液態大腦與固態大腦——聖塔菲最新羣體智能文集_風聞
返朴-返朴官方账号-关注返朴(ID:fanpu2019),阅读更多!2019-06-08 09:27
撰文 | Ricard Solé, Melanie Moses, and Stephanie Forrest
翻譯 | 陳曦
編輯 | 陳安林
大腦,神經元構成的器官根植於許多生物體內。這是一種固態的大腦,且組成它們的元素在空間中相對固定。但是相對的,大腦是否可以擁有流動不定的存在形式?越來越多的研究發現無定形的認知網絡——例如蟻羣與免疫系統具有智能,它們可以被稱為液態形式的大腦。
聖塔菲研究所自2017年開始一系列關於“液態”大腦與“固態”大腦的主題討論,經歷了幾年打磨,形成了15篇文章,於近期集中發表在英國皇家學會自然科學會報 B 上。
本文是《Liquid brains, solid brains》論文系列引言的翻譯,其中預告和概述了涉及的主題,翻譯的文末,我們將附上系列中其他論文的目錄。
為了解決信息收集存儲和回應過程中產生的問題,認知網絡發展出一套自成體系的解決方案。一些認知網絡被描述為自適應連接網絡中的靜態神經元集。它們是“固態”的網絡,具有明確的靜態神經元集。
其他的一些智能系統由一定數量的單體組成,信息在這些單體之間交換、存儲和處理。但是,這些網絡沒有穩定的連接和物理空間中穩定的結構。我們將這些缺乏穩定連接和靜態元素的網絡稱為“液態”大腦,一些例子包括螞蟻、白蟻蟻羣、免疫系統、以及一些微生物和黏菌 。
固態和液態大腦之間的主要區別是什麼?它們的認知潛力,解決特定問題和應對環境的能力,以及信息處理策略分別是什麼? 要回答這個問題,需要將這個問題的框架搭建起來。
本文是論文系列“液態大腦,固態大腦:分佈式認知架構如何處理信息”的首篇,為之序。
生命的認知結構是如何進化的
結構複雜多樣的生命形式在寒武紀大爆發時期集中出現。在那時,生命的認知能力以及維持認知能力的網絡使多細胞生物的存在成為可能。生命的尺度(scale)開始變得龐大,同時形成它的細胞也開始出現分工,出現有目的的運動能力以及其他協作能力。然後生命們又開始渴求更高級的感知和記憶能力。 雖然用行為適應環境的生存模式在神經元出現之前已經存在**[1]**,但神經結構的出現和快速發展促進了新的複雜行為的誕生。
生命進化的功績將很大程度歸功於神經,它們的前體細胞,神經元細胞以及它們構成的神經迴路,深刻地改變了生命存在的方式。信息,由此成為複雜生物適應周圍環境的另一個重要組成部分,使生物擁有超越基因能直接賦予的更快反應能力。從寒武紀時代在生命樹中出現了一條路徑,描述了具有兩側對稱特徵的動物(bilaterians)。在這個類羣內,動物的軀體具有明確定義的橫向對稱。如此,神經元也以一種對稱的方式配置成網絡。 這些神經網絡最終演變成分離的神經元羣,形成運行中央控制功能的系統。 第一個大腦就此形成**[2],並很快成為一個強大的預測機器[3]**。
運動假説提出,生物體對空間環境的積極探索是大腦進化軌跡上的一個關鍵節點**[4]。 從這個角度來看,預測能力既是動物移動的原因,也是動物移動的結果。生物要想實現探索世界,它們就需要學習網絡的支持[5]。 捕食可能是學習網絡誕生過程中最重要的選擇壓力[6]**。 這種強大的進化創新並不侷限於神經網絡,我們在這裏展示出了多種相互作用的單體,它們最後演變出或同或異方式處理信息的能力。
信息處理網絡可以在微生物羣落,細胞內部(基因調控網絡)和免疫系統中找到。 這些網絡的架構和信息處理策略的多樣性令人驚歎。流動的信息網絡在成千上萬甚至數百萬只螞蟻,或白蟻蟻羣之內展開**[7, 8]。黏菌這種簡單的生命形式由相互連通的細胞團組成,可以解決複雜的問題。 植物似乎佔據了認知網絡領域的一個非常不同尋常的領域,缺乏像神經一樣的結構和物理運動,但它們卻進化得非常成功,併成為生態中的重要羣體。液態計算機和化學反應提供了一組完全不同的案例研究,其中計算和信息處理並不是明確定義的。在這種情況下,發展計劃和模式形成也被看作是認知的一種形式[9]**。
這些認知的例子中有什麼共同之處? 是否存在基於組織結構、機制或功能的分類? 系統的物理存在形式是否是決定這個系統運算能力範圍的主要限制?是否存在一設計上的原理,允許我們預測尚未被進化發現的系統?自然界的進化策略是否能夠啓發新形式的計算?也許合成生物學能幫助我們實現這一過程?回答這些和其他基本問題是2017年12月在聖菲研究所舉辦的小型研討會的目標。會議召集了來自科學、工程領域的研究人員。他們的研究領域包括社會昆蟲行為學、微生物學、合成生物學、發育和系統生物學、神經科學、計算機科學和統計物理學。幾天後,參與者踏出了最初幾步,建立了液態 vs 固態腦理論。其長期目標是為認知網絡的一般理論奠定基本原理。
液態大腦/固態大腦神經元/無神經元
這個雄心勃勃的計劃的出發點是對認知網絡領域的高階綜述 :小型和大型的;分佈式的和集中的;模塊化的和分層的;生物的和人造的。 所有這些都由多個組件組成,這些組件可以交換環境和內部信號並對其做出反應來收集、存儲和處理信息。
它們的非線性特性要求(在大多數情況下)超出標準定義以外的見解**[10]**。此外,大量單體非線性互動展示出的種羣動力學很大程度取決於基本網絡組件是否是能夠移動的。我們確定了兩個關鍵維度來描述不同類別的認知網絡:系統的物理特性,以及神經元的存在與否。
