The Failures of Mathematical Anti-Evolutionism

(Marks, Dembski, and Ewert 2017, 1)
A few paragraphs later, they give a clear statement of their primary
thesis:
Our work was initially motivated by attempts of others to
describe Darwinian evolution by computer simulation or
mathematical models. The authors of these papers purport that
their work relates to biological evolution. We show repeatedly
that the proposed models all require inclusion of significant

---

212 6 information and combinatorial search
knowledge about the problem being solved. If a goal of a model is
specified in advance, that’s not Darwinian evolution; it’s
intelligent design. So ironically, these models of evolution
purported to demonstrate Darwinian evolution necessitate an
intelligent designer.
(Marks, Dembski, and Ewert 2017, 1–2)
Let us see what this means.
In Section 6.8, we saw that the No Free Lunch theorems
imply that there is no universally successful search algorithm. If an
algorithm performs well on one problem, then there must be other
problems where it performs poorly. As we have discussed, in practice
this means that researchers confronted with a specific search problem
must tailor their choice of algorithm to fit the problem. That is, the
researchers use the information they have about the nature of the
problem to choose an effective algorithm.
MDE propose to quantify the information the researcher brings
to the problem. Specifically, they refer to this as “active information,”
claim to provide a rigorous definition of what it is, and then prove
theorems about it. Their chief result, which they refer to as a “con-
servation of information” theorem, then shows that the quantity of
information outputted by the algorithm cannot exceed the amount of
active information brought to the problem by the researcher.
In responding to this claim, we find ourselves in the same
position we were in back in Section 5.6. We saw that Dembski claimed
to have produced a piece of mathematical machinery – complex,
specified information – that could be used to distinguish things that
must have been designed from things that could be explained in some
other way. He then proposed to apply this machinery to biology,
and claimed thereby to show that intelligent design is in some way
implicated in natural history. We decided that we did not need to
examine every piece of the machinery, since we only cared about its
claimed application to biology.
And so it is here. It would take many pages to explain and
analyze the mathematical formalism proposed by MDE, but it would

---

6.10 conservation of information 213
not further our agenda to do so. If they want to apply their techniques
to abstract problems in combinatorial search, then they are welcome
to do so. Whether such proposed applications have any merit would be
a topic for a different book. Our interest here is solely in the manner
in which they apply their machinery to biology.
As it happens, and as the earlier quote made clear, they do not
propose to apply their conservation of information theorem directly
to biology. Instead they target the sorts of artificial life experiments
we considered in Section 6.9, as well as other sorts of computer
simulations of evolution. Their claim is that all such simulations
are unrealistic because the researchers bring active information to
their project. For example, with respect to the “Avida” experiment
mentioned in Section 6.9, they write:
[A]vida is a computer program which, its creators say, “show[s]
how complex functions can originate by random mutation and
natural selection.” [C]ontrary to the claims of the authors, the
source of the success of Avida is not due to the evolutionary
algorithm, but to sources of information embedded in the
computer program. A strong contribution to the success of Avida
is [sic] stairstep information source embedded in the computer
program.