Биологическая эволюция и машинное обучение: проблемы аналогии

Интересные записки: раз и два. Главная мысль выражена почти афористически:

A small, trainable network will be uninteresting and a large, interesting network will be untrainable.

Сети малого размера обучаемы, но эффект обучения не представляет практического интереса; интересные же сети достаточно большого размера практически необучаемы.

Обучение, если оно имеет место на уровне регуляторных сетей генов (Gene Regulatory Networks, GRN), должно происходить во времени и в пространстве, то есть на практике включать массивы данных чудовищных размеров, а результаты должны передаваться по наследству. Известная программа AlphaGo компании Гугл, победившая недавно человека в игре Go, осуществляет глубокое обучение единой сети, а не множества сетей. Эффективность достигается использованием огромных ресурсов для обучения и специфической настроенностью на данные правила игры. Поэтому, замечает автор, без конкретизации, каким именно образом обучение отдельных организмов, если оно имеет место, связывается воедино, передаваясь наследственно и аккумулируясь, эта аналогия не является проработанной. Совсем другое дело, если допустить изначальный дизайн этих GRN, ведь тогда снимается требование аккумуляции и настройки неизвестно на что только засчет ненаправленных эволюционных процессов.

Как и всегда, все эти многочисленные аналогии между искусственно создаваемым программным обеспечением, способным эффективно решать конкретные практические задачи, с одной стороны, и биологической эволюцией, с другой, страдают одним изъяном: невниманием к принципиально важным подробностям. Всякий раз, когда подробности рассматриваются должным образом, аналогии рассыпаются.
Итак, приведу еще раз эти детали:

1. Эволюция по количеству генерируемой новизны — всего-навсего шум по сравнению с тем, что имеется в реальных биологических системах.
2. Для того, чтобы эволюционные процессы начались, необходимо неразложимое семиотическое ядро, включающее символьную долговременную память на биополимерах, считывающее устройство, протокол (адаптер) и интерпретатор.
3. Эволюция по Дарвину использует лишь пассивный грубый фильтр отбора и не имеет никакой направленности по определению. А значит, она не имеет и целеполагания. Живые организмы реализованы на основе целеполагания: биологические процессы направлены на поддержание химического состояния организма (гомеостаз).
4. Генерация новизны на практике требует планирования, принятия решений, измерения и активного управления состоянием. Ничего подобного биологическая эволюция сама по себе не имеет.
5. Ключевые процессы функционирования сложных искусственных систем обеспечиваются на практике только целенаправленно со стороны агента, принимающего решения. Биологические системы на порядки сложнее того, что создает человек сегодня.

Говорить о том, что дарвиновская эволюционная модель способна объяснить все многообразие биоты — все равно, что утверждать, что с помощью одного алгоритма сортировки можно получить операционную систему Windows.