Живые организмы как системы принятия решений

Сегодня вышла моя статья на сайте Православие.Ру под названием "Живые организмы как системы принятия решений". К сожалению, одну ключевую иллюстрацию примеров знаковых систем не поместили. Публикую статью здесь с иллюстрациями, подобранными мной.

Цель статьи


В течение нескольких последних десятилетий в массовом сознании распространился взгляд на атеистическое мировоззрение как на единственно верное для всякого образованного человека, тем более для ученого, несмотря на то, что по историческим меркам еще совсем недавно слова «ученый» и «верующий» если не являлись синонимами, то, по крайней мере, не противоречили друг другу. Известно, что полемика о целесообразности мироздания уходит корнями в эпоху античности, а у истоков европейской науки стояли люди, верующие в бытие Творца. Однако сегодня вера вытесняется не только из личной и общественной жизни человека глобального общества потребления, но и из вотчины научного работника – лаборатории. Как мне кажется, причина этого кроется совсем не в научной сфере.

Утверждение о монополии атеизма на научность – не более, чем мировоззренческая позиция. Современная наука, в особенности математика, биология и кибернетика, располагает целым рядом научных данных, осмысление которых в рамках узко понимаемого атеистического натурализма крайне затруднительно. Чем больше мы узнаем о живой материи, тем явственне проступает чрезвычайно высокая степень целесообразной сложности живого, смотреть на которую только как на продукт случайности и слепой закономерной необходимости становится все труднее.

Мне кажется, что апологетическая сторона деятельности верующего ученого совсем не обязана оставаться за порогом его кабинета. В 21 веке также, как и раньше, можно заниматься научной деятельностью, при этом созерцая творение глазами веры. В этой статье мне хотелось показать на примере конкретных данных биологии и кибернетики, что атеистический натурализм сталкивается с принципиальными трудностями при попытке объяснить, что такое биологическая жизнь. Причина этому была сформулирована выдающимся физиком 20 в. Нильсом Бором, утверждавшим, что  жизнь не сводится исключительно к физике [Hoyningen-Huenen 1994]. По словам другого ученого с мировым именем Макса Борна, «время материализма прошло[...] Физико-химический аспект ни в коей мере недостаточен для изображения фактов жизни, не говоря уже о фактах мышления» [Борн 1963].


Категории причинности


Итак, цель этой статьи – продемонстрировать, что без учета целеполагания и планирования невозможно достаточно глубоко научно объяснить феномен живого. Сразу предупрежу внимательного читателя, что я не покушаюсь на устои физики, пытаясь примирить науку с идеализмом. Я лишь изложу научные доводы в пользу того, чтобы интерпретировать наблюдаемую высокую функциональную сложность живой материи в свете теории искусственного интеллекта как следствие целенаправленного принятия решений в рамках планирования. Научные достоинства этой точки зрения, как мы увидим, достаточно весомы, чтобы отнестись к ней со всей серьезностью, а философские выводы из нее находятся в согласии с верой в существование Творца.

С первого взгляда может показаться, что биология не имеет никакого отношения к принятию решений, однако это далеко не так. Искусственные системы принятия решений, с одной стороны, и живые организмы, с другой, объединяет наличие кибернетической, алгоритмической основы функционирования, вследствие чего предположение об интеллектуальном происхождении биоты имеет под собой веские основания.

Для начала вспомним, что аристотелева логика оперирует тремя родами причин всех явлений [Dembski 2000]:

1. случайностью;
2. закономерной необходимостью;
3. волевым выбором интеллектуального агента.

Таким образом, то или иное следствие, по Аристотелю, может быть вызвано случаем, законами движения материи, волей лица, принимающего решения, либо, в конце концов, комбинацией этих причин.

Аристотель (384 - 322 до Р.Х.)

Приведу простейший пример: лаборант смешивает реактивы в пробирке, в результате чего  начинает протекать химическая реакция. Протекание химического процесса может быть описано известными разработанными средствами химии и физики межмолекулярных взаимодействий с привлечением лишь категорий случайности (в плане описания хаотического движения молекул вещества) и закономерностей химической природы (перестройка молекулярных связей, сопровождающаяся выделением или поглощением энергии). Тем не менее, данный химический процесс в пробирке фактически начался в результате принятия научным сотрудником лаборатории сознательного решения по смешиванию реагентов. Более того, лаборант своей волей может вмешаться в него и повлиять на его протекание, в том числе, и полностью его остановить. Как видим, введение в дискурс агента, принимающего решения, никоим образом не влияет на описание средствами химии самого протекания физико-химических взаимодействий материи, но способно в ряде случаев добавить существенные детали для более полного понимания причин начала химической реакции. В предположении о невозможности непосредственного наблюдения лаборанта за работой, именно действия агента могут прояснить причины появления на рабочем столе пятен именно тех, а не иных химических веществ. Запомним этот пример для того, чтобы по ходу разговора вновь к нему обращаться.