下列四張圖表示了四類認知網絡,分為兩個維度。分別為實際神經元是否存在和網絡的物理組織是液態還是固態。
固態神經網絡
1)固態神經網絡
標準神經元網絡(a)涉及通過分化後的,位置固定的神經細胞突觸權重連接而定。較簡單的生物,如渦蟲(b)扁蟲含有不同於圖(a)中較複雜腦的神經結構。受真實神經元的啓發,以硅單位生成的人工陣列(c)可以通過感知和響應環境信號來模仿其生物的一些特徵,但這些剛性空間結構是沒有神經元細胞的。
固態非神經網絡
2)固態非神經網絡
原生動物(Placozoans)(d)完全缺乏神經元並且具有非常簡單的解剖複雜性,但表現出活躍的行為。結構不同的植物也缺乏神經元,但它們的一些模塊化部分,包括根(e)和葉子中的氣孔(f)都具有一定的自動能力,屬於“固態”子類。
液態神經網絡
3)液態神經網絡
液態大腦由有神經系統或神經樣組分的組分形成,例如(g)螞蟻或(h)白蟻的蟻羣及其在機器人領域的人工對應物(i)。在這些液態大腦中,每個成分都有自己的固態大腦。
液態非神經網絡
4)液態非神經網絡
第二類主要的液態腦包括缺乏內部大腦的運動個體,例如(j)黏菌(Physarum),(k)免疫網絡和(l)微生物羣落。它們中沒有類似神經的組分,但在許多方面,這些系統解決了複雜問題,表現出學習和記憶,並根據環境條件做出決策。最後,有證據表明免疫系統和微生物羣落在某種程度上與宿主生物的大腦存在相互作用。
第二個維度立即涉及瞭如何定義“大腦”的問題,這個問題在神經科學教科書中很少得到解答(存在例外,見**[11])。標準的描述是,事實上大腦是一個由(通常大量)神經元組成的器官,其功能基於通過環境相互作用改變連接模式。 連接模式由突觸比重(synaptic weights)所描述,隨時間遷移,由個體與環境互動增加而決定。早期討論大腦的性質以及如何定義它們的研究[12]**只考慮脊椎動物的大腦。 Pagan **[13]**和Turner **[14]**將問題擴展到更廣泛的情況,研究範圍從最小的大腦到迥然不同(比如固態和液態)的認知系統。
過去幾十年中學界對大腦的研究蓬勃發展,導致了腦科學研究中,以網絡為出發點的研究已經成為核心**[15]**。 連接體(connectome)這一概念涉及解剖和功能神經元網絡上不同級別的複雜性,目前是在神經科學中的主流意見。 原因則在多個尺度上顯而易見。 通過突觸末端連接的單個細胞的小神經迴路已經成為大多數經典學習和控制方法背後的關鍵因素。
分佈式智能:細菌雖小但不愚蠢
甚至在複雜的神經元網絡進化之前,微生物就發現了可以應對環境壓力的羣體結構。因此,生存與合作密切相關,合作需要集體內部新穎的交流方式。引用James Shapiro的話説:“細菌雖小但不愚蠢”[16]。 在微生物尺度的一個廣為人知的集羣行為是羣體感應(QS)。這個能力使得細細菌能協同工作**[17]。 QS允許細菌來監測羣體範圍內其它細菌的存在,在某些情況下導致出現羣體級協調反應。 這個現象論證了微生物菌落做出羣體決策的能力。另一方面,生物膜的集體行為被細菌羣落中長距離的電信號通訊證明。[18]。 Martinez-Corral 等[19]**則研究皮質腦活動和生物膜動力學中可能存在的類似化學信號 。
黏菌(Physarum polycephalum)是一種引人注意的生物,一個通過單個細胞聚合來揭示集體行為的例子。雖然這種有機體是單細胞的(但它們存在多個細胞核),聚集起來的黏菌們在探索周圍環境時顯示出高度複雜的空間形態模式。 黏菌以連貫的方式移動和擴散細胞質的節律脈衝。 這種脈動活動發生在連接的等離子體管組成的複雜網絡中。豐富的化學和生物電成分形成驅動力,遍佈在黏菌的整個行為反應過程中,允許網絡根據外部和內部的信號做出安排和調整。黏菌體內的這些管道可在低、高養分條件下經歷變薄或增厚,而科學家已經可以將它們用作能夠解決優化任務的生物計算機,從找到短路徑甚至解決迷宮到計算幾何問題皆可。 在所有的這些情況下,環境空間結構,排斥因素和吸引因素的濃度等信息相對應的“輸出”被編碼在黏菌的形態學特徵中。
黏菌:它具有單細胞的簡單性和缺乏神經系統,但粘液黴菌多頭菌可能具有基本的學習形式。
黏菌也可以通過使用外部記憶來探索身邊的環境**[21],它們被觀察到做出與營養需求相關的最佳決策[22]。 正如[23]**中所討論的那樣,它們也表現出對負面持續刺激的適應性,即一種共同的適應性反應(一般由具有神經的生物表現出這種反應)。 這一發現支持了這樣一種觀點,即沒有大腦的系統也可以在適當的條件下從經驗中學習,從而區分不同的信息來源。
認知世界的邊界可以通過考慮最簡單的“固態”大腦並瞭解它們如何完成工作來描述,並將之與類似簡單的液態實例相比**[24]。 渦蟲(Planarians/ flatworms)是第一個使用大腦生物的候選人[2, 13]。 特別有趣的是,它發育和認知現象的緊密聯繫。正如[25]中所指出的那樣 ,信息處理功能在固態大腦出現之前就已經誕生很久了。渦蟲可以再生它們的每一部分身體[26]**,實驗研究表明,記憶在它們的頭部缺失之後仍然會存在(見 Shomrat & Levin **[27]及其中的參考文獻)。 這些結果表明基於神經的現象與體細胞記憶之間存在深層聯繫。重要的是,渦蟲對外界的許多響應可以映射到一個吸引子圖與形態的對應關係。 導致這些基於吸引子響應的動力學可以在不同類型的非神經硬件中實現,儘管我們仍然缺乏用於描述這些系統的通用理論框架,正如[9]**中所討論的 。
