Потенциал искусственного и естественного отбора

Автоматическая утка Жака Вокансона (Jacques de Vaucanson), 1739. Источник: Википедия. Статья: Digesting Duck.

Данная короткая записка является всего лишь ссылкой на интереснейшую полемику на сайте uncommondescent.com. Мне просто хотелось бы, чтобы это было сконцентрировано в одной записке и не ушло "в песок". Если будет возможно, было бы хорошо вернуться к этому вопросу.

Потенциал искусственного (интеллектуального, ИО) отбора многократно превосходит потенциал естественного (неинтеллектуального, ЕО). По-моему, в этом и заключалась огромная ошибка Дарвина, поставившего естественный отбор в соответствие искусственному. 

Наверное, самым важным является следующее замечание одного из участников обсуждения:

• Независимо от того, каким в действительности является распределение вероятностей реализации состояний моделируемой системы, оно никак не связано с тем, что должно получаться на выходе модели, то есть с целевым состоянием. Другими словами, если мы справедливо полагаем, что моделируемая нами система "не знает" ни самого целевого состояния, ни его отдельных характеристик (назовем это главным условием моделирования ЕО), так же как и физические законы, в контексте которых функционирует эта система, ни коим образом не выделяют целевого состояния из ряда иных состояний, то нет абсолютно никакого основания считать, что вероятность выбора целевого состояния в процессе моделирования будет выше, чем вероятность выбора любого другого состояния. Таким образом, равномерное распределение вероятностей является наилучшим допущением.

В то же самое время, если какой-либо алгоритм, который призван моделировать ЕО, каким-либо образом a priori повышает вероятность целевого состояния, происходит неявное нарушение главного условия моделирования. Наиболее часто это имеет место в случаях использования явно заданной функции цели. Но даже если явная целевая функция и не используется, то применяются эвристики, направляющие поиск в те области пространства состояний, в которых, по опыту экспертов, плотность распределения решений выше среднего. Таким образом, утверждать, что так называемые генетические алгоритмы моделируют биосистемы, предоставленные самим себе, некорректно. Существующие генетические алгоритмы моделируют лишь искусственный отбор. К сожалению, мало кто из эволюционистов отдает себе в этом отчет.

Действительно, селекционер или биохимик, осуществляющий ИО:

• действует согласно заранее разработанному плану, подчиненному вполне конкретной цели (имеется спецификация, целевое состояние); например, связывание АТФ (аденозинтрифосфата), как в опытах Szostak'a.
• имеет возможность:
• замерить с очень большой точностью значение функции цели;
• многократно усилить функциональную "дельту" (то есть значение градиента |текущее состояние — целевое состояние|), осознанно направив поиск в области фазового пространства, в которых, как ожидается, плотность решений превышает средние значения.

ЕО такими возможностями не обладает. Через его грубый фильтр проходит далеко не только самый приспособленный организм, как часто ошибочно полагают. Таким образом, серьезнейшая проблема ЕО заключается в низкой чувствительности фильтра. К тому же, являясь пассивным фильтром, на самом деле ЕО ничего активно не отбирает. Так что "отбор" — это лишь фигура речи, что прекрасно понимал и сам Дарвин.

Безусловно, в рамках достаточно простых вариаций уже существующих функций ЕО действительно может привести и приводит на практике к репродуктивному преимуществу. Однако возможности ЕО недостаточны для генерации совершенно новых локальных функций, предполагающих довольно сложные белок-белковые взаимодействия, поскольку такие взаимодействия практически исключают пошаговый характер генерации новой функциональности. В последнем случае ЕО на своем пути встречает статистические барьеры, о которых я уже говорил и преодолеть которые одними мутациями кода на практике совершенно невозможно вследствие глубокой изоляции (сильной разряженности) функциональности в фазовом пространстве.

Для корректного моделирования ЕО необходимо учитывать потребление биосистемами ресурсов окружающей среды, а также влияние случайных мутаций кода на репродуктивную функцию и на обмен веществ.

Тот же участник дискуссии предложил следующим образом промоделировать ЕО и, тем самым, проверить на опыте, может ли генерироваться значительное количество функциональной информации только лишь под действием ЕО.

1. Развернуть информационную среду (компьютерную сеть), причем на этапе развертывания специалисты не получают никакой информации о том, какой эксперимент предполагается проводить и как использовать сеть. В сети должно быть обеспечено наличие достаточного объема памяти, вычислительных и коммуникационных ресурсов.
2. Инфицировать какую-либо из машин в сети вирусом, способным воспроизводиться и потреблять информационные ресурсы окружения. Вирус должен обладать механизмом случайных мутаций кода, напр., ошибок при репликации (механизм мутаций можно расширить возможностью варьировать скорость мутагенеза).
3. Запустить репликацию вируса.
1. Должно быть совершенно исключено присутствие явно выраженных целевой функции и целевого состояния, измерения целевой функции, а также управления состоянием клонов вируса в зависимости от градиента |текущее состояние — целевое состояние|.
4. Если по прошествии определенного времени (определенного числа поколений вируса) вирус в результате борьбы за использование информационных ресурсов окружения и мутаций кода приобретет новый функциональный код (например, новую процедуру, позволяющую ему получить значительное преимущество в борьбе с антивирусами или другими вирусами за вычислительные ресурсы окружения, скажем засчет новых возможностей маскировки), тест на спонтанную генерацию функциональной информации можно считать успешным.

Мне кажется, все-таки необходимо запустить в систему более одного вируса, чтобы имелась возможность промоделировать борьбу за существование.