در وسط کتاب قابل توجه خود در مورد منشا گونه داروین دچار بحران ایمان بود. او در کمال صداقت می نویسد: «فرض کنید که چشم، با تمام ابزارهای تکرار نشدنی اش برای تنظیم فوکوس در فواصل مختلف، برای اجازه دادن به مقادیر مختلف نور، و برای اصلاح انحرافات کروی و رنگی، می تواند با انتخاب طبیعی شکل بگیرد. اعتراف می کنم، در بالاترین درجه پوچ است.» در حالی که دانشمندان هنوز در حال بررسی جزئیات در مورد چگونگی تکامل چشم هستند، ما هنوز در مورد چگونگی ظهور هوش در زیست شناسی گیر کرده ایم. چگونه یک سیستم بیولوژیکی می تواند رفتار ثابت و هدفمند از پایین به بالا ایجاد کند در حالی که هیچ طراح خارجی وجود ندارد؟
در واقع، هوش - پاسخی هدفمند به اطلاعات موجود، که اغلب آینده را پیش بینی می کند - به ذهن برخی از گونه های ممتاز محدود نمی شود. در سراسر زیست شناسی، در مقیاس های مکانی و زمانی مختلف، گسترده است. نه تنها افراد باهوش، پستانداران، پرندگان و سرپایان وجود دارند. رفتار حل مسئله هوشمند و هدفمند را می‌توان در بخش‌هایی از همه موجودات زنده یافت: سلول‌ها و بافت‌ها، سلول‌های عصبی و شبکه‌های نورون‌ها، ویروس‌ها، ریبوزوم‌ها و قطعات RNA، تا پروتئین‌های حرکتی و شبکه‌های مولکولی. می توان گفت که درک منشأ هوش است بر یک مشکل اصلی در زیست شناسی - مشکلی که هنوز کاملاً باز است. در این راستا، ما استدلال می‌کنیم که پیشرفت‌ها در زیست‌شناسی رشد و علوم اعصاب اکنون مسیر امیدوارکننده‌ای را برای نشان دادن اینکه چگونه معماری سیستم‌های مدولار زیربنای هوش تکاملی و ارگانیسمی است، فراهم می‌کند.
زیست شناسان برای تمرکز بر مکانیسم های سیستم های زنده آموزش دیده اند، نه هدف آنها. به عنوان زیست شناس، ما باید یک «چگونگی» و نه «چرا» را دنبال کنیم و یک رابطه علت و معلولی را دنبال کنیم، نه اهداف. «چرا» نه تنها همیشه وجود دارد، بلکه دقیقاً همان چیزی است که «چگونه» خاص انتخاب شود، که به ارگانیسم‌ها اجازه می‌دهد با انتخاب و استفاده از مکانیسم‌های خاص از فضای بزرگی از احتمالات، زنده بمانند. به عنوان مثال، در مورد چشم انسان، خواص نوری عدسی تنها زمانی معنا پیدا می کند که به تمرکز نور بر روی شبکیه کمک کند. اگر نپرسید چرا لنز شفاف است، هر چقدر هم که بررسی کنید که چگونه شفاف می شود، هرگز عملکرد آن را متوجه نخواهید شد.
در واقع، مشکل درک چگونگی ظهور هوش با انقلاب Omika، که داده های سیستماتیک و کمی را در مورد ژنوم ها، رونوشت ها، پروتئوم ها و رابط ها تولید می کند، حادتر شده است. سیستم‌های بیولوژیکی تا حد پیچیدگی شدید خود از هم جدا شده‌اند، اما هیچ واکنش جادویی در انتهای تونل ظاهر نمی‌شود. رقابت برای داده های بزرگ توضیح بهتری برای سیستم های زنده ارائه نمی دهد. اگر چیز دیگری نباشد، کار را سخت تر می کند.
زیست شناسی مدرن هنگام تلاش برای توضیح رفتار هوشمندانه و معنادار با یک شکاف دانش اساسی مواجه است. چگونه یک سیستم متشکل از سلول ها و سیگنال های الکتریکی می تواند بدنی سازگار با رفتارها و حالات ذهنی ایجاد کند؟ اگر سلول‌ها هوشمند نیستند، چگونه رفتار هوشمندانه از یک سیستم توزیع‌شده متشکل از آنها ناشی می‌شود؟ این راز اساسی در زیست شناسی نفوذ می کند. همه پدیده های بیولوژیکی به یک معنا "راه حل های گروهی" هستند، زیرا موجودات از بخش های جداگانه - اندام ها، بافت ها، سلول ها، اندامک ها، مولکول ها تشکیل شده اند. چه ویژگی‌های سیستم‌های زنده به اجزای سازنده اجازه می‌دهد تا برای دستیابی به اهداف سطح بالاتر با هم کار کنند؟
یک راه حل مشترک در دو حوزه مختلف ظاهر می شود: زیست شناسی رشد و علوم اعصاب. استدلال در سه مرحله اجرا می شود. اولین مورد بر اساس یکی از اولین و بهترین ایده های طراحی انتخاب طبیعی است: مدولار بودن. ماژول ها واحدهای عملکردی مستقل مانند آپارتمان در یک ساختمان هستند. ماژول ها اهداف محلی را برآورده می کنند که تا حدی خودپایدار و خود نظارتی هستند. ماژول ها دارای هوش اولیه برای حل مشکلات هستند و استقلال نسبی آنها از بقیه سیستم به آنها اجازه می دهد با وجود تغییر شرایط به اهداف خود برسند. در مثال ما با یک ساختمان، خانواده ای که در یک آپارتمان زندگی می کند می تواند به زندگی عادی خود ادامه دهد و با فرستادن فرزندان خود به مدرسه، به عنوان مثال، بدون توجه به آنچه در آپارتمان های دیگر اتفاق می افتد، اهداف خود را دنبال کند. به عنوان مثال، در بدن، اندام هایی مانند کبد با یک عملکرد سطح پایین خاص، مانند کنترل مواد مغذی در خون، نسبتا مستقل از آنچه مثلاً در مغز اتفاق می افتد، کار می کنند.
