進化有智能

2018-06-28 03:33:36□余巖

中外文摘 2018年13期

□ 余巖

哺乳動物的眼睛（左圖）和鳥類的羽毛（右圖）都擁有巧奪天工的設計

自然選擇面對的是千變萬化的隨機“選項”，而其中最完美的解決方案，就是進化論的生存法則；自然界中有千千萬萬解決問題的高手，而其中最無懈可擊的集大成者，就是人類的大腦；也許是巧合，也許不是，但進化與人類大腦之間確實表現出了一種共性——這就是智能

是自然的選擇，還是神祇的創造

仔細觀察鳥類的羽毛，你會發現它是如此的巧奪天工：每根羽絲都以鉤槽彼此扣合；它們輕盈而堅韌，靈巧又美麗，就像造物主特意為了飛行而設計過似的。哺乳動物的眼睛也同樣擁有無與倫比的設計：能夠調節進光量的瞳孔、調節焦距的晶狀體，以及感受各種光線和色彩的視細胞和神經……自然界中隨處可見這般精妙的設計，它們真的是進化的產物嗎?

幾個世紀以前，這些完美的設計都被認為是神祇的有意為之，是神創論的有力證明，就連達爾文本人都訝異于自然選擇能造就出如此紛繁復雜的多樣性。時至今日，基于神創論的智能設計理論依然大行其道，因為直覺告訴我們，如此完美的設計是難以從無意識的過程中產生的——這就像黑猩猩隨機敲打鍵盤，竟寫出了莎士比亞巨著一樣概率渺茫。

現在我們已經知道，直覺并不可靠。鳥類的羽毛、哺乳動物的眼睛，甚至所有生物體的產生都完全是進化的結果。但同時我們也知道，目前的進化理論還遠遠談不上完善。自然選擇的“選項”完全建立在隨機突變之上，而任何一種隨機機制都會產生巨量的可能性。面對天文數字般龐雜的可能性，自然選擇需要拿出一套最完美的解決方案，那么，它是如何快速準確地決定出誰最有資格“適者生存”，怎樣的種群大小和傳代數量才能最適應環境的呢?

過去，我們認為這是通過大規模并行處理實現的：生物體傾向于大規模地繁衍后代，用大量的后代同時測試所有潛在的方案。近年來，一種激進的新理論提供了更加廣闊的視角。這種理論將有目的的智能設計和隨機的自然選擇結合在一起，它認為，進化看似簡單，但其中蘊含了一種“學習”機制——它可以根據過去成功的經驗來優化未來的行為。

是重現舊有的經驗，還是對未來的預測

讓我們暫且略過復雜的理論，先來看看進化學說的三個核心——變異、自然選擇和遺傳吧。變異源于隨機的基因突變，從而產生攜帶不同基因型的個體；自然選擇篩選出最適應環境的基因型，使其留下最多的后代；遺傳使得這些適應環境的基因型能夠流傳到它們的后代之中。這三個過程交替發生，創造出新的性狀乃至新的物種。

乍一看，其中似乎并不需要引入“學習”機制。說進化能夠“學習”，似乎是一種擬人化的描述：當我們學習的時候，某種程度上也就是在預測未來——我們綜合過去的經驗和當下的境況，提出未來的應對之道；但是進化是無法預知未來的，自然在做出選擇的時候，并不知道未來會面對什么樣的挑戰。

果真如此嗎?

實際上，學習并不是真的在預測未來。例如，當我們過馬路時，我們并不能預測所有車輛的運行軌跡，我們只是根據記憶中無數次過馬路的經歷來選擇停下或前進。這不過是重現了過去成功的經驗而已。同樣，自然選擇也可以重現曾經“成功”的性狀，二者沒有本質的區別。那些看起來極端特化的器官，例如角蜂眉蘭擬態雌胡蜂的花冠、蚊子用來吸血的口器等，其實都無須從頭開始演化，只要它們的祖先有過類似的“經驗”，后代就可以坐享其成。

進化的作用方式，也是人腦的學習方式

幾十年前，我們曾天真地認為一個基因只對應一個特定的性狀，像人類這樣復雜的生物一定會擁有巨量的基因。20世紀90年代人類基因組測序啟動之初，人們預計會鑒定出超過10萬個基因，然而最終這一數字只有不到25000。現在我們知道，基因不是孤軍奮戰的，它們彼此關聯，構成了復雜的調控網絡。當某一個基因發生了突變，調控網絡中其他基因的活動也會隨之改變。也就是說，由于調控網絡的存在，無論是機體“審時度勢”的主動調整，還是DNA修復的無心之失，這些突變都不僅作用于單個基因，而且會影響到調控網絡中的多個基因。

這使得你的基因型可以表現出適宜生存的顯型——基因型是指你從父母那里遺傳到的一整套基因，而顯型就是你身上所表現出的性狀特征。英國南安普頓大學的理查德·沃森說：“進化就是創造出適應環境的性狀的過程，而實現它的方式，就是改變和生成基因之間的連接。”

