Mesterséges intelligencia és a genetika az élőlények képzett nagyon hasonló

A hálózat gének állatok némileg hasonlít a hálózat az idegsejtek az agyunkban - ők is „tanulni” útközben. 1996-ban egy fiatal végzős hallgató neve Richard Watson úgy döntött, hogy olvastam egy cikket arról evolúció. Ez volt provokatív és megérintette egy régi probléma az evolúciós biológia: keveset tudunk megértése szervezetek olyan jól alkalmazkodtak a környezetükhöz.

Mesterséges intelligencia és a genetika az élőlények képzett nagyon hasonló

Az élőlények életükben változások vagy mutációk a gének, de nem úgy tűnik, hogy véletlen. Ehelyett valójában „javítani”, hogy képes alkalmazkodni. Úgy tűnik, hogy ez a képesség miatt nem csak a természetes kiválasztódás, amikor a legjobb tulajdonságait a legsikeresebb szervezetek átadják.

Ezért a szerzők Günter Wagner, a Yale Egyetem és Lee Altenberg Hawaii Intézet Geofizikai és planetológiában Honolulu döntött, hogy keres választ egy váratlan helyen: számítástechnika.

Watson, egy számítógép tudós, szó szerint őrült. A 20 éve, hogy telt el azóta, olvassa el a cikket, kidolgozott egy elméletet alapul gondolatokat addigra. Ez segíthet megmagyarázni, miért az állatokat olyan jól alakulnak: ez a funkció az úgynevezett „evolyutsioniruemost” (vagy razvivaemost). Sőt, ez segíthet megoldani a régi érdekes kérdés az evolúciós biológia.

Mesterséges intelligencia és a genetika az élőlények képzett nagyon hasonló

Sokan ismerik azt az elképzelést, hogy a gének a szülő átadja a gyermek, és a gének, amelyek segítenek a tulajdonosok túlélni és szaporodni nagyobb valószínűséggel kell továbbítani. Ez a lényege az evolúció és a természetes kiválasztódás.

De ez még nem minden, mert a gének gyakran dolgoznak együtt. Ők alkotják a „hálózat gének”, és a hálózat a gének is néha át lehet ép generációk.

„Az a tény, hogy az élő szervezetek gén hálózatok és azok örökölt egyik generációról a másikra, ez az információ nem új,” mondja Watson, jelenleg a University of Southampton az Egyesült Királyságban. Az önrész főként milyen természetes szelekció hat ezeket a hálózatokat.

Úgy véli, hogy úgy viselkedik, nem csak egy részleges akadályt, amely lehetővé teszi bizonyos alkalmazkodás át, és néhány nem. Ehelyett az a hatás, ez a szűrő lehetővé teszi, hogy a genetikai hálózatok állatok valójában „tanulni”, hogy mi működik és mi nem, az idő múlásával. Így javíthatják a teljesítményüket - nagyjából ugyanolyan módon, mint a mesterséges neurális hálózatok által használt számítógépes szakemberek is „tanulni”, hogy megoldja a problémákat.

"Gene Networks" fejlődik neurális hálózatok - tanulás, „mondja. „Ez az, ami igazán új.”

A szív Watson nyilatkozata a gondolat, hogy a kapcsolat a gének lehet erősíteni vagy gyengíti az evolúció és a változás típusa szerint - és ez az erő ezen kapcsolatok gén hálózatok lehetővé szervezetek alkalmazkodni.

Ez a folyamat hasonló ahhoz, ahogy a mesterséges neurális hálózatok dolgozik számítógépeken.

Mesterséges intelligencia és a genetika az élőlények képzett nagyon hasonló

A mi korunkban, ezek a rendszerek végrehajtásához használt különféle feladatokat. Például, hogy felismeri az arcokat fényképeket vagy videókat, és még elemzi a felvételi futball játék, hogy megértsék a taktikát a csapat sokkal jobban teljesít, és miért. Hogyan kell kezelni a számítógépet, még határozza meg?

Mesterséges neurális hálózatok jönnek létre a képére és hasonlatosságára biológiai hálózatok - a legtöbb esetben az agyban. Minden hálózat - a gyűjtemény szimulált „neuronok”, amelyek kapcsolódnak egy bizonyos módon; mint állomás és a metró.

Hálózatok, mint ezek fogadására képes bemenő adatok - például a „szia” jelenik meg az oldalon -, és hasonlítsa össze őket a kimenet - mondjuk, ebben az esetben a szó „hello”, amely a számítógép memóriájában. Arról, hogy milyen a gyerekek megtanulják, hogy írni és olvasni. Mint egy gyerek, a neurális hálózat nem tudja azonnal a kapcsolatot, és ki kell képezni az idő múlásával. Ez a képzés összetett, de lényegében magában foglalja a változó közötti szoros kapcsolatok a virtuális neuronokat. Minden alkalommal, javítja az eredményt, amíg az egész hálózat nem képes megbízhatóan hozza a kívánt választ: a példánkban, vicces karakterek az oldalon ( „hello”) megfelel a „szia”. Most a számítógép tudja, amit felvett.

