加载中…
个人资料
春秋大梦
春秋大梦
  • 博客等级:
  • 博客积分:0
  • 博客访问:2,135
  • 关注人气:119
  • 获赠金笔:0支
  • 赠出金笔:0支
  • 荣誉徽章:
正文 字体大小:

斯坦福大学《从生物学看人类行为》学习笔记22——事物出现与复杂

(2012-11-28 15:18:12)
标签:

杂谈

1h42mins

细胞自动机是一个很好的用混沌学相关原理来检验这个原理的模型。
(幻灯片)你们看到的是由非常简单的局部规则组成的复杂模式,这些线条的特点完全具备了复杂性系统自然出现的复杂性条件。但是不能总是形成这种理想的模式。在大多数细胞自动机系统中,下一代的繁殖是以一个初始条件和一套简单的局部近邻规则为基础展开的。大多数情况下,这一模式不久就会停止。这里讨论的关键是相对少数量的初始形态,成功产生了更少数量的与之看起来非常相像的成熟形态。换言之,用一组不同的条件,得到了一组数量更少的常规模式。半数成功生长发展的细胞自动机看起来和这个模式相像。这就是趋同现象,它指不同的结构随着时间推移趋于相同。细胞自动机总结了绝大部分会失败,只有相对较少的一部分成熟结构能够存活下来的事实。初始形态的较小差别,会扩展成区别很大的结果。
如果你像看一本正常人不会读的书,你可以看看Steve wolfram写的书《一种新科学A New Kind of Science》,他是一个精通计算机和数学的天才,是第一个开发细胞自动机的人之一,这本书太难理解了,卖了很多本,但现在大多数都被搁在车库压排水管了。书中有很多自然界里由简单邻近规则组成的模式,这本书揭示了一个简单的真相,有许多聪明的人在做细胞自动机的研究,但她们没有办法提供预知先验的规则,没办法知道哪一个才能生存,哪一个会灭亡,哪些会一样。书中还有很多不错的关于细胞自动机如何在自然里逐步发展的图片。他的大致论点是这些现象显示了你能再自然界中用少量简单规则组成复杂事物。这就是事物的出现。
神经网络
神经网络的核心问题是信息在网络中以神经元激活的方式被翻译。它的运作原理解释了人脑与计算机的差异,计算机善于处理与此类似的连续的分析性工作,但是我们的大脑能做平行加工,我们会处理模式,相似,相像,含有很多隐喻的相像的信息。
20世纪40年代有个大人物叫Karl Lashley,他做了一个系统化的尝试,发现大脑中贮存个体事实的地方。当时的术语叫记忆印迹(engrams)。他在不同的现实情况中寻找记忆印迹。他试图破坏实验动物的部分大脑皮层,但结果他没能让皮层的信息消失,有些认知和记忆还存留在那里。他著名的论文《寻找记忆印迹In search of engram》总结到,根据他所知的科学,并没有记忆这个东西。原因是他在一个模型中切除一个单独的神经元,整个网络依旧运行如常。在临床上也可以看到这样的例子,老年痴呆患者早期会在神经网络中某一位置失去一个神经元,早期老年痴呆临床症状是,他们并不是忘东西,也不是记忆消退,只是更难想起。使用各种各样的神经心理学测试,可以确定他们需要给出提示才能想起来,这种情况不是个体记忆的死亡,而是一个网络的萎缩,一个需要更多提示来唤醒的网络。
下一个问题是缺少足够的基因。这里引入的概念是分形基因。在真实的系统中分形是怎么运作的呢?在人体内,任何细胞不可能距离血管5个细胞之远,这并不是一件容易做成的事情,因为血液系统只占人体的5%。血液系统通过不断分裂毛细血管的末端或者用他们的表面区域制造肺以交换氧气,这种方法能产生一个延伸到各处却其实没有占据太多空间的系统。这就是分形的解决方法。
既然有分形基因这样的想法,自然而然就有分形变异的产生。很多遗传学家以及支持分子生物学的人并不考虑这个范畴,但却是有人在讨论分形变异。假设通过变异产生出有细微差别的蛋白质,变异会制造没有尺度限制的后果,有些分形变异是一小部分在身体里有空间关系的疾病。比如,有种疾病叫科尔曼综合症(Coleman syndrome),是由身体中的中间线结构出现问题所致,鼻子间的隔膜出现了问题。