Развитие научной мысли отражалось на отношениях различных научно-философских концепций, популярных или господствующих в тот или иной исторический период, к указанным категориям причинности. Уже античная мысль знала эпикурейство, отводившее определяющую роль в описании явлений природы фактору бессмысленной случайности, фатализм, ставивший во главу угла бездушную закономерность фатума, и, наконец, стоицизм, видевший во всем, что ни происходит в природе, цель и смысл [Dembski 2000]. А как только заходил разговор о целеполагании, тут же возникал и вопрос о волевом принятии решений: кто именно ставит цель и принимает решения для ее осуществления, какая именно последовательность действий избирается для осуществления поставленной цели и почему?

Европейская наука нового времени в лице основоположника эмпиризма Френсиса Бэкона (1561-1626) посчитала необходимым изъять из арсенала науки категорию выбора, подвергнув редукции набор аристотелевых категорий причинности [Dembski 2000]. Это выделило так называемый научный метод из того, что именовалось натурфилософией. Современный атеистический научный натурализм по традиции настаивает на методологической достаточности первых двух категорий причинности при описании абсолютно всех явлений природы.

Основоположник эмпиризма Фрэнсис Бэкон (1561-1626)

Утверждение это столь сильное, что некоторыми учеными, более или менее авторитетными в научных кругах, именно оно и преподносится в качестве критерия научности. Нужно отдать этой позиции должное: при решении целого ряда теоретических и прикладных задач натуралистический подход является совершенно оправданным, что было многократно проверено на опыте.


Проблемы использования принципов натурализма при моделировании систем принятия решений

Тем не менее, во многих случаях учитывать существование лица, принимающего решение, при моделировании совершенно необходимо. К числу задач, решение которых требует введения агента, принимающего решения, относятся проблемы искусственного интеллекта, в частности, комбинаторной оптимизации, разнообразные задачи распознавания, фильтрации шума, а также проблемы таких дисциплин, как криминалистика, лингвистика, медицина, психология и пр. Таким образом, следует признать, что несмотря на достоинства натурализма с точки зрения решения широкого круга задач, область применения натуралистической методологии ограничена, в основном, задачами, непосредственно не касающимися принятия решений. 

Далее я попытаюсь показать, что на современном этапе развития научного знания натуралистическая методология испытывает трудности принципиального плана, что отчетливо видно при осмыслении данных биологии. Действительно, кто может поручиться в том, что возможности научного аппарата, построенного с привлечением исключительно случайности и закономерности, будут адекватны задачам ретроспективного научного описания, то есть объяснения того, как тот или иной феномен должен был возникнуть в прошлом при отсутствии возможности аналогичных наблюдений в настоящий момент? 

С другой стороны, возможно ли только лишь исходя из наблюдаемой конфигурации материи утверждать о том, какие именно факторы были ответственны за появление этой конфигурации, а также какие из них при этом являлись более важными, а какие – менее? Используя наш пример химической лаборатории, можно ли сказать что-либо определенное о действиях лаборанта, основываясь исключительно на химическом составе и расположении пятен реагентов на столе: например, были ли эти пятна оставлены с какой-то целью или случайно, по неосторожности? И можно ли только по расположению предметов, найденных возле тела, исключить насильственную смерть потерпевшего? По всей видимости, при определенных условиях такие заключения сделать вполне возможно. Разумеется, ни одно подобное реконструирование событий пост фактум не может считаться абсолютно достоверным. Тем не менее, иногда на практике такие заключения могут быть сделаны с приемлемой вероятностью. В таких случаях можно говорить о наиболее правдоподобном абдуктивном объяснении возникновения заданной конфигурации изучаемой системы. 

Абдукция — это познавательная процедура принятия гипотез. «Впервые она была явно выделена Ч.С.Пирсом, который рассматривал абдукцию (абдуктивный вывод) наряду с индукцией и дедукцией. Ч.С.Пирс считал, что, отбирая среди необозримого множества гипотез наиболее существенные, исследователи реализуют «абдукционный инстинкт», без которого невозможно было бы развитие науки. Согласно Пирсу, методология науки должна пониматься как взаимодействие:

• абдукции, осуществляющей принятие объяснительных правдоподобных гипотез; 
• индукции, реализующей эмпирическое тестирование выдвинутых гипотез; 
• дедукции, посредством которой из принятых гипотез выводятся следствия. 

Таким образом, Ч.С.Пирс создал идейный эскиз теории рассуждений, впоследствии получивший развитие в исследованиях по искусственному интеллекту, в которых абдуктивный вывод представлен как вид автоматизированного правдоподобного рассуждения» [Вебсайт Института философии РАН, статья «Абдукция»].