角蜂眉蘭

進化的這種作用方式與人腦非常相似。人腦，這個地球上最聰明的學習者，其內部遍布由神經纖維構成的神經網絡。如果兩個神經元同時被激活，它們之間的連接就會被加強。正如進化是通過改變基因之間的連接實現的，人類的學習過程本質上就是神經元之間連接強度的改變。

這就是神經生理學家唐納德·赫布在20世紀中葉提出的赫布型學習理論，基于該理論的簡單模型能夠解決從樣本分類到優化方案等一系列錯綜復雜的問題。沃森認為，如果進化的過程也滿足赫布型學習模型，那就可以解釋為什么它能夠如此游刃有余地解決各種問題，應對各種環境，并能在短時間內創造出各種復雜的性狀。

用赫布型學習理論解釋進化的學習機制

根據赫布型學習理論，沃森與美國耶魯大學的岡特·瓦格納建立了相應的進化模型。在這個模型中，處于同一網絡的關聯基因能夠像在自然環境中一樣，增強或降低彼此的活躍程度。基因表現出的不同性狀最終以像素點的形式呈現在一張屏幕上，也就是說，改變基因將生成不同的圖像。

研究人員隨機改變基因調控網絡中的堿基，且每次只改變一個堿基，然后以達爾文的頭像作為最優結果來模擬選擇壓力。顯而易見，在這樣的選擇壓力下，整個系統最終不出所料地生成了達爾文的頭像。而當最優結果設為赫布的頭像時，它可以“教會”這個進化模型用同樣的方式來產生赫布的頭像。

但接下來才是見證奇跡的時刻。研究人員移除了驅使生成達爾文和赫布頭像的選擇壓力，而只是保留了上一輪實驗中篩選出的每一個堿基，此時系統并沒有生成一個隨機的圖像，也沒有生成達爾文和赫布的混合頭像，而是二選一地生成了達爾文的頭像或者赫布的頭像——要知道，哪怕一個小小的堿基沒有“記住”上一輪實驗中發生了什么，就足以“失之毫厘，謬以千里”。這說明當基因調控網絡獲得了解決方法之后，它能夠使之成為自己的記憶，并且在不同的環境中重現。這恰恰是人腦會做的事情。

事實上，類似的例子在自然界中屢見不鮮。例如鱷魚基因組對性別的選擇依據就是蛋孵化的溫度，而不同的性別就相當于上述模型中的兩幅頭像。但是，人腦的學習并不僅僅是記憶和重復過去的解決方案。沃森說：“一個真正完善的學習系統還必須具有創新的能力，即便遭遇全新的環境，依然能夠給出足夠優秀的解決方案。”

這種創新能力要求人腦——或者進化——首先會提煉新舊問題中的相似性，然后才能以過去的解決方案為模塊構建新的方案。在進化中，整個基因調控網絡就好比一座大廈，過去的成功經驗就像是燒制好的磚塊，同樣的磚塊在不同的大廈中可能位于不同的位置，構建新的大廈時可以直接利用這些磚塊，而不需要從混合沙子和水開始做起。

只不過，同樣位置的堿基的變化作用到不同的基因調控網絡可能會產生截然不同的效果，在長頸鹿身上會改變四肢長度的變異到了蝙蝠身上可能會增加其翼展。羽毛和眼睛的演化也不需要從頭開始，而是可以通過組合各種曾成功適應環境的模塊來實現。這種學習能力不需要任何超自然的干預，而是隨機變異和自然選擇作用于基因調控網絡的必然結果。

用深度學習模型揭開生命演變的奧秘

38億年來，地球上的生命發生了翻天覆地的演變：從可自我復制的分子演化到細胞結構，從單細胞結構演化到多細胞結構，從無性生殖演化到有性生殖……這些演變的奧秘一直眾說紛紜。將學習理論和進化理論相結合，或許能夠使我們看到解答這些問題的曙光。

在長頸鹿身上會改變四肢長度的變異到了蝙蝠身上可能會增加其翼展

深度學習理論（上圖）或許可以解釋生命演變（下圖）的奧秘

這道曙光或許就是深度學習模型。2016年初，谷歌開發的阿爾法圍棋人工智能程序擊敗了人類頂尖棋手李世石，它采用的就是類似赫布型學習的算法。所不同的是，阿爾法圍棋會“凍結”已有的學習成果，并將其作為下一次學習的開始。“這種遺傳式的算法可以解決單一級別模型所不能解決的問題。”沃森說。例如，如果我們能找出產生上述演變所需的外部條件，或許這種算法就能夠為我們揭示從微生物向多細胞生物的演化之路。

物種基因的進化歷程與人類的學習過程具有許多相似之處，而人類的學習本身也是進化的產物，這為沃森的學說增加了可信度。如果對進化和人腦的認知都是基于相同的原理，兩者的理論就可以相互借鑒。比方說，我們可以用進化的觀點去研究嬰兒是如何輕松快速地掌握一門語言的，也可以解釋為何今天的嬰兒比幾百年前的祖先掌握得更好。