固態的認知區域在自然界中有不同程度的跨羣體共享 ,例如跨越組織、生活習慣與不同的生命週期。這種現象特別存在於植物這種極端的案例中**[28, 29]。 早在達爾文的專著中就已經認識到植物的認知潛力[30]。在那裏他指出了植物對外部信號和環境線索所表現出的有趣反應。植物可以表現出有趣的計算反應[28]。並且在18年12月 ,“植物智能”[31]的概念也得到了發展(雖然存在一定程度的爭議)。植物中跨越尺度的通信,從葉子中的氣孔網絡到通過根系發送信號的能力特別引起了人們的注意。 這些例子表明人類仍需要更好地理解植物中的信號處理[28],內容包括且不限於遺傳開關、模擬計算機、種子散播和發芽[32]**。 特別需要注意,植物種子階段的過程涉及植物生命週期中“能夠移動”的時間段。
上述例子展現了認知分佈式系統廣闊世界的一瞥,這些系統可以描述為相互作用的大量單體組成的非線性複雜網絡**[33]。 超越這些網絡所扮演的特定功能之上,這些網絡肯存在一些基本的、共通的屬性。近三十年前人們就提出了一些網絡潛在的共性[34]**,包括大多數連接模型共有的兩個關鍵屬性:
(1)任何時間節點下,任何變量之間的聯繫都是有數量極限的。
(2)節點之間的連接是可變的,因此網絡的強度和/或連通性模式都是可以隨着時間變化而變化的。
Farmer討論(Farmer’s discussion)[34]指出了這些共同點,它可以作為網絡科學統一的“羅塞塔石碑(Rosetta Stone*)”(見[35])。 在液態大腦的背景下,尋找關鍵屬性的想法特別有用。與吸引子有關的動力學現象在液態大腦的案例中是常見的(説不定是普世的),這暗示在研究液態大腦中可以使用統計物理學方法**[36, 37]。我們需要一些新型模型,讓這些模型足以包括幾個具體或實際的研究案例。 這些案例可能不一定基於生命系統,化學計算機也能展示豐富的計算性[38]。 我們在這裏沒有嚴格定義什麼是液態,而是可能會用一系列數學方法描述集體運動,去解釋運動實體的規律。(見[39]**,其中的參考文獻) 。
注:羅塞塔石碑是一塊古埃及多語言石碑,古埃及文字的破譯很大程度依賴於它,引申為基石。
除了統計物理學之外,信息和計算也是問題的核心概念,我們缺乏完整的模型來描述哪些計算問題可以通過液態大腦很好地解決,哪些不能**[40]**。 這部分的總結在下圖(acd)中展示,什麼樣的形式方法(formal approach)是可取的往往並不清楚。 Wood [41]的建議指出,要了解不同類型大腦的能力範圍需要在它們進行的信息處理和計算之間進行更正式的分類,計算與信息相關的術語在現階段仍然可以互換使用。 其他強大的計算範式, 如水庫計算(Reservoir Computing)在處理生物信息時可能更合適[42]。
蟻羣
蟻羣(a,由Guy Therauiaz提供)尋找最優路徑的過程可以理解為最少作用量問題(least-action problem),其中通過優先選擇具有最高信息素濃度的路徑來發現最短路徑。
黏菌
黏菌,Physarum polycephalum(b)是單細胞生物,也使用最小動作邏輯來解決幾何和圖論的問題,其中包括找到迷宮的最短路徑。
渦蟲
目前人們尚不清楚如何對渦蟲(Planarians)(c)能解決的問題進行分類,這是一類扁形蟲,其神經系統是雙側對稱結構組織的,具有固態的“大腦”和兩隻眼睛。渦蟲以過去事件為輸入進行分佈式記憶(與人類類中心化的記憶相對):它們的形態可通過生物電信號重新編輯,這可能在認知和發展中起重要作用。
用於儲存胰島素的機器
最後,單細胞包含多種信息處理現象,包括複雜的階梯級聯,遺傳-代謝相互作用和泡狀結構相關的計算,例如(d)中顯示的用於儲存胰島素的機器。
Vining 等**[43]開發了液態細胞自動機,來證明液態系統如何在沒有複雜結構的情況下進行計算 。網絡的移動性被證明可以增加移動單元之間的信息流,這些單元會隨着時間的推移遇到其他單元且與之產生聯繫(Calovi 等, [44])。這表明液態系統,比如白蟻,就能使用環境的物理結構作為計算的重要輸入。Kao等[45]**描述了一種不同類型的混合系統,其中動物種羣運動過程中存在的模塊化結構意味着即使在更大的液態系統中,某些模式的交互也能更持久和穩固(就像在固態大腦中),並且這可以導致在複雜環境中更好的集體決策。
在蟻羣和黏菌的網絡中,我們可以找到使用最少作用量原理(least-action principle)解決問題的類似思路。 計算的執行是黏菌結構形成(pattern-forming)的結果。但是,認識到人類實際上為黏菌生成最短路徑的行為提供了一種人造的邊界條件,實驗的這些條件對我們理解這些智能系統極為重要。人為提供的條件多大程度定義了這個單細胞系統能執行的計算的豐富程度? 在渦蟲中,如上所述,記憶的存儲並非中心化的,這也展示了一種完全不同形式的再生相關計算(regeneration-related computation)。