مرحله دوم در استدلال این است که ماژول ها را می توان در a مونتاژ کرد سلسله مراتب: ماژول های سطح پایین تر ترکیب می شوند تا ماژول های سطح بالاتر پیچیده تر را تشکیل دهند، که سپس به بلوک های ساختمانی جدید برای ماژول های سطح بالاتر و غیره تبدیل می شوند. در ساختمان مسکونی ما، خانواده ها می توانند به یک انجمن محلی، مانند شاخه محلی یک حزب سیاسی، تعلق داشته باشند، که اهداف آن می تواند تضمین رفاه آینده همه خانواده ها در منطقه باشد. و این حزب می تواند متعلق به مجلسی باشد که شاید هدفش شکل دادن به سیاست کل کشور و ... باشد. در زیست‌شناسی، اندام‌های مختلف می‌توانند متعلق به یک بدن یک موجود زنده باشند که هدف آن حفظ و تولیدمثل است، و موجودات مختلف می‌توانند به یک جامعه تعلق داشته باشند، مانند کندوی عسل که هدف آن حفظ محیطی پایدار برای اعضای آن است. . به طور مشابه، اهداف متابولیک و سیگنال دهی محلی سلول ها در نتیجه مورفوژنتیک ساخت و ترمیم اندام های پیچیده ادغام می شوند. بنابراین، هوش پیچیده‌تر و پیچیده‌تری از سلسله مراتب ماژول‌ها پدیدار می‌شود.
به نظر می رسد که این مشکل را حل می کند، به جز این واقعیت که مدولاریت سلسله مراتبی هنوز توضیح نمی دهد که چگونه تکامل، تغییر تنها یک عنصر در هر زمان در سطح پایین تر، می تواند سطوح بالایی را اصلاً دستکاری کند. با توجه به اینکه سطوح بالا با اهرم‌های پایین‌تر ساخته شده‌اند، آیا برای تغییر یک ماژول سطح بالاتر مجبور نیستید خیلی چیزها را به یکباره تغییر دهید؟ مرحله سوم در استدلال ما به این مشکل می پردازد: هر ماژول چندین عنصر کلیدی دارد که به عنوان دستگیره های کنترل یا نقاط ماشه ای عمل می کنند که ماژول را فعال می کنند. این به عنوان شناخته شده است الگو را کامل کنید، که در آن فعال شدن بخشی از سیستم کل سیستم را در بر می گیرد. در ساختمان آپارتمان ما، خانواده یک شخصیت مرکزی خواهد داشت، مثلاً یکی از والدین، که نماینده خانواده در جلسات است و در صورت نیاز آنها را درگیر می کند. این نقاط ماشه ای برای نمایش کل ماژول عمل می کنند و بنابراین اجازه می دهند که این ماژول ها در شرایط جدید فعال، اصلاح، غیرفعال یا مستقر شوند، بدون اینکه نیازی به دستکاری یا بازسازی تمام قسمت هایشان باشد. علاوه بر این، تکمیل الگو به طور طبیعی از سیستم های عناصر به هم پیوسته با تعامل بین عناصر ناشی می شود.