Watson úgy véli, hogy valami hasonló történik a természetben. Fejlődő egyfajta „kimenet” sorban csak egy adott környezetben.

Vannak különböző módon a tanulás neurális hálózatok. Azok, akik összpontosítani Watson, egy jó példa arra, hogy mi történik a biológiai gén hálózatok „Hebbian Learning”.

A Hebbian tanulás közötti kapcsolat a szomszédos neuronok, melyek hasonló eredményeket, növeli az idő múlásával. Röviden, „neuronok, hogy a tűz együtt, egymással kommunikálni.” A hálózat „megtanulja”, hogy erős kapcsolatot belül is.

Ha a test bizonyos gének, amelyek lőtt együtt ilyen módon, és ez a szervezet meglehetősen sikeres tenyésztés, utódai nem csak örökölni hasznos gének, mondja Watson. Azt is örökli a kapcsolat ezek között a gének.

Mesterséges intelligencia és a genetika az élőlények képzett nagyon hasonló

A különös előnye Hebbian megtanulni, hogy ezek a hálózatok fejlesztése „moduláris” funkciót. Például, az egyik csoport a gének meghatározására, hogy az állat a hátsó lábait, vagy szem, vagy az ujjak. Hasonlóképpen, néhány rokon adaptációk - hal, mint a képesség, hogy megbirkózzanak a magas hőmérséklet és a sótartalom a víz - érintkeztethetjük és öröklött teljes gént egy hálózatban.

„Ha van egy külön egység, amely egy kissé erősebb szabályozói közötti összefüggés ezek a gének, mint bármely más, előnyösebb lenne,” Watson mondja. „Azt fogja választani a természetes szelekció. És aztán, miután eltelt evolúciós időben, az erős kapcsolatok között ezek a gének növekedni fog. " Watson, segít megoldani ezt a problémát ragacsos hogy az evolúció elmélete.

Mesterséges intelligencia és a genetika az élőlények képzett nagyon hasonló

Képzeljünk el egy pillanatra, hogy a genom egy szervezet egy számítógépes kódot. Novice programozó fokozatosan frissítse a kódot időről időre, arra törekedjünk, hogy fejlesztéseket. Segítségükkel lehetővé vált annak megállapítása, hogy egy másik szekvencia parancs lehet, hogy ez a munka egy kicsit jobban.

Kezdjük azzal a ténnyel, hogy ez a folyamat próbálgatással lehet eléggé jól működik. De az idő múlásával, a kód frissítés ezáltal azt meglehetősen nehézkes. A kód kezd úgy kinézni, rendetlen, így nehéz meghatározni, hogy mi a következményeket okozhat egy bizonyos változás. Néha előfordul, és a programozás, az eredmény az úgynevezett „spagetti kód.”

Ha a szervezet valóban fejlődött, oly módon, mondta Watson, a „evolyutsioniruemost - képes alkalmazkodni az új környezethez, vagy a stressz - nem volt a legjobb.” Valójában azonban „képes organizmusok alkalmazkodni a természeti környezet, illetve a szelektív kérdések egyszerűen csodálatos.”

Watson azt is javasolta, hogy a gén hálózatok közé tartoznak a „memória” a korábbi kiigazítások, amelyek az lehet az oka, hogy a környezetvédelmi követelményeknek.

Például talán élőlénycsoport nőhet gyorsan fogyasztani ételek, ártalmas többi tagja ugyanazon faj - mert az őseik elviselt egy ilyen étrend. Az elmúlt génregulációt struktúra változás néhány kiváltó megkönnyítése gén kifejeződését. Ez a „torzítás” végül segít utódaik emészthető összetett élelmiszerek.

Egy valós példa a Watson - tüskés pikó. Ezek a halak kifejlesztett ugyanakkor friss tolerálhatóságtól majd a sós víz, majd visszatért, attól függően, hogy mire van szükség belőlük a jelenlegi környezetben.

Mesterséges intelligencia és a genetika az élőlények képzett nagyon hasonló

Az az elképzelés, Watson azt jelenti, hogy a test kell tölteni a különböző lehetőségek adaptáció.

Ez azt is jelenti, hogy a gén hálózatok alakultak ki - minden állat - alkalmazkodni a természeti világ a Földön. Ezért szervezetek reagálnak olyan jól a környezetet: stressz és a környezet a Föld ábrázolt szabályozási összefüggéseit gének több millió év alatt.

