The Failures of Mathematical Anti-Evolutionism

(Meyer 2013, 173)
This is a remarkable paragraph. One would have thought it obvious
that mutation and selection both play a crucial role in the process of
evolutionary innovation. According to evolutionary theory, complex,
functional structures arise through the interplay of mutation and
selection. It does not make sense to say that one or the other is the
ultimate source of the adaptation. It is fine to say that mutation
provides the ultimate source of variation, but it is flatly wrong to say
it is the source of innovation. Continuing with the analogy of writers
and editors, mutation is like a sloppy, self-indulgent writer who
buries a few pages of insightful writing within hundreds of pages of
unpublishable nonsense. The editor then plays a crucial role in the
process by separating the few worthy pages from the mountains
of chaff.
Consider an analogy. Imagine a child learning to play chess. He
plays many practice games with his coach, who dutifully critiques
his moves and shows him better ways of playing. Years later the child
becomes a master-strength player. Meyer’s argument is tantamount
to saying that the coach played no role in the process of the student
becoming a master. After all, the coach had nothing to critique until
the child actually made some moves at the board. In the analogy,

---

5.5 the basic argument from improbability 131
mutation is like the child making moves and natural selection is like
the coach passing judgment on them. And just as the child’s moves
and the coach’s commentary were both essential to turning the child
into a master, so too are mutation and selection both essential to the
process of biological innovation.
Summarizing, we have here another instance of evolution’s crit-
ics failing to take into consideration the probabilistic and geometric
structure of protein space. Specifically, the probability distribution
appropriate to protein space is highly nonuniform, meaning that some
proteins are far more likely to be found in organisms than others.
And our movement through protein space is highly constrained by
its geometric structure since each generation almost exclusively
investigates points that are near to the generation before. The BAI
ignores both of these points and can be dismissed for these reasons.
There is also a third serious problem with the BAI: It treats low
probability, all by itself, as a refutation of evolution and confirmation
of design. The problem with this approach is that extremely improba-
ble events happen all the time. We have previously mentioned the old
saying that million to one odds happen eight times a day in New York
City. The biological analog is this: The course of evolution is affected
by so many chance events that any specific modern outcome of the
process could be extremely low, but this does not make us suspect
design, because something had to happen. Therefore, some additional
argument is needed to go from low probability to a conclusion of
design. We need to argue not simply that, starting from the origin of
life, a given protein was unlikely to have evolved, but also that this is
the sort of improbability that needs a special explanation. Proponents
of the BAI do not supply that additional argument.
The BAI has the great virtue of computational tractability. By
reducing probability to combinatorics, its proponents are able to
carry out actual calculations to produce the desired small numbers.
However, we have seen that the mathematical model on which
the BAI relies is far too unrealistic to produce meaningful results.
Evolution does not proceed by randomly selecting complex structures

---

132 5 probability theory
from spaces of equiprobable possibilities, but instead builds them
gradually by accumulating many small changes, a process we can refer
to as “cumulative selection.”
Including a role for cumulative selection in the model would
make it all but impossible to carry out meaningful calculations. The
number of variables influencing the probabilistic structure of protein
space is enormous. It is effectively impossible to identify them all,
much less to assign appropriate numbers to them.
Thus, anyone seeking to use probability theory to refute evolu-
tion must deal seriously with these two questions:
• How do we preserve the computational tractability of the BAI while
working within a biologically reasonable model?
• How do we justify the conclusion that evolution has been refuted simply
because a particular mathematical model tells us that an event of low
probability has occurred?
The remainder of this chapter will discuss the main attempts
from ID proponents to circumvent these issues. As we shall see, they
are not successful in doing so.
5.6 complex specified information
If you spend much time reading ID literature, you will encounter the
concept of “complex specified information (CSI).” In the form used
by ID proponents, the concept is the brainchild of mathematician
William Dembski. In his telling, CSI is an attribute that an event may
or may not exhibit. We are using the term “event” very broadly to
refer to any particular occurrence or object. He claims that when CSI
is present, you can be certain that intelligent design is in some way
involved in the causal history of the event. He writes:
When trying to explain something, we employ three broad modes
of explanation: necessity, chance and design. As a criterion for
detecting design, specified complexity enables us to decide which
of these modes of explanation apply. It does that by answering
three questions about the thing we are trying to explain: Is it

---

5.6 complex specified information 133
contingent? Is it complex? Is it specified? By arranging these
questions sequentially as decision nodes in a flowchart, we can
represent specified complexity as a criterion for detecting design.