در سال های اخیر، محققان شواهدی از تکمیل مدل در مدارهای عصبی و زیست شناسی رشد یافته اند. به عنوان مثال، زمانی که لوئیس کاریلو رید و همکارانش در دانشگاه کلمبیا چگونگی واکنش موش ها به محرک های بینایی را بررسی کردند، دریافتند که فعال کردن تنها دو نورون در وسط مغز موش که بیش از 100 میلیون نورون دارد، می تواند به طور مصنوعی محرک های بینایی را تحریک کند. ادراکاتی که منجر به رفتار خاصی می شود. این نورون‌های متقاعدکننده که دارای مدل کامل هستند، ماژول‌های کوچکی از سلول‌ها را فعال می‌کنند که ادراکات بصری را که توسط موش به عنوان اشیاء واقعی تفسیر می‌شوند، رمزگذاری می‌کنند. به طور مشابه، در مقاله‌ای که در سال ۲۰۱۸ منتشر شد، مایکل لوین از دانشگاه تافتس و کریستوفر مارتینیوک از دانشگاه فلوریدا داده‌هایی را بررسی کردند که نشان می‌دهد چگونه راه‌اندازی یک مدل بیوالکتریک ساده در بافت غیر عصبی سلول‌ها را وادار می‌کند تا چشم یا سایر اندام‌های پیچیده را در مکان‌های جدید بسازند. ، مانند روده روی یک قاشق
ایده مدولار بودن سلسله مراتبی برای توضیح هوش بیولوژیکی قبلا توسط اقتصاددان هربرت سایمون، عصب شناس والنتینو برایتنبرگ، دانشمند کامپیوتر ماروین مینسکی، زیست شناسان تکاملی لئو باس، ریچارد داوکینز و دیوید هیگ، و فیلسوف دانیل کی دنت و بسیاری دیگر مورد مطالعه قرار گرفته است. این آزمایش‌های اخیر در زیست‌شناسی تکاملی و علوم اعصاب اکنون می‌توانند مکانیسم مشترکی را برای نحوه کار از طریق گره‌های کلیدی که تکمیل مدل را ایجاد می‌کنند، ارائه دهند. اگرچه هنوز چیزهای زیادی در مورد نحوه کار ماژول های تکمیل الگو باقی مانده است، آنها می توانند راه حلی برای مشکل نحوه تخصیص مجدد یک سیستم از ماژول ها بدون نیاز به تغییر کل ارائه دهند. دستکاری ماژول های محلی برای دنبال کردن اهداف به منظور ایجاد همکاری در مقیاس های مختلف سازمانی در بدن موتور قدرتمندی است. این به تکامل اجازه می دهد تا از هوش جمعی شبکه های سلولی با استفاده و ترکیب مجدد ترفندهای کشف شده در سطح پایین تر در حالی که با وجود نویز و عدم قطعیت با ثبات کار می کند، مهار کند.
مانند یک جغجغه، به این ترتیب تکامل می تواند به طور موثر از نردبان هوش بالا برود و تمام راه را از مولکول های ساده تا دانش گسترش دهد. مدولار بودن سلسله مراتبی و تکمیل مدل می تواند به درک تصمیم گیری سلول ها و نورون ها در طول مورفوژنز و فرآیندهای مغزی کمک کند و حیوانات و رفتارهای سازگار را ایجاد کند. مطالعه چگونگی ظهور هوش جمعی در زیست شناسی نه تنها می تواند به ما در درک بهتر فرآیند و محصولات تکامل و طراحی کمک کند، بلکه ممکن است به طراحی سیستم های هوش مصنوعی و به طور کلی تر، مهندسی و حتی علوم اجتماعی نیز مرتبط باشد.
خواندن توصیه می شود:
چاپ و فراخوانی مجموعه های قشری. لوئیس کاریلو رید و همکاران که در علوم پایه، جلد 353، ص 691-694; 12 آگوست 2016
کد بیوالکتریک: محیط محاسباتی باستانی برای کنترل پویا رشد و شکل. مایکل لوین و کریستوفر جی. مارتینیوک سی بیوسیستم ها، جلد 164، ص 76-93; فوریه 2018
کنترل رفتار هدایت شده بصری با یادآوری هولوگرافیک مجموعه‌های قشر مغز. لوئیس کاریلو رید و همکاران که در سلول، دوره 178، شماره 2، صص 447–457; 11 جولای 2019
محدودیت محاسباتی خود: بیوالکتریکی در توسعه منجر به چند سلولی بودن و دانش بدون مقیاس می شود. مایکل لوین ج محدودیت در روانشناسی جلد 10، هنر. № 2688 دسامبر 2019
[ad_2]
مقالات مشابه
- بهترین پاپ کورن
- ارز دیجیتال ترتل کوین (TRTL) چیست؟
- لوازم خانگی نینجا - نینجا ایران
- یک "استدلال سازنده" می تواند به شما کمک کند تا آرامش را در سفره شکرگزاری خود حفظ کنید
- ترفند های خانه داری و زندگی - زندگی پیشرفته
- بهترین آنتی ویروس برای گوشی سامسونگ؛ راهنمای کامل
- شرکت صادرات و واردات کالاهای مختلف از جمله کاشی و سرامیک و ارائه دهنده خدمات ترانزیت و بارگیری دریایی و ریلی و ترخیص کالا برای کشورهای مختلف از جمله روسیه و کشورهای حوزه cis و سایر نقاط جهان - بازرگانی علی قانعی
- شرکت صادرات و واردات کالاهای مختلف از جمله کاشی و سرامیک و ارائه دهنده خدمات ترانزیت و بارگیری دریایی و ریلی و ترخیص کالا برای کشورهای مختلف از جمله روسیه و کشورهای حوزه cis و سایر نقاط جهان - بازرگانی علی قانعی
- خرید کربن فعال | تجهیز یار
- 15 سوپ سرد و سردی