Английский математик, основоположник прагматизма и семиотики
Чарльз Пирс (1839-1914)

Р.А.Фишером [Fisher 1954] был предложен метод статистического анализа экспериментальных данных, согласно которому выявляют так называемые статистически значимые факторы, существенно влияющие на результат эксперимента. Предположим, что мы бросаем монетку на пол множество раз. При определенных условиях можно считать, что наш следующий бросок завершится либо выпадением орла, либо выпадением решки. При этом мы фактически отбрасываем теоретическую возможность иных исходов, вероятность которых, как бы ни были они экзотичны (см. Примечание 1), строго говоря, не равна нулю. Таким образом, факторы, препятствующие выпадению либо орла, либо решки, мы в данном случае считаем незначимыми. Позднее этот метод был применен к анализу статистического правдоподобия гипотез [Abel 2009, Dembski 1998]. Согласно логике метода, на практике статистически неправдоподобные гипотезы можно отбросить и более не рассматривать (Примечание 2).

О том, что такое абдуктивное логическое заключение, легко понять из примера. Допустим, что установилась исключительно сухая погода и что вчера мы видели, как городские службы поливали проезжую часть и газоны. Сегодня утром мы снова видим лужи на проезжей части и мокрые газоны. Наиболее правдоподобной гипотезой, объясняющей наблюдения, является заключение о том, что и сегодня лужи появились в результате полива. Конечно, существует ненулевая вероятность того, что ночью шел дождь. Однако во время засухи вероятность дождя достаточно низка. И еще более низка вероятность неравномерного его выпадения только на проезжую часть и газоны.

Таким образом, при определенных условиях абдуктивный вывод о целенаправленном участии агента в создании интересующей исследователя конфигурации не только возможен, но и предпочтителен. 

А что если мы зададимся таким же вопросом, но по отношению к живым организмам? Можно ли исходя лишь из имеющихся конфигураций живой материи – скажем, из строения тела, организации передачи информации в процессе размножения, характере обменных реакций и пр. – сделать заключение о том, какие именно факторы играли определяющую роль в процессе формирования этих конфигураций? Да и вообще можно ли так ставить вопрос в отношении к живой материи? 

По моему убеждению, такая постановка вопроса является совершенно оправданной. Иногда решение глубокой научной проблемы становилось возможным именно вследствие правильно поставленных вопросов или нового свежего взгляда. Талант исследователя по преимуществу и проявляется именно в области постановки научной проблемы и в способности по-новому взглянуть на вещи. Более того, именно такая постановка вопроса в отношении к биосистемам возможна только при условии отказа от принципов узко понимаемого натурализма. Может быть, кому-то это покажется неприемлемым, но это уже дело не науки, а личных мировоззренческих предпочтений. Мы не имеем права ограничивать свободу научной мысли путем наложения априори искусственных ограничений в области постановки задачи.

Здесь у читателя может возникнуть справедливый вопрос: а не хочет ли автор «протащить» старый избитый аргумент от незнания, не пытается ли он закрашивать белые пятна путем привлечения божественного вмешательства. Вовсе нет. Напротив, я убежден в том, что нужно всегда обходиться минимумом средств научного описания, однако описание должно быть не только как можно более простым, но, прежде всего, корректным. Моя цель состоит в том, чтобы показать, что без привлечения категории выбора научно описать новейшие данные биологии адекватно сегодняшнему уровню научного знания, невозможно.

Синтез белка

Думаю, я не ошибусь, если скажу, что основной результат биологии, биоинформатики и кибернетики 20 века состоит в демонстрации того, что абсолютно вся известная биота имеет под собой программную, кибернетическую основу. Воспроизведение всех живых организмов осуществляются программно. При размножении используется код, ставящий пяти известным азотистым основаниям нуклеиновых кислот ДНК/РНК – т. наз. нуклеотидам аденину (A), цитозину (C), тимину (T)/урацилу (U) и гуанину (G) – в устойчивое соответствие двадцать протеиногенных аминокислот, входящих в состав всех синтезируемых белков будущего организма. Но не только воспроизведение живого, но и функции его жизнедеятельности также реализованы программно, о чем мы сейчас и поговорим. Однако прежде, вероятно, стоит обсудить, что такое программа (алгоритм), код и принятие решений.

Программа как последовательность предписаний

Существуют программы разной сложности. Например, программа, единственной возможностью которой является вывод на монитор сообщения «Здравствуй, мир!», менее сложна, чем операционная система Solaris. Одна и та же программа  может быть записана различным образом, с использованием различного кода: на русском языке, на языках программирования – фортране, яве, руби, Паскале, ассемблере и др., – рунами, клинописью или плящущими человечками и т. д. Хранение программного кода может осуществляться на различных носителях, например, на листе бумаги, ферромагнитной ленте, перфокарте, берестяной табличке или, в конце концов, с использованием макромолекул нуклеиновых кислот. 

