Erklärungen oder Voraussagen in einer anderen ermöglicht. Doch damit verlieren große Teile der Biologie ihre erklärende Kraft.

Eine bessere Beschreibung kausaler Erklärungen wurde Mitchell zufolge von James Woodward in   Making Things Happen: A Theory of Causal Explanation (2003) entwickelt. Im Mittelpunkt steht die Zerlegung   einer Ursache mit dem Ziel, den beobachtbaren „Unterschied“ zu erzeugen. Nach Wood­wards Beschreibung setzen Kausalität und Erklärung keine Allgemeingültigkeit voraus, sondern nur die Gleichförmigkeit oder Stabilität der Kausalbeziehung in verschiedenen, nicht aber unbedingt allen Zusammenhängen. Gibt man die Forderung nach Universalität auf, wird eine abgestufte Unveränderlichkeit möglich. Woodward lässt zu, dass manche Kausalbeziehungen unveränderlicher sind als andere. 

Auch in komplexen Fällen kann man echte Ursachen voneinander trennen, und der Gesamteffekt lässt sich dann als eine Art gut definierter Mischung aus Einzelursachen ausdrücken. Man kann auf diese Weise eine Kausalbeziehung untersuchen, ohne damit auch die anderen, gleichzeitig wirkenden Ursachen zu beeinflussen. Da das Verhalten komplexer biologischer Systeme von mehreren Ursachen abhängt, ist die Frage, ob sie sich trennen lassen, völlig vernünftig.

Um den Anforderungen bei der Beschreibung komplexer Netzwerke gerecht zu werden, hat sich ein neues Fachgebiet „Systembiologie“ entwickelt, das Simulationen mit experimentellen Befunden und statistischen Analysen zusammenführt. Die Philosophie muss sich mit ihren Vorstellungen davon, was als Ursache zählt und welcher Logik man bei kausalen Schlüssen folgt, auf die neuen Entwicklungen der Komplexitätsforschung einstellen. Das globale Wetter und die Biosphäre sind Musterbeispiele für „komplexe Systeme“ in diesem Sinn des Begriffs von Komplexität. In solchen Systemen eine Aussage über Wahrscheinlichkeiten zu machen und beispielsweise zu behaupten, die weltweite Durchschnittstemperatur werde ohne Reduzierung der Treibhausgase in den nächsten 100 Jahren um zehn Grad ansteigen oder die Einführung genetisch veränderter Nutzpflanzen werde sich auf die Zahl aussterbender wilder Arten auswirken, ist praktisch unmöglich. Dass es so ist schwierig ist, liegt an der großen Zahl von Variablen, die sich alle auf das Ergebnis auswirken. Wenn es um komplexe Systeme geht, dürfte es häufig unvernünftig sein, auf übereinstimmende Ansichten oder zuverlässige, quantitative Aussagen über die Wahrscheinlichkeit möglicher Ergebnisse zu warten. Unter Umständen wartet man dann so lange, dass es zum Handeln oder zur Vermeidung unerwünschter Folgen zu spät ist.

Mitchell präferiert in solchen Fällen die „robuste anpassungsorientierte Planung“, wie sie von Robert Lempert, Steven Popper und Steven Bankes entwickelt wurde. Dabei wird nicht die voraussichtliche Nützlichkeit maximiert, sondern es werden die „robustesten Strategien“ (RAP) identifiziert und eingesetzt. Es wird ein breites Spektrum unterschiedlicher, aber möglicher Szenarien betrachtet und die Frage untersucht, wie sie sich auf eine getroffene politische Entscheidung auswirken würden. Die RAP steht im Einklang mit den traditionellen mathematischen Verfahren für Modellbildung und Entscheidungshilfe. Sie berücksichtigt auch die Realität der „tiefen Unsicherheit“ und Komplexität, an denen deutlich wird, dass die hergebrachten Methoden allein nicht zum Ziel führen.