„Azt hiszem, ez mindig is egy mély kapacitás felfedezni a párhuzamot számítógépes képzés és fejlődés, de senki nem csinálja ugyanolyan súllyal, mint Richard Watson,” Szent Andrews mondja Kevin Lalande Egyetemen az Egyesült Királyságban, részt vett egy nagyszabású projekt Watson .

Azonban a legnagyobb probléma a Watson hipotézis az, hogy meg lehet találni olyan empirikus bizonyíték a természet.

Eddig minden Watson elképzelések alapján számítógépes laboratóriumi kísérlettel. Úgy tűnik, ezek a kísérletek olyan eredményre vezetnek hasonlítanak a valódi szervezetekre, hanem különleges eljárások még nem figyeltek meg.

Mesterséges intelligencia és a genetika az élőlények képzett nagyon hasonló

"Ez a kérdés a 64 millió $," ismeri Watson.

De Watson és Lalande úgy vélik, hogy vannak más módon kipróbálni ezt az elméletet evolyutsioniruemosti. Watson azt javasolja, hogy elemezze, hogyan kell változtatni a hálózati gének mikrobák, amelyek fejlesztik a laboratóriumban. Mivel a mikrobák, mint a baktériumok gyorsan szaporodik, néhány nap alatt látható néhány generáció alkalmazkodni.

„Ha azt szeretnénk, hogy kiad egy kemény teszt az elmélet, akkor a csoda, ha tudod, hogy az új előrejelzések még nem tükröződik az irodalomban?” Mondja Lalande.

Például, akkor dolgozzon ki egy számítógépes rendszer elképzelései alapján Watson, ami megjósolni, hogyan szervezetek növekedni fog a vad bizonyos ismert körülmények között. Ha egy ilyen rendszer nem lenne pontos, akkor minden bizonnyal segít megerősíteni az elmélet. A gén hálózatok már számos funkciók, amelyek segítenek elérni Watson megközelítés. Mini-gének hálózat meghatározó specifikus adaptációk, mint például az egyik modul a fent említett néha be- vagy kikapcsolása csak egy másik aktivátor gén.

Példák erre megtalálható a természetben, azt mondja Watson. Köztük a „evolúciós csepp”: szervezetek megfelelően átalakítva, amely úgy vélte, hogy volna még eltűnnek őseik. Ez az úgynevezett „primitivizmus”.

Egy jól ismert példa erre - a fogakat csirkék. Csirkék genetikailag képes növekedni fog, de ne ez általában a vad vagy fogságban. Azonban a növekedés a fogak is tartalmazhat a laboratóriumban segítségével a molekuláris biológia.

Mesterséges intelligencia és a genetika az élőlények képzett nagyon hasonló

Néha atavisztikus vonások nyilvánul a természetes populációk. Az egyik utolsó lehetséges esetet - a bálna talált a tengerparton Ausztráliában február 2016. Volt agyarait, mint a fogak, amelyek általában nem látott bálnák. Talán maradt őseinktől, akik szintén volt foga, mint a fogai, több millió évvel ezelőtt.

Tovább lokális jelenség a „konvergens evolúció”, ha nem rokon fajok élnek nagyon különböző élőhelyek, valamilyen módon jön ugyanaz alkalmazkodás. A példák közé tartoznak - egyes minták a szárnyait a lepkék, és nagyon hasonlít a halak élnek néhány tó Afrikában, mondja Lalande.

„Az azonos formájú, azonos minták jelennek meg újra és újra,” mondja. „Lehet, hogy könnyebb létrehozni egy bizonyos fajta hal, mint mások. Bizonyos formái jelenhetnek meg gyakrabban során generációi számára. "

Evolyutsioniruemost ez a fajta által leírt Watson, ez adhat magyarázatot az. Genetikai hálózatok, mondja, fokozatosan megtanulta, hogy válaszoljon hasonló módon, hasonló helyzetben. Ezek a moduláris funkciók, mint például a rajz egy pillangó szárnyának lehet a legvalószínűbb megoldás oktatási rendszer, mint mások. Más szóval, ha több szükséges feltételeket evolúció elvégzi ugyanazt a trükköt, újra és újra.

És ott születnek, hanem filozófiai kérdés. Egyrészt, az evolúció a nagy, természetes funkcióit, mint egy számítógép. És „evolyutsioniruemost” azt feltételezni, hogy az élet bizonyos értelemben programozott javítása - legalábbis a genetikai szinten? Egyes biológusok számára borzalmas ötlet, de ha képes a szervezetek alkalmazkodni, hogy javítsa a korral, ha tanul időbeli alakulását, tényleg minden ennyire átlátszó?

Watson így gondolja.

„Csak akkor, ha jelenlegi rendszer megfelelő változékonyság, a kiválasztás és öröklés, arra kényszeríti az evolúció a munkát. És anélkül evolyutsioniruemosti lehetetlen elképzelni. "