Однако в каждом случае программа представляет собой конечную останавливающуюся последовательность действий, инструкций или предписаний, необходимых для достижения определенного результата [Abel 2011]. Таким образом, уже сам факт существования алгоритма говорит нам о постановке цели, лежащей в основе его создания. Требования конечности и остановки программы чрезвычайно важны. Остановка выполнения программы соответствует либо успешному решению исходной задачи, для чего, собственно, и создается алгоритм, либо получению отрицательного результата, что равносильно утверждению о том, что поставленная задача не имеет решений.

Здесь важно отметить два обстоятельства. Во-первых, каждое программное действие в штатных режимах осуществляется в состоянии динамического равновесия физической системы, в рамках которой это действие производится. Например, компьютер, вычисляющий решение задачи по определенному алгоритму, с точки зрения механики, вполне может при решении задачи находиться в покое на рабочем столе, а организация информационных потоков с помощью разбиения жесткого диска на логические никак не связана с механическим поведением компьютера как совокупности физических тел (системного блока, монитора и периферии). Поэтому физические или химические процессы, сводящиеся к движению материи из положения равновесия (или в него), не могут быть ответственны за появление программы как таковой. Физическая среда представляет лишь субстрат для организации информационной системы (источика, кодировщика, канала передачи, интерпретатора и приемника), оставаясь совершенно инертной в отношении семантики и прагматики информационного обмена [Abel 2011]. С помощью одних и тех же физических или химических процессов можно организовать передачу совершенно различной информации. И, наоборот, смысл передаваемого различными способами одного и того же сообщения не может определяться физическими свойствами канала передачи. Например, смысл того, о чем я говорю, можно передать не только письменно, но и устно или жестами, сурдопереводом. Семантическая нагрузка информационных сообщений при этом не зависит от физических свойств среды (электрического сопротивления сетевого кабеля или скорости звука в воздухе).

Во-вторых, согласно теории вычислимых функций, фундаментальным свойством алгоритмов является принципиальная невозможность алгоритмически предсказать в общем случае, «выдаст» ли определенный алгоритм, на вход которого подаются известные данные, решение задачи. Я имею в виду знаменитую проблему остановки машины Тьюринга [Garey and Johnson 1979]. Отсюда следует, что для появления программы необходим так называемый интеллектуальный неалгоритмический оракул, способный спрогнозировать, предсказать, предвидеть поведение программы без того, чтобы выполнить все ее действия от начала до конца. Подобное научное предсказание, например, возможно при использовании предыдущего опыта решения аналогичных задач. Таким оракулом на практике и является лицо, принимающее решения, например, программист, главный технолог предприятия, разрабатывающий бизнесс-процесс производства продукции, терапевт, предписывающий программу реабилитации пациента после дорожно-транспортного происшествия и т.д. [Lukas 1961]. В качестве агента могут выступать не только человек или компьютерная программа, но также и животные. При этом совершенно не важно, что животное не обладает сознанием, но предпринимает те или иные действия инстинктивно. Важно, что и они (по крайней мере, высокоорганизованные виды животных) вполне способны разрабатывать стратегию собственного поведения для достижения цели, скажем, для добывания пищи, для укрытия от хищников, маскировки жилища или ухода от погони. 

И, наконец, отмечу, что физическая среда не может породить программу, как иногда ошибочно полагают [Chaitin 2012], поскольку она не обладает возможностью интеллектуального неалгоритмического поведения и является интертной по отношению к целеполаганию, лежащему в основе процесса создания алгоритмов. Поэтому программа как последовательность действий может быть создана только интеллектуальным агентом (например, человеком или животным).

Код – абстрактное соответствие между материальными объектами

Всякая программа, выполняющая последовательность действий, по необходимости должна где-то храниться, а значит, возникает вопрос об организации записи-чтения и кодирования-интерпретации записанных (считанных) инструкций. О чем может свидетельствовать сам факт наличия программного кода, а также его записи, хранения, считывания и интерпретации? 

Код является знаковой системой, то есть набором знаков, символов с установленными нефизическими, абстрактными отношениями между ними, отображающими отношения между так называемыми денотатами, то есть между тем, что эти символы обозначают. Таким образом, код представляет собой своеобразный протокол между материальными объектами – символом и денотатом. Отношение символ-денотат всегда существует в рамках того или иного концепта, то есть смыслового, функционального информационного контекста [Болотова 2012].

