スティーブン・ウルフラムが、機械学習の発見から得られた新たな知見を基に、生物進化のメカニズムに関する理論的修正を提示する。2011年以降の深層学習における「十分に訓練すれば学習する」という発見を、セルオートマトンの実験に応用したところ、自然選択がどのように機能するかをより詳細に観察することが可能になった。ウルフラムは、生物進化が成功する理由を、計算的還元不可能性と、環境という「観察者」の計算的有界性との相互作用として説明する。適応度関数は粗視化された目標を設定し、その達成のために還元不可能な計算の断片が組み合わされる。この原理は機械学習や物理学、数学においても共通しており、生物はこうした計算の塊を歴史的に積み重ねた結果である。ウルフラムはさらに、分子プロセスの「バルクオーケストレーション」という概念を導入し、生物学を超えた適応的に進化したシステム全般の理論構築を目指している。
機械学習が教えてくれた新たな直観
機械学習の大きな教訓、特に私たちが2011年に学んだことは、ニューラルネットワークにおいて、十分に叩き続ければ、それは何かを学習するということでした。これは明白なことではありませんでした。誰も、深層学習、つまり深層ニューラルネットワークが猫や犬などの画像を認識できるようになるとは知らなかったのです。そして偶然のように、もし十分に長く学習させ続けたら、十分に長く訓練させ続けたら、それが現れて、実際に何かを学習することに成功したのだということが発見されたのです。
これは、ニューラルネットワークのようなシステムを持つことができるという新しい直観の一部です。ニューラルネットワークは、これらのセルオートマトンの1つよりもはるかに複雑です。そのようなシステムを持つことができます。ただそれを叩き続けるのです、1000兆回か何かそういった回数、そして最終的にはそれが何らかの適応度関数をうまく達成し、何かを学習し、あなたがそれにやってほしいことをやるようになるのです。これが新しい直観の一部でした。
セルオートマトンの実験の再挑戦
それで私は考えたのです、これらを実行してみようと。私は機械学習の基礎について何か書いていて、この実験を試してみようと思いました。1980年代にそれを試したことがあると思っていて、うまくいかなかったのですが、今では私たちはニューラルネットワークの研究から何か違うことを知っています。もう少し長く実行してみようと思いました。すると驚いたことに、うまくいったのです。
そして私は、介在する40年かそこらの間のどの時点でもこれを発見しなかったことに少し愚かだと感じましたが、それでも、うまくいったことは本当に素晴らしいことでした。そしてそれは、自然選択がどのように作用するかを、初めてより詳細な方法で実際に見ることができることを意味しました。そして最終的に本当に起こっていることは、計算的還元不可能性が、これらの非常に単純なルールから非常に精巧な種類の振る舞いへと移行することを可能にしているということです。
適応度関数、つまりあなたが生き残るかどうかを決定するものは、生物学においてはかなり粗いものです。しかし、粗い適応度関数を持っていると想像してみましょう。例えば、パターンが消滅するまでの全体的な寿命とか、パターンがどれくらい広くなるかとか。あなたはそれがどのように広くなるかは言っていません。特に言っていませんが、どれくらい広くなるかと言っています。
粗い適応度関数と計算的還元不可能性
そのような種類の粗い適応度関数を使えば、高い適応度を達成することに成功することができますが、それを非常に複雑な方法で達成するのです。還元不可能な計算のこれらの断片を組み合わせることによって、それを達成するのです。そしてそれは、最終的に、生物進化がなぜ機能するのかという問いに対する答えは、物理学や実際には数学で起こることと同じ話だということだと私は考えています。
それは、基礎となる計算的還元不可能性と、その計算の「観察者」の計算的有界性との相互作用なのです。物理学の場合、観察者は私たちであり、物理世界で実験を行っています。数学の場合、それは数学の構造を見ている数学者です。生物学の場合、観察者は一種の環境なのです。
それは適応度関数です。適応度関数は観察者の類似物のようなものです。そして適応度関数は、この種の粗い目標を達成すれば成功だと言っているのです。そして生物進化が機能する理由は、基礎となる還元不可能な計算に非常に多くの力があるため、これらの粗い適応度関数の多くを達成することができるからです。
複雑すぎる適応度関数の限界
生物が生き残る唯一の方法が、卵から孵化してすぐに1000個の素数を計算し、他のあらゆる奇妙なことをすることだと想像してみてください。そうでしょう?それは生き残れません。私はそれをやりました。そうですね。生まれたときにやりました。誰もがそうするように。しかし、そのような特定の非常に複雑な目標を達成することはできないでしょう。
実際に起こることは、適応度関数がそれよりもはるかに粗いということであり、だからこそ生物進化が機能することができたのです。しかし、実際に内部で何が起こっているのかと言えば、内部で起こっていることは、計算的還元不可能性の断片が、この粗い適応度関数を達成するたまたまそうなる方法で組み合わされているということです。ところで、これは機械学習で起こっていることと同じだと私は思います。
機械学習では、同じ話で、その場合の適応度関数は、何らかの訓練目標を達成しようとしているということです。そしてあなたは、これらの還元不可能な計算の塊を組み合わせることによってそれを行うのです。私が使ってきた比喩は、それは石壁を作るようなものだということです。精密な工学をやっているなら、精密なレンガを作り、それらを非常に精密な方法で組み合わせることによって壁を作るかもしれません。
機械学習における石壁の比喩