在較小的尺度中,複雜的計算是由細胞內部的化學網絡承擔的,在這裏我們發現了豐富的可能性。
從類似布爾型開關,到有限自動機,最後到膜計算機。 所有這些替代方案都在非常嘈雜的條件下運行。雖然這個級別的計算模型通常用基因調控網絡來描述,但它們也發生在不同的網絡上**[46-48]**(Silva-Rocha,等2011)。所有這些生物類型的計算的整合將需要合適的方程來描述“計算形態空間(computational morphospace)” [49] 。
讓我們回到這次的主題討論——液態大腦與固態大腦。這些主題共同形成了一張關於認知網絡整合觀點發展過程的地圖。這對了解液態與固態系統的相對計算優勢有着重要的科研意義。在未來,這些理解可能會發展出重要的、新穎的配置傳統計算的方式。隨着計算繼續從人類的桌面上轉移到整個物理世界中,我們預計以分佈式、移動和自治組件為特徵的液態計算將變得比現在更加重要。
參考文獻
1. Jékely G. 2010Origin and early evolution of neural circuits for the control of ciliary locomotion. Proc. R. Soc. B 278, 914-922. (doi:10.1098/rspb.2010.2027) Link,ISI, Google Scholar
2. Pagán OR. 2014The first brain. The neuroscience of planarians.Oxford, UK: Oxford University Press. Google Scholar
3. Llinas RR. 2001I of the vortex: from neurons to self. Cambridge, MA: MIT Press. Crossref, Google Scholar
4. Llinás R. 1987‘Mindedness’ as a functional state of the brain. InMindwaves (eds C Blakemore, SA Greenfield), pp. 339–358. Oxford, UK: Basil Blackwell. Google Scholar
5. Miguel-Tomé S. 2018The influence of computational traits on the natural selection of the nervous system. Nat. Comput. 17, 403-425. (doi:10.1007/s11047-017-9619-0) Crossref, ISI, Google Scholar
6. Monk T, Paulin MG.2014Predation and the origin of neurones. Brain Behav. Evol. 84, 246-261. (doi:10.1159/000368177)Crossref, PubMed, ISI, Google Scholar
7. Gordon DM. 2010Ant encounters. Princeton, NJ:Princeton University Press.Crossref, Google Scholar
8. Wilson EO. 2012The social conquest of Earth. New York, NY, USA: W.W. Norton & Co. Google Scholar
9. Manicka S, Levin M. 2019The Cognitive Lens: a primer on conceptual tools for analysing information processing in developmental and regenerative morphogenesis. Phil. Trans. R. Soc. B 374, 20180369. (doi:10.1098/rstb.2018.0369) Link, Google Scholar
10. Forrest S. 1990Emergent computation: self-organizing, collective, and cooperative phenomena in natural and artificial computing networks.Physica D 42, 1-11. (doi:10.1016/0167-2789(90)90063-U) Crossref,ISI, Google Scholar
11. DeSalle R, Tattersall I. 2012The brain: big bangs, behaviors, and beliefs. New Haven, CT: Yale University Press. Google Scholar