Код является логическим, абстрактным средством наделения некоторой конфигурации материальной системы смысловой нагрузкой. Например, цифровой замок устанавливает соответствие между ключом и группой лиц, авторизованных получать доступ к конфиденциальной информации. Танец пчелы несет информацию о местоположении цветочного луга относительно улья с поправкой на изменение положения солца над горизонтом за время полета насекомого. Улыбка может означать выражение положительных эмоций. Цветок на окне может являться сигналом провала разведчика. Буква алфавита соответствует определенной фонеме, а последовательность фонем – слову, имеющему в контексте фразы определенный смысл и т.д.

Примеры знаковых систем: запрещающие знаки дорожного движения (вверху слева), алфавит (вверху справа) и генетический код (внизу) - знаковая система, использующася при размножении живых организмов, ставящая в соответствие тройке нуклеотидов («букв») протеиногенные аминокислоты. Источники: minigra.ru, liveinternet.ru, elementy.ru

Несмотря на абстрактность кода как устойчивого во времени отношения между символом и денотатом, его использование в исследуемой системе может быть распознано вполне объективно. Вероятно, самый яркий тому пример – генетический код, то есть устойчивое во времени соответствие между пятью азотистыми основаниями в молекулах нуклеиновых кислот и остатками 20 протеиногенных аминокислот в синтезируемых белковых макромолекулах. Символами в данном случае являются отдельные нуклеотиды (а точнее тройки нуклеотидов, так как с целью минимизации потери информации нуклеотиды интерпретируются в большинстве случаев именно группами по три). Денотатами являются аминокислотные остатки в строящейся белковой молекуле, а концептом – функциональный протеом (см. примечание 3).

Что такое принятие решений?

Почему говорят, что в живых системах реализовано принятие решений? Что оно собой представляет?

Принятие решений — это, по определению, выбор из альтернатив, осуществляемый в рамках планирования. Этот выбор делается так называемым лицом, принимающим решения (ЛПР), или агентом. Представьте себя в магазине со списком покупок, список большой, денег на все не хватает. Вы начинаете принимать решения: вот это я куплю, а вот это не буду. Выбор из альтернатив совершается для какой-то определенной цели, исходя из каких-то определенных условий и ограничений. При этом каждая из альтернатив соответствует положению равновесия динамической системы и поэтому среда безразлична по отношению к выбору из набора альтернатив. Например, целью может быть комбинация: сэкономить средства и купить как можно больше продуктов, содержащих такие-то витамины. Цель может быть сформулирована как оптимизация по какому-то одному или нескольким критериям. В случае нескольких критериев выбор приемлемого оптимума также осуществляется ЛПР из т. наз. парето-множества на основе приемлемого компромисса (парето-оптимальность).

Как я уже сказал выше, принятие решений осуществляется агентом. Однако оно может также быть делегировано автоматике, то есть программе. Примеры: станки с числовым программным управлением, программа Windows XP, синтез белка, нанотехнологии (молекулярная логика, процессоры на кристаллах). Но даже если в какой-то рассматриваемой нами системе принятие решений происходит автоматически, эти решения, неформально говоря, ЛПР должен был заранее запрограммировать на будущее. Более строго говоря, эксперт при написании программы определяет эвристический ход поиска решений задачи, направляя будущий поиск в области пространства состояний, в которых, как он полагает, плотность решений выше среднего. При этом эксперт (явно или неявно) сообщает поисковой системе т. наз. активную информацию [Ewert et al 2010] о желаемых характеристиках как процесса решения задачи, так и самого решения.

ЛПР необходим для появления программы. Иных способов появления программы как останавливающейся осмысленной законченной последовательности инструкций не существует. Почему это так? На основе заданных прагматических критериев (как в примере выше, экономия денежных средств и максимизация витаминосодержания) программа осуществляет выбор между состояниями системы, которые являются равновесными и безразличными с точки зрения физики и химии (см. примечание 4). По этой причине выбор между такими состояниями не может быть осуществлен средой автоматически и, следовательно, программа необходима [Abel 2011].

Легко видеть, что принятие решений вовсе не обязательно означает осознанность выполняемых непосредственно рассматриваемой системой действий в том случае, когда их выполнение запрограммировано. Тем не менее, в силу сказанного исследователь, при определенных условиях имеющий возможность распознать наличие программы поведения изучаемого объекта, даже при отсутствии достоверных данных о происхождении исследуемой системы, вполне обоснованно приходит к выводу о высокой вероятности того, что сама эта система явилась результатом осознанных действий ЛПР. Более того, в ряде случаев эта вероятность столь близка к единице, что в практической деятельности мы можем с уверенностью говорить об интеллектуальном происхождении исследуемой системы как целого.