しかし代替案は、地面から拾った適当な石で石壁を作ることができるということです。そして、これはここにだいたい収まるなと気づきます。これをそのように入れてみようとか、そんな具合です。それが機械学習で起こっていることです。あなたはこの石壁を作っているのです。もしそれから、なぜこの機械学習システムのこの特定の機能がそのように機能するのかと言えば、それは私たちがたまたま地面に転がっているその特定の石を見つけたからか、訓練のために選んだ乱数でたまたまこの特定の分岐を下っていったからなのです。
それで、これらのランダムな還元不可能な計算の塊の集合のようなものなのです。私たちもそうなのです。生物学において、地球上の生物学の歴史において、サイコロは特定の方法で振られてきました。私たちはこれらの還元不可能な計算の塊を組み合わせて、今日の私たちである生物を作っているのです。
私たちが取ることができた他の多くの可能な道があり、それらもまた多くの適応度目標を達成していたでしょう。しかしそれは特定の歴史的な道が取られたというだけのことです。やってみると少し衝撃的なことの1つは、これらの進化したセルオートマトンの1つを取って、それは非常に精巧に見え、その中にこれらすべてのメカニズムがあり、特定のことをするこれらすべてのパッチがあり、それらが興味深い方法で組み合わされているなどといったものです。そしてLLMに、このパターンの説明を生物学の教科書のスタイルで書いてくださいと尋ねるのです。そしてそれは少し衝撃的です、なぜならそれは生物学とまったく同じように聞こえるからです。なぜならそれは首尾よく説明しているからです。
LLMが生成する生物学的記述
遠位の三角形のこれこれがあって、これとこれとこれと相互作用しているなどと、時々それは物事の名前を作り出すことができます。そしてあなたが行って生物学の教科書を開くと、それはほとんど同じように読めます。それは説明なのです、生物学、そして生物学の詳細は、地球上の生命の歴史によって組み合わされた計算的還元不可能性のこの特定の一連の断片の記述であり、それが今日の私たちを私たちたらしめているものなのです。さて、私たちは私たち自身を気にかけるので、その詳細な歴史、私たちである計算的還元不可能性のその詳細な塊を研究することは非常に価値があります。
しかしもし、より一般的な生物学の理論を作りたいなら、それは私たちの詳細や私たちの特定の歴史の詳細を超えて一般化される方が良いのです。そして私が実際に最近やっていることは、適応的に進化した任意のシステムについて語る方法を見つけることの始まりにいると思います。生物学で起こりうるすべての可能なルールを見る場合、それらのルールの多くは、粗い適応度関数を持つ適応進化によって見つけられたであろうものではないでしょう。
バルクオーケストレーション理論
私たちが見ているものは、生物学は何をしているのかということです。生物学は、他の何でもないとすれば、分子プロセスのバルクオーケストレーションの物語です。これらすべてがあり、過去のある時点で、生物学は単なる化学のようなものだと考えられていたかもしれません。そして、それによって私が意味するのは、化学において私たちは液体などを持っていて、それらはただ分子が互いにランダムにぶつかり合っているだけだと想像するということです。
しかしそれは生物学が主にやっているように見えることではありません。生物学は主に、分子の詳細な集合体の物語であり、それが協調作用し、この分子がこれに結合して、それからこれをするなどといったことです。そして、分子生物学における発見は、物事がいかに協調されているかについてであり続けており、この分子がランダムに他の分子にぶつかる方法についてではありません。そうですね、それは洗練されています。
はい、しかしそれはまた、この種のメカニズムを持っているのです。それはただのランダムな衝突ではありません。この分子はこの分子とこれをするように誘導され、そして続きます。それは物事の大きな塔であり、これらの進化したセルオートマトンのようなもので、それらもまた、ルールの詳細な適用の大きな塔などを通して、それらがすることをするのです。
しかし、私が興味を持っているのは、バルクオーケストレーションの理論を持つことです。それは、ある種バルクオーケストレーションされた任意のシステムで何が起こるかについて教えてくれるものです。それには例えばマイクロプロセッサのようなものが含まれ得ます。マイクロプロセッサは、それが行う複雑な一連の物事の独自の種類を持っています。
マイクロプロセッサは、電子のランダムな運動によってはうまく記述されません。それはそれとは異なる何かです。しかしそれは何でしょうか?そして、マイクロプロセッサについてあなたが作るその理論は、それを設計した技術者の詳細に依存するのでしょうか?それとも、特定の粗視化された目的を達成するために構築された任意のシステムの必要な特徴があるのでしょうか?
番組のお知らせ
皆さんこんにちは、今日のエピソードを楽しんでいただけていることを願っています。もし物理学、AI、意識、哲学へのより深い探求と、私の個人的な考察に興味があるなら、それらすべてを私のSubstackで見つけることができます。購読者は新しいエピソード、新しい投稿への最初のアクセス、舞台裏の洞察、そして同じ志を持つ巡礼者たちの繁栄するコミュニティの一員になる機会を得られます。
参加することで、あなたは直接私の仕事を支援し、これらの会話を最先端に保つ助けになります。だから画面上のリンクをクリックしてください。購読を押して、一緒に知識の境界を押し広げ続けましょう。ありがとうございます、そしてショーをお楽しみください。念のためお伝えしておきますが、聞いている方は、C-U-R-T-J-A-I-M-U-N-G-A-L.org です。CurtJaimungal.org です。
コメント