12. Netsky MG. 1986What is a brain, and who said so?Br. Med. J. Clin. Res. Edn 293, 1670. (doi:10.1136/bmj.293.6562.1670)Crossref, Google Scholar
13. Pagán OR. 2019The brain: a concept in flux. Phil. Trans. R. Soc. B 374, 20180383. (doi:10.1098/rstb.2018.0383) Link, Google Scholar
14. Turner JS. 2019Homeostasis as a fundamental principle for a coherent theory of brains. Phil. Trans. R. Soc. B 374, 20180373. (doi:10.1098/rstb.2018.0373)Link, Google Scholar
15. Sporns O. 2010Networks of the brain. Cambridge, MA: MIT Press.Crossref, Google Scholar
16. Shapiro JA. 2007Bacteria are small but not stupid: cognition, natural genetic engineering and socio-bacteriology. Stud. Hist. Philos. Sci. C: Stud. Hist. Philos. Biol. Biomed. Sci. 38, 807-819. (doi:10.1016/j.shpsc.2007.09.010)Crossref, Google Scholar
17. Waters CM, Bassler BL.2005Quorum sensing: cell-to-cell communication in bacteria. Annu. Rev. Cell Dev. Biol. 21, 319-346. (doi:10.1146/annurev.cellbio.21.012704.131001) Crossref, PubMed,ISI, Google Scholar
18. Prindle A, Liu J, Asally M, Ly S, Garcia-Ojalvo J, Süel GM.2015Ion channels enable electrical communication in bacterial communities. Nature527, 59. (doi:10.1038/nature15709)Crossref, PubMed, ISI, Google Scholar
19. Martinez-Corral R, Liu J, Prindle A, Süel GM, Garcia-Ojalvo J.2019Metabolic basis of brain-like electrical signalling in bacterial communities. Phil. Trans. R. Soc. B374, 20180382. (doi:10.1098/rstb.2018.0382) Link, Google Scholar
20. Adamatzky A (ed.) 2016Advances in Physarum machines: sensing and computing with slime mould.Berlin: Springer. (doi:10.1007/978-3-319-26662-6) Crossref, Google Scholar
21. Reid CR, Latty T, Dussutour A, Beekman M. 2012Slime mold uses an externalized spatial ‘memory’ to navigate in complex environments. Proc. Natl Acad. Sci. USA 109, 17 490-17 494. (doi:10.1073/pnas.1215037109)Crossref, ISI, Google Scholar
22. Dussutour A, Latty T, Beekman M, Simpson SJ. 2010Amoeboid organism solves complex nutritional challenges. Proc. Natl Acad. Sci. USA 107, 4607-4611. (doi:10.1073/pnas.0912198107)Crossref, PubMed, ISI, Google Scholar
23. Boussard A, Delescluse J, Pérez-Escudero A, Dussutour A.2019Memory inception and preservation in slime moulds: the quest for a common mechanism.Phil. Trans. R. Soc. B 374, 20180368. (doi:10.1098/rstb.2018.0368) Google Scholar