Как мы видели, с точки зрения теории сложности вычислений для появления самой программы нужен неалгоритмический оракул, то есть агент. Это, на мой взгляд, следует из фундаментального результата теории вычислимых функций — отсутствия алгоритмического решения проблемы остановки машины Тьюринга [Garey and Johnson 1979]. Машина Тьюринга — это математическая модель алгоритма. Ее остановке отвечает завершение работы соответствующего алгоритма. Можно дискутировать по поводу того, может ли программа случайно измениться и при этом «не поломаться», в каких конкретно пределах возможны на практике подобные изменения кода и что для этого нужно практически, но не подлежит никакому сомнению, что первая программа живого должна была появиться исключительно интеллектуальным путем. 

Машина Тьюринга - математическая модель алгоритма

Более того, физическая среда, реализующая лишь пассивный отбор, не может создать сколь-либо нетривиальную новую программу, задающую биологическую новизну, потому что среда инертна по отношению к семантике и прагматике знаковых систем и оптимизации функции цели. Поскольку среда может выбирать лишь из существующих биологических функций, вопрос возникновения достаточно больших количеств функционального генетического и эпигенетического кода актуален не только в отношении появления первой биологической функции, но и всякой нетривиальной новой биофункции. Для того, чтобы подпасть под действие отбора, сначала должен появиться функциональный код. Следовательно, среда не только не может служить источником биологической жизни сама по себе, но она даже не в состоянии породить биологическую новизну, которая также требует существования соответствующей новой генетической и эпигенетической программы. 

При рассмотрении вопросов, связанных с организацией биологических систем, важным понятием является так называемая функциональная информация, то есть информация о том, как может быть достигнута биологическая функциональность, например, способность белка вступать в конкретное белок-белковое взаимодействие [UncommonDescent.com]. 

Количество функциональной информации в биологической системе, например, в молекуле белка, можно измерить [Durston et al 2007]. С этой целью были предложены конкретные метрики, например [Hazen 2007], а также выявлены практические статистические нижние оценки количеств функциональной информации, по которым можно сделать вывод о том, что определяющим фактором в генерации таких количеств функциональной информации является исключительно интеллект ЛПР, тогда как факторы стохастической природы и закономерные факторы физико-химической природы, хотя и присутствуют, но не являются решающими в процессе генерации той или иной рассматриваемой конфигурации [Abel 2009]. 

Важное понятие функциональной информации требует небольшого пояснения. Допустим, что у нас имеется некоторый язык описания объектов исследования. Таким языком может служить, например, естественный человеческий язык или язык программирования. Тогда любой объект исследования может быть представлен строкой символов алфавита языка описания. Строки удобно сравнивать и анализировать. Теперь представим себе, что некоторое полезное свойство объекта исследования описывается только определенными (функциональными) строками. Тогда количество функциональной информации, содержащейся в строках описания, будет пропорционально взятому с обратным знаком логарифму отношения числа функциональных строк длины, не более заданной, к максимальному числу возможных строк длины, не более заданной. Физический смысл этого определения легко понять. Если определенная функция задается относительно малой долей строк, то эти функциональные строки будут нести сравнительно большое количество информации. И наоборот, если та или иная функция обеспечивается большой долей строк, количество функциональной информации в таких строках сравнительно мало. И, наконец, если функциональность обеспечивается любой из возможных строк, количество функциональной информации в каждой строке равно 0.

Существует научная гипотеза, основанная на многочисленных наблюдениях, согласно которой для каждой системы имеется некоторое пороговое количество функциональной информации [Abel 2009], которое может быть сообщено или накоплено «естественным» неинтеллектуальным путем, тогда как количества информации, большие порогового, могут  быть сгенерированы только интеллектуально [Durston 2013]. Эту гипотезу легко опровергнуть: как только на практике продемонстрируют, что существует неинтеллектуальный «естественный» процесс, порождающий количество функциональной информации, больше порогового, гипотезу можно считать опровергнутой. Обратите внимание на то, что данная гипотеза формулируется в статистической постановке. По мере увеличения функциональной информации в системе вероятность того, что эта система явилась результатом осознанного планирования возрастает, тогда как вероятность определяющего влияния стохастики и закономерности падает. Если количество функциональной информации в системе намного превышает пороговое, то говорить об определяющем влиянии стохастики и физико-химических взаимодействий, с точки зрения статистики, не приходится.

Повторю, что главным результатом кибернетики и биологии последних десятилетий, по моему мнению, является установление того, что вся известная науке биота имеет программную основу. Живые системы осуществляют автоматическое управление своим состоянием. Биосистемы реализованы таким образом, что принятие решений в них запрограммировано. Автоматическое принятие решений лежит в основе инстинктов. Инстинкты — это программы действия организма, реализованные на разных уровнях: клеточном, тканевом, на уровне отдельных органов и систем, и, наконец, на уровне всего организма. Одним из множества примеров автоматики, реализованной на макромолекулярном уровне, является хемотаксис, то есть движение одноклеточного организма в среде по градиенту концентрации питательных веществ и против градиента концентрации вредных веществ. Высшая нервная деятельность человека позволяет ему помимо инстинктов осуществлять также и осознанное принятие решений.

