Мария Сизова

По мере чтения 14 главы “Происхождения...” диву даешься насколько мистер Дарвин был умен, логичен в своих доводах, и насколько колоссальным и передовым был его труд для человечества XIX в. Но, сохраняя критический дух мышления, мною было решено воспринять информацию на уровне современном, т.е. с помощью последних исследований выявить неточности в гипотезах автора или же развить его идеи.

Начнем с классификации живых организмов. Дарвин совершенно точно понимал, что из принятых классификаций был верен древовидный паттерн, однако строился он ложным образом - на морфологии, на общих признаках существ. Такие “деревья”, полученные от любого множества признаков, не могут быть определены достоверно, т.к. это всего лишь статистические оценки родства. Не имея под рукой секвенатора и знаний молекулярной биологии, Дарвин предложил логичный, хоть и не совсем корректный способ классификации организмов по нефизиологичным признакам без использования адаптивных. Так им была принята Естественная классификация.

Сегодня, максимально корректная классификация строится на различиях кодирующих гомологичные белки генов (большой вклад внес К. Вёзе, анализируя РНК: он определил 3 главных домена жизни - эукариоты, бактерии и археи).

Естественная классификация в ряде случаев совпадает с молекулярными характеристиками. Например, позвоночные обладают особенным порядком Hox-генов и классификации, основанные на ДНК, содержат тот же самый древоподобный шаблон. Порой, и молекулярная, и морфологическая согласованность среди несвязанных между собой признаков поражает.

В иных случаях, правда, бывают и расхождения. Так, знаменитый Deinococcus radiodurans был обнаружен при облучении мясных консервов. Ученые отнесли его к микрококкам по ряду характеристик, в т.ч. по резистентности к радиации. Молекулярный анализ показал, что эта бактерия относится даже к другому филуму (оказалось, что они связаны с Thermus aquaticus).

Подобные ошибки случались из-за проблем с культивированием патогенных бактерий. С усовершенствованием методов микробиологии эти проблемы также были разрешены, и такие патогены как риккетсии и хламидии заняли свои места в молекулярной классификации.

Однако, лично меня в этой главе зацепило, что Дарвин ссылается на “план творца”, который он противопоставляет Естественной классификации. Несмотря на то, что упоминание творца - это дань общепринятым социальным догмам того времени, идея планирования в контексте эволюции меня заинтересовала, и я сосредоточила свое внимание на статьях, рассматривающие подобные идеи.

Известно, что теория эволюции связывает случайные вариации и отбор с постепенной адаптацией. Один из разделов компьютерных наук - теория обучения - способен обогатить эволюционную биологию используемыми методами и теоремами. В частности, теория обучения объясняет как постепенная адаптация позволяет получить знания из прошлого опыта и использовать их для направления будущего поведения к более предпочтительному результату. До недавних пор такое когнитивное обучение не рассматривалось в контексте процесса эволюции. По мнению некоторых современных ученых, способность эволюции к "обучению" может объяснить некоторые результаты эволюции, которые как будто созданы с некоторым замыслом. В 2013 г. была обнаружена зубчатая передача у насекомых, на концах ног которых зубчатые части шестерёнок. Она используется для синхронизации ног, и по результатам моделирования, было показано, что она обеспечивает большее быстродействие, чем нервная система. В данном случае эволюция представляется мне гениальным инженером, который осуществляет сложнейшие технологические задачи, обусловленные окружающей средой.

Но с точки зрения той же механики есть причины сомневаться, что сознательное решение задач и эволюция равнозначны. Например, при сознательном решении проблем используются прошлые знания о схожих проблемах для предсказания результатов и прямого поиска решений, тогда как эволюционный поиск по сути зависит от случайных изменений, но вот паттерны фенотипической изменчивости формируются и смещаются по мере развития вида. Более того, организация процессов развития сама по себе является продуктом предыдущей эволюции.

Таким образом возникает вопрос: способна ли эволюция добиваться последовательной адаптации тем же образом, что и обучаемые системы, направляемые предыдущим опытом? Если да, то эволюция может оказаться "умнее", чем принято о ней думать, и в этом случае, теория обучения может объяснить почему это так.

Оказывается, используя теорию алгоритмов, можно описать связь между обучением и эволюцией с помощью математической эквивалентности. В ряде работ доказывается, что Байесово обучение математически эквивалентно мягкому отбору генотипов в бесполых популяциях, а алгоритм MWUA эквивалентен отбору, действующему на аллели при равновесном сцеплении генов в раздельнополых популяциях. Из этого можно сделать вывод, что эволюция собирает информацию из прошлых отборов по тому же принципу, что и простые обучающиеся системы получают информацию из прошлого опыта.

Ключевой особенностью обучаемых систем, которая на первый взгляд отсутствует у эволюционных систем - их способность предсказывать действия, которые приведут к будущим преимуществам. Однако обучаемые системы, как и эволюционные, не способны “видеть будущее” - они не могут обучаться от еще не полученных преимуществ. Обучаемые системы, впрочем способны к экстраполяции или обобщению из прошлого опыта. Для выхода за грань постоянно повторяющегося поведения, обобщение требует подходящей модели - ненаправленного способа воспроизведения моделей поведения. Обучение происходит постепенными улучшениями приспособленности модели к прошлому опыту и новая модель может быть получена обобщением старых моделей.