24. Vining W, Esponda F, Moses M, Forrest S. 2019How does mobility help distributed systems compute?Phil. Trans. R. Soc. B374, 20180375. (doi:10.1098/rstb.2018.0375) Link, Google Scholar
25. Baluska F, Levin M. 2016On having no head: cognition throughout biological systems.Front. Psychol. 7, 902. (doi:10.3389/fpsyg.2016.00902) Crossref,PubMed, ISI, Google Scholar
26. Gentile L, Cebria F, Bartscherer K.2011The planarian flatworm: an in vivo model for stem cell biology and nervous system regeneration.Dis. Models Mech. 4, 12-19. (doi:10.1242/dmm.006692) Crossref,PubMed, ISI, Google Scholar
27. Shomrat T, Levin M. 2013An automated training paradigm reveals long-term memory in planarians and its persistence through head regeneration. J. Exp. Biol. 216, 3799-3810. (doi:10.1242/jeb.087809) Crossref,PubMed, ISI, Google Scholar
28. Duran-Nebreda S, Bassel GW.2019Plant behaviour in response to the environment: information processing in the solid state. Phil. Trans. R. Soc. B 374, 20180370. (doi:10.1098/rstb.2018.0370)Google Scholar
29. Oborny B. 2019The plant body as a network of semi-autonomous agents: a review. Phil. Trans. R. Soc. B 374, 20180371. (doi:10.1098/rstb.2018.0371) Link, Google Scholar
30. Darwin C. 1875The movements and habits of climbing plants.London, UK: John Murray. Google Scholar
31. Trewavas A. 2014Plant behaviour and intelligence. Oxford, UK:Oxford University Press. (doi:10.1093/acprof:oso/9780199539543.001.0001) Crossref, Google Scholar
32. Bassel GWet al. 2011Genome–wide network model capturing seed germination reveals coordinated regulation of plant cellular phase transitions. Proc. Natl Acad. Sci. 108, 9709-9714. (doi:10.1073/pnas.1100958108)Crossref, ISI, Google Scholar
33. Camazine S, Deneubourg JL, Franks NR, Sneyd J, Bonabeau E, Theraulaz G. 2003Self-organization in biological systems.Princeton, NJ: Princeton University Press. Google Scholar
34. Farmer JD. 1990A Rosetta stone for connectionism. Physica D 42, 153-187. (doi:10.1016/0167-2789(90)90072-W) Crossref, Google Scholar
35. Farmer JD, Packard NH, Perelson AS. 1986The immune system, adaptation, and machine learning.Physica D Nonlin. Phenom. 22, 187-204. Crossref, Google Scholar
