A statisztikus következtetés mind az állati viselkedés, mind a mesterséges intelligencia algoritmusainak egyik alapvető összetevője. Két fő feladatra fókuszál: a múltból tanult es a jelenben észlelt információ egyesítésével megpróbálja a jövőt jósolni (csapattársunk nekünk passzolja a labdát, hogyan mozogjunk hogy elkapjuk, ismerve a csapattársunkat es látva a labda ívét), valamint a rengeteg különféle múltbeli tapasztalatot megpróbálja a legjobban felhasználhatóvá tenni ezen jósláshoz.

Az ETI kutatóinak új tanulmánya arra mutat rá, hogy az evolúció alapegységeinek, a magukat másoló replikatoroknak populációja képes pontosan ezen számítások elvégzésére. Ezen analógia alapja, hogy a replikatorok versengésére mint a jövőről alkotott hipotézisek versenyére tekintünk.

A bayesi tanuláselmélet és az evolúciós elmélet egyaránt az adaptív versenydinamikát formalizálja a sokdimenziós, változó és zajos környezetben. A tanulmányban a strukturális és dinamikai analógiákat és azok korlátait tárgyaljuk, mind számítási, mind algoritmikus-mechanikai szinten. Rámutatunk az alapvető dinamikai egyenleteik közötti matematikai ekvivalenciákra, általánosítva a Bayes-féle következtetés és a replikátor dinamika közötti izomorfizmust. Megvitatjuk, hogy ezek a mechanizmusok hogyan adnak analóg válaszokat a több időskálán sztochasztikusan változó környezethez való alkalmazkodás kihívására. Megvilágítjuk a mintavételes közelítés, a részecske szűrők (particle filters) és a populációgenetika Wright-Fisher-modellje közötti algoritmikus ekvivalenciát. Ezek az ekvivalenciák azt sugallják, hogy a replikátor-populációkban a típusok gyakorisági eloszlása optimálisan kódolja a sztochasztikus környezet szabályszerűségeit a jövőbeli környezetek előrejelzésére, anélkül, hogy a többszintű szelekció és az evolválhatóság ismert mechanizmusaira hivatkoznánk. Látótérbe kerül a tanulás és az evolúció elméleteinek egységes szemlélete.

Ez az elméleti kapocs közelebb vezethet a biológiai evolúció sokszínű adaptációinak jobb megértéséhez azáltal, hogy egy új, a populáció és nem ez egyed szintjén megjelenő adaptációs célt mutat meg. Másrészt, ezen pontos matematikai analógia felhasználásával mesterséges evolúciós rendszerek az intelligencia egy alapvetőbb építőkövévé válhatnak.

Czégel Dániel, Hamza Giaffar, Josh Tenenbaum és Szathmáry Eörs
Bioessays. 2022 Feb 25: e2100255