Сегодня учеными приводятся исследования на тему того, может ли эволюция обучаться как нейронные сети. Корреляционный метод - основа для обучения компьютерных нейронных сетей, которые невероятно успешны в различных обучающих приложениях и предоставляют модель для сложных адаптивных систем во многих областях науки. Для эволюции обучение такого типа требует разделения фенотипов от генотипов и процесса эволюции отображения между ними. Когда есть наследуемая вариация в таком отображении, которая затрагивает фенотипические корреляции, естественный отбор, в конечном итоге, предпочитает изменения, которые придерживаются принципов корреляционного обучения. В больших биологических сетях, этот принцип имеет тот же эффект, как в больших нейронных сетях. В сетях Хопфилда этот тип обучения достаточен для простых интеллектуальных моделей поведения, таких как формирование ассоциативной памяти, способной к хранению и воспроизведению множества различных условий активаций и эффективной генерализации в задачах распознавания и классификации. В контексте эволюции генерализация проявляет себя в том числе и через рудименты, несмотря на то, что функций они не несут, соответствующий генотип остается в популяции и в изменившейся среде может быть вновь использован.

В других исследованиях были показаны условия, при которых после эволюции генных регуляторных сетей, сети воспроизводят одни и те же модели поведения, формируя распределенную “производственную память” множественных фенотипов, отобранных в прошлом и обобщенных производством новых комбинаций фенотипических модулей. Если обобщить вышесказанное, то ясно, что эволюция и обучение не только аналогичные процессы, но еще и являются различными реализациями одних и тех же алгоритмических принципов.

Зачем вообще рассматривать эволюционную теорию в разрезе теории обучения? Дело в том, что теория обучения предлагает новые концепции и теоретические инструменты для изучения нескольких важных загадок современной эволюционной биологии. Можно определять модели обучения, которые предлагают новые подходы к ключевым открытым вопросам эволюционной биологии развития, эволюционной экологии и эволюции уровня индивидуумов. Каждая из этих областей - вызов для эволюционной теории, т.к. в них используется обратная связь, когда продукт эволюции изменяет механизмы эволюционных процессов, которые их создали. Теория обучения как раз изучает процессы, которые функционально зависят от прошлого опыта. Таким образом, она идеально подходит для описания вопросов “как изменчивость, отбор и наследование изменяют фенотипы”, и “как естественный отбор влияет на изменчивость, отбор и наследование с течением времени”.

Теория обучения выдвигает следующие гипотезы:

- память фенотипов (которые были отобраны в прошлом) может обеспечивать более быструю адаптацию, если эти фенотипы будут отбираться опять в будущем;

- модели обучения могут обобщаться, поэтому эволюционировавшая “память” может обеспечивать более быструю адаптацию к новым условиям.

Использовать прошлый опыт для направления будущего поведения - это признак интеллекта. Показывая, что постепенной подстройки параметров соответствующей модели достаточно для достижения этого, теория обучения делает доступным описание этого поведения эволюцией через естественный отбор и определяет условия, в которых он может обучаться для направления будущих изменений.

В нейронных сетях, глубокое обучение использует корреляционное обучение на многих уровнях для построения многовариантных моделей. Глубокие сети доверия достигает этого снизу-вверх, “замораживая” каждый уровень до добавления следующего. Это создает необходимость вывода низкоуровневых отображений, которые полезны для изучения высокоуровневых отображений до того, как высокоуровневые возникнут. Обучение без учителя предлагает решение. Уменьшая эффективную размерность данных, оно получает хорошую производительность на следующем уровне, хотя оно не осведомлено о том, как данные будут использованы на следующем уровне. В эволюционных системах, отбор на одном уровне организации может работать как обучение без учителя на более высоких уровнях организации. Абстрактные модели, включающие эти характеристики, показывают, что отбор на индивидуальном уровне может подготавливать системные формации адаптивных высокоуровневых эволюционных единиц без предыдущего отбора на высоком уровне. Новые методы оптимизации, основанные на этих принципах показывают такие способности к решению задач, которых не достичь адаптацией на одном уровне. Эти методы предполагают, что такие принципы глубокой оптимизации могут объяснить как эволюционные переходы осуществляют “глубокую эволюцию”, т.е. эволюцию биологической сложности через последовательные уровни биологической организации.

Уменьшение задачи посредством абстрагирования на более высоком уровне - другой признак интеллекта. Опять, теория обучения говорит, что это доступно эволюции, показывая как последовательная адаптация в правильной модели может достичь этого.

В заключении, хотелось бы сказать о том, что различные области науки постоянно обогащают друг друга, перенося идеи, аналогии и инструменты, развивая междисциплинарные связи. Дарвин, вероятно, был бы удивлен, что используя математику, можно прийти к выводу, что в некотором роде и способность эволюции к планированию, и Естественная классификация (хоть и построенная по другим правилам) - обе верны.