Живой организм как система искусственного интеллекта

Эукариотическая клетка. Источник: dic.academic.ru

Живое имеет много общего с интеллектуальными системами, созданными человеком, и обладает характеристиками, сходными с ними. Система искусственного интеллекта представляет собой аппаратный и информационно-программный комплекс, действие которого аналогично мышлению человека, а принимаемые решения в ряде случаев неотличимы от решений, принимаемых экспертами в данной предметной области [Болотова 2012]. С точки зрения кибернетики, живые организмы неотличимы от систем искусственного интеллекта, поскольку они также представляют собой аппаратно-программные комплексы, настроенные на принятие решений в процессе размножения и жизнедеятельности. С другой стороны, в неживой природе не наблюдается систем, функциональная сложность которых сравнима или превышает сложность живых организмов [Abel 2011]. Поэтому предположение об интеллектуальном происхождении биосистем не лишено оснований. 

Белковая жизнь включает в себя информационный аспект и поэтому не может быть сведена только к физике. Важнейшими отличительными особенностями живых систем являются:

• запись, кодирование, считывание и интерпретация генетической и эпигенетической информации в процессе размножения;
• реализация механизмов принятия решений как на клеточном и тканевом уровнях, так и на уровне отдельных органов, систем органов и всего организма. 

В работе [Болотова 2012] обсуждаются свойства знаний (раздел 1.4), в частности, такое свойство, как активность.

«ЭВМ по заданной программе обрабатывает те или иные данные. В программе сосредоточено процедурное знание, т.е. знание — действие. Оно хранит информацию о том, как надо действовать, чтобы получить желаемый результат. То есть данные — это декларативные знания. Они хранят информацию о том, над чем надо выполнять эти действия. Программа, прежде всего, играет роль активатора данных. Таким образом, активность интерпретируется как инициирование действий информационной системы в результате появления каких-то данных или знаний. Можно сказать и так, что декларативные знания или данные становятся активаторами процедур их обработки». Курсив [Болотова 2012], полужирный шрифт мой (Е.С).

То же самое происходит и в живых организмах. С этой точки зрения, искусственные информационные системы и биологическая жизнь неотличимы. Эволюционные модели постепенного генезиса сложной функциональной системы {машина Тьюринга, лента с данными} [Eigen and Schuster 1978, Ganti 1975] нереалистичны, поскольку ни машина Тьюринга без данных, ни данные без обрабатывающей их программы не имеют никакого смысла. Напротив, данные, протокол их представления и интерпретатор загружаются в систему искусственного интеллекта извне, причем загрузка осуществляется проектировщиком целенаправленно. Нет абсолютно никаких оснований считать, что биосистемы явились в этом смысле исключением. Вопрос об автономности уже существующих систем искусственного интеллекта, то есть о том, может ли и в какой степени машина с данными претерпевать изменения со временем, откликаясь на изменения среды, вторичен по отношению к вопросу о генезисе самого комплекса {программа, данные} [Abel 2011]. 

Итак, программа и данные существуют только в единстве, и сложный комплекс, включающий:

• машину Тьюринга, представленную в системе размножения живых организмов  считывающей полимеразой, рибосомами, факторами транскрипции и трансляции и т.д. (подробности см. [Википедия, статья «Биосинтез белка»]);
• ленту с данными, представленную молекулами нуклеиновых кислот (ДНК/РНК),

представляет собой систему искусственного интеллекта.

Итоги

Подведем некоторые итоги. Методологический натурализм, априори исключающий из рассмотрения категорию волевого выбора, не в состоянии объяснить возникновение программы как таковой, поскольку программа как последовательность предписаний для достижения целевого состояния, характеризующегося оптимумом по прагматическим критериям, может появиться только как результат принятия решений интеллектуальным агентом в рамках планирования.  Программа автоматически реализует принятие ее разработчиком решений по выбору из безразличных с точки зрения физики положений равновесия динамических систем. Следовательно, алгоритм в общем случае не может быть сведен к физическим законам движения материи. 

С другой стороны, вся известная науке биота имеет алгоритмическую основу. Помимо интеллектуального создания, иных способов возникновения алгоритмов не существует. Физическая среда, реализующая лишь пассивный отбор, не может создать сколь-либо нетривиальную новую программу, потому что неживая природа лишена центров принятия решений и инертна по отношению к семантике и прагматике знаковых систем и оптимизации функции цели. В то же время биологическая новизна требует существования соответствующей программы, реализующей ту или иную новую функцию. Следовательно, натурализм не способен корректно описать не только возникновение жизни, но и генерацию принципиально новых биологических форм. 