36. Solé RV. 2011Phase transitions.Princeton, NJ, USA: Princeton University Press. Crossref, Google Scholar
37. Piñero J, Solé R. 2019Statistical physics of liquid brains. Phil. Trans. R. Soc. B 374, 20180376. (doi:10.1098/rstb.2018.0376)Link, Google Scholar
38. Adamatzky A. 2019A brief history of liquid computers. Phil. Trans. R. Soc. B 374, 20180372. (doi:10.1098/rstb.2018.0372) Link, Google Scholar
39. Vicsek T, Zafeiris A.2012Collective motion. Phys. Rep. 517, 71-140. (doi:10.1016/j.physrep.2012.03.004) Crossref,ISI, Google Scholar
40. Mitchell M. 2011What is computation?Ubiquity 2011, 1-7. (doi:10.1145/1940721.1944826)Google Scholar
41. Wood CC. 2019The computational stance in biology.Phil. Trans. R. Soc. B 374, 20180380. (doi:10.1098/rstb.2018.0380) Link, Google Scholar
42. Seoane LF. 2019Evolutionary aspects of reservoir computing.Phil. Trans. R. Soc. B 374, 20180377. (doi:10.1098/rstb.2018.0377) Link, Google Scholar
43. Vining WF, Esponda F, Moses ME, Forrest S. 2019How does mobility help distributed systems compute?Phil. Trans. R. Soc. B374, 20180375. (doi:10.1098/rstb.2018.0375) Link, Google Scholar
44. Calovi DS, Bardunias P, Carey N, Turner JS, Nagpal R, Werfel J.2019Surface curvature guides early construction activity in mound-building termites. Phil. Trans. R. Soc. B 374, 20180374. (doi:10.1098/rstb.2018.0374)Link, Google Scholar
45. Kao AB, Couzin ID. 2019Modular structure within groups causes information loss but can improve decision accuracy. Phil. Trans. R. Soc. B 374, 20180378. (doi:10.1098/rstb.2018.0378) Link, Google Scholar
46. Bray D. 1990Intracellular signalling as a parallel distributed process. J. Theor. Biol. 143, 215-231. (doi:10.1016/S0022-5193(05)80268-1) Crossref, PubMed,ISI, Google Scholar
47. Benenson Y. 2012Biomolecular computing systems: principles, progress and potential. Nat. Rev. Genet. 13, 455-468. (doi:10.1038/nrg3197) Crossref, PubMed,ISI, Google Scholar
48. Silva-Rocha R, Tamames J, dos Santos VM, de Lorenzo V.2011The logicome of environmental bacteria: merging catabolic and regulatory events with Boolean formalisms. Environ. Microbiol. 13, 2389-2402. (doi:10.1111/j.1462-2920.2011.02455.x)Crossref, ISI, Google Scholar