现在我们讲复杂性事物的出现(emergent complexity)。事物出现由生物物理学特性驱使产生,而不是基因,这是10年前去世的植物发育学家Paul Green的观点。还有一个事物突现的例子由Francis Galton提出的”群众的智慧现象“。在各种生命系统里都能看到类似的群众的智慧。比如,有个蚂蚁群体,有只蚂蚁死了,他们尝试把死蚂蚁搬回蚂蚁群落,一群蚂蚁把它退回窝,他们中每一个都知道要搬去哪里吗?不是,事实是每一只蚂蚁都对此有概念,还有一大群蚂蚁有相对精确的概念,一小部分蚂蚁稍微有点不清楚,有极小部分根本不知道。没有一个蚂蚁精确知道要搬去哪里,是群体的智慧让事情进行下去。
复杂事物的出现,是一个由简单规则支配大量参与者进行相互作用的系统。观察一只蚂蚁的行为,没有一样是有意义的,观察10只,依旧没有意义,大概到1000只的时候,他们的行为就开始有意义了。观察1万只或者10万只,突然你看到的就不再是一些小东西到处漫无目的的乱走了,而是看到一个能产生真菌、能调节温度等有功能的群体。突然,这些蚂蚁中就出现了一个复杂的不可思议的有适应能力的系统,关键是,群体中没有一只蚂蚁知道温度应该是怎么样的,这是从蚂蚁活动中的本质产生的。组成部分非常简单,一只蚂蚁,他们的互动规律很简单,一旦他们有规律可循,非常复杂的具有适应能力的方式就会出现。
这个理论也解释了另外一个问题,蜜蜂是怎么选择新的筑巢地点的?我们已经知道蜜蜂通过跳舞传递信息,研究表明那些找到更好居住地的蜜蜂跳舞的时间会更长,找到更快捷路径的蜜蜂留下的信息持续时间更长,被其他蜜蜂遇到的概率很高,不知不觉就优化了蜂巢的移居地。这里不是群众智慧,是携带信息的一代遵循简单规律,以及拥有一条可以产生随机因素与理想解决方案的信息的基础上,显现出来的复杂性突现。
20世纪50年代,两位来自芝加哥大学的科学家Urey and Miller做的氨基酸形成实验和很多其他研究人员都承认这样一个基本原理,把足够多的简单分子放在一起,只要有吸引和排斥法则起作用,在受到扰乱和与空间有关的分布以后,不久就会形成合理的结构。
这一法则在另一领域的运用。假设你在研究地震,搜集到足够的信息后建立了一个庞大的数据库,制作出里氏一级、二级、三级如此类推的地震频率图,图表分布呈现有角度的幂律分布。接下来做另一件事,观察15000人和他们过去一年的电话记录,记录他们的通过跨度,通话的双方距离有多远,在图上标出这些距离,标出最短与最长距离的通话,频率,得出的曲线完全一样。很多事物都呈现幂律分布,其本质是分形
人们一直在尝试寻找孤独症的生物原因,最初的猜想是大脑的某个部分缺少足够的神经元,或者在某个部位有过多的神经元,而事实上孤独症病人的大脑皮层有相对正常数量的神经元。接着,有些人就开始研究孤独症病人的神经元在大脑皮层投影的轮廓,研究可见幂律分布,但是有点不一样,分布更急剧,这意味着什么?在孤独症病人的大脑皮层中,局部联系更多,远程联系极少。更多局部联系意味着很小的群体范围,分子具备的功能少,被其他分子孤立。一定程度上,实际情况也是如此,有些孤独症病人缺少不同功能的集聚,当发生变异,幂律分布就会发生改变。
很有意思的是,大脑皮层的幂律分布有性别差异,在男性大脑会更急剧。大脑中的投射从一个半球到另一个半球时,会经过一个叫胼胝体的结构,平均而言,女性脑胼胝体比男性的厚。这表明女性大脑的网络中有更多的远程联系,所以胼胝体更厚。男性的胼胝体比较薄,孤独症患者的更薄,这与之前提到的Baron cohen 的极度男性概念相符。

那么神经系统如何做到这样连接的呢?群体智能。大脑皮层开始发育以后,产生放射性胶质细胞,有成千上万的神经元的大脑皮层进行这一过程,就会出现最优幂律分布。
怎样把这些理论应用到人类?从神经生物角度讲,人类与其他生物没有本质区别,这是一个极大的挑战,单看一个神经元并不能分辨出生物种类,我们不是因为创造了新型的大脑细胞和新型的化学介质而成为人类的,我们和苍蝇有着一样简单的”现成的“神经元,我们有相近的组成部分,差别是什么,当然是每一个在苍蝇大脑里发现的神经元我们都有成千上万,这就体现了复杂性突现的特征,足够的数量创造质量。
我们都知道人与黑猩猩的基因差别不到2%,这2% 的差异有很多是宏观的差异,之前的进化课已经讲过。那么其他类型的基因主要差异在哪里?有一个很大的区别,我们的嗅觉感受器上的基因比黑猩猩少大概1000个,人来与黑猩猩的基因组有一半是不一样的。还有些差异和形态学、骨骼、毛发发育有关。那么大脑基因呢?后来的研究证实大脑的差别很小,这极小的差异体现在细胞分裂上,体现在每个细胞分裂的次数上,通过统计大脑皮层中祖细胞生成过程中的平均数,我们发现人类细胞要经过更多次的细胞分裂,在恒河猴大脑中原有神经元数量的基础上多3-4次细胞分裂,就会进化成人类大脑。在质量上,两者是同样的神经元,差别只体现在数量上。
混沌系统,复杂性突现系统告诉我们什么,贯穿其中的一个主题是对数量的强调,如果要建立一个别致的系统,只要在数量上下功夫就可以。第二个就是构成部分越简单越好。还有就是相互作用越随机越好,越能产生适应能力强的网络。还有就是信息梯度的力量。最近邻相互作用也是非常重要。另外一个与直觉相反的是通常在这些系统中表现比专家好的,更能有适应性的结果。
最后几点,关于混沌吸引子,我们用了很多时间思考为什么没有达到这个理想状态,混沌吸引子告诉我们,最优实在论之类的东西是个神话,我们都在偏离最优法。因为最优法只在复杂性突现中假想出来的东西。

0

阅读 收藏 喜欢 打印举报/Report
  

新浪BLOG意见反馈留言板 欢迎批评指正

新浪简介 | About Sina | 广告服务 | 联系我们 | 招聘信息 | 网站律师 | SINA English | 产品答疑

新浪公司 版权所有