Наконец, в живом в форме инстинктов реализованы множественные алгоритмы принятия решений. Биосистемы обладают свойствами, общими с системами искусственного интеллекта. Все перечисленное невозможно объяснить лишь действием факторов закономерной или случайной природы без привлечения интеллектуального принятия решений в процессе планирования.

Благодарность

Я хотел бы выразить особую благодарность доктору Дэвиду Абелю и другим коллегам за ценные обсуждения затронутых в статье проблем.

Примечания

1. Например, теоретически возможны такие исходы бросков, при которых монета приземлится на ребро или вообще не долетит до земли, а будет уничтожена выстрелом снайпера.
2. Справедливости ради необходимо отметить, что этот подход к выработке рабочих научных гипотез не является единственным. Критики использования метода Фишера применительно к анализу гипотез утверждают, что необходимо удерживать весь набор возможных гипотез в виду того, что дополнительные эксперименты могут существенно повлиять на вывод о том, какие из гипотез нужно считать наиболее значимыми.
3. Множество белков дочернего организма.
4. Исключения составляют тривиальные случаи упорядочения элементов систем, которое может происходить как результат известных физических взаимодействий без непосредственного участия агента (например, кристаллизация из раствора или удаление крупных частиц взвеси под действием центробежных сил). Тем не менее, даже эти простые алгоритмы сортировки на практике должны быть закодированы, записаны, считаны, проинтерпретированы и отработаны, как и любой иной алгоритм. Так или иначе, все множество чрезвычайно сложных процессов принятия решений и управления состоянием биологических систем совершенно невозможно свести лишь к упорядочению, то есть автоматическому отбору среды.

Литература

1. Л.С. Болотова (2012): Системы искусственного интеллекта: модели и технологии, основанные на знаниях. М., «Финансы и статистика». 
2. Макс Борн (1963): Физика в жизни моего поколения. М., Иностранная лит-ра.
3. Википедия, сетевая энциклопедия.
4. Вебсайт Института философии РАН.
5. David L. Abel (2009): The Universal Plausibility Metric (UPM) & Principle (UPP). Theoretical Biology and Medical Modelling, 2009, 6:27.
6. David L. Abel (2011): The First Gene, 2011.
7. Gregory Chaitin (2012): Life as Evolving Software.
8. William A. Dembski (2000): The Third Mode of Explanation: Detecting Evidence of Intelligent Design in the Sciences, in «Science and Evidence for Design in the Universe», Michael J. Behe, William A. Dembski, Stephen C. Meyer (Eds.), Ignatius Press.
9. William A. Dembski (1998): The Design Inference: Eliminating Chance Through Small Probabilities, Cambridge University Press. 
10. Durston, K. K., Chiu, D. K., Abel, D. L. and Trevors, J. T. (2007): Measuring the functional sequence complexity of proteins, Theoretical Biology and Medical Modelling, 2007, 4: 47. Свободный полнотекстовый доступ: http://www.tbiomed.com/content/4/11/47.
11. Durston, K. K. (2013): The Scientific Case for Intelligent Design.
12. Eigen, M., and Schuster, P. (1978): “Part A: Emergence of the Hypercycle.” Naturwissenschaften 65:7–41. http://www.springerlink.com/index/N1431278021QVP77.pdf
13. Winston Ewert, George Montanez, William A. Dembski, Robert J. Marks II (2010): «Efficient Per Query Information Extraction from a Hamming Oracle», Proceedings of the the 42nd Meeting of the Southeastern Symposium on System Theory, IEEE, University of Texas at Tyler, March 7-9, 2010, pp.290-297.
14. Fisher, R.A. (1954): Statistical Methods for Research Workers. Oliver and Boyd. ISBN 0-05-002170-2.
15. Ganti, T. (1975): Organization of chemical reactions into dividing and metabolizing units: the chemotons, Biosystems, 7 (1) 15-21.
16. Michael R. Garey, David S. Johnson (1979): Computers and Intractability: A Guide to the Theory of NP-Completeness. Freeman and Co. 
17. Hazen R.M., Griffen P.I., Carothers J.M., Szostak J.W. (2007): Functional information and the emergence of biocomplexity, PNAS, 104:8574-8581. 
18. Paul Hoyningen-Huenen (1994): Niels Bohr’s Argument for the Irreducibility of Biology to Physics. In J.Faye, H.Folse (eds.): Neils Bohr and Contemporary Philosophy, Dordrecht, Kluwer.
19. Lukas, J.R. (1961): Minds, Machines and Gödel, Philosophy, XXXVI, 1961, pp.112-127.
20. UncommonDescent.com: Frequently Raised but Weak Arguments Against Intelligent Design, www.uncommondescent.com/faq