49. Solé RV, Macia J. 2013Expanding the landscape of biological computation with synthetic multicellular consortia. Nat.
點擊此處添加圖片説明文字✎聖塔菲“液態大腦和固態大腦”論文專輯
1. Introduction: Liquid brains, solid brains
引言:液態大腦,固態大腦Ricard Solé, Melanie Moses, and Stephanie Forrest
鏈接:
https://royalsocietypublishing.org/doi/10.1098/rstb.2019.0040
2. The Cognitive Lens: a primer on conceptual tools for analysing information processing in developmental and regenerative morphogenesis
認知透鏡:形態發生過程中的發展與再生過程中的基本信息分析概念工具Santosh Manicka and Michael Levin
鏈接:
https://royalsocietypublishing.org/doi/10.1098/rstb.2018.0369
3. The brain: a concept in flux
大腦:一個流動的概念Oné R. Pagán
鏈接:
https://royalsocietypublishing.org/doi/10.1098/rstb.2018.0383
4. Homeostasis as a fundamental principle for a coherent theory of brains
自穩態在大腦連貫性理論中是基本原則J. Scott Turner
鏈接:
https://royalsocietypublishing.org/doi/10.1098/rstb.2018.0373
5. Metabolic basis of brain-like electrical signalling in bacterial communities
類腦電信號在微生物羣落中傳播的代謝基礎。Rosa Martinez-Corral, Jintao Liu, Arthur Prindle, Gürol M. Süel, and Jordi Garcia-Ojalvo
鏈接:
https://royalsocietypublishing.org/doi/10.1098/rstb.2018.0382
6. Memory inception and preservation in slime moulds: the quest for a common mechanism
記憶在黏菌中的激發與保存:關於共同機制的探討。A. Boussard, J. Delescluse, A. Pérez-Escudero, and A. Dussutour
鏈接:
https://royalsocietypublishing.org/doi/10.1098/rstb.2018.0368
7. Plant behaviour in response to the environment: information processing in the solid state
植物的環境適應行為:固態條件下的信息處理。Salva Duran-Nebreda and George W. Bassel
鏈接:
https://royalsocietypublishing.org/doi/10.1098/rstb.2018.0370
8. The plant body as a network of semi-autonomous agents: a review
植物體作為半自動單元網絡:一個綜述。Beata Oborny
鏈接:
https://royalsocietypublishing.org/doi/10.1098/rstb.2018.0371
9. Statistical physics of liquid brains
液態大腦的統計物理基礎。Jordi Piñero and Ricard Solé
鏈接:
https://royalsocietypublishing.org/doi/10.1098/rstb.2018.0376
10. A brief history of liquid computers
液體計算機簡史Andrew Adamatzky
鏈接:
https://royalsocietypublishing.org/doi/10.1098/rstb.2018.0372
11. The computational stance in biology
C. C. Wood
鏈接:
https://royalsocietypublishing.org/doi/10.1098/rstb.2018.0380
生物中的“計算立場”
*延伸自哲學名詞"意向立場(Intentional Stance)“意味一種評價生物中計算概念質量的手段。
12. How does mobility help distributed systems compute?
移動性如何幫助分佈式系統進行計算?William F. Vining, Fernando Esponda, Melanie E. Moses, and Stephanie Forrest
鏈接:
https://royalsocietypublishing.org/doi/10.1098/rstb.2018.0375
13. Surface curvature guides early construction activity in mound-building termites
表面曲率能指導白蟻早期的巢穴搭建。Daniel S. Calovi, Paul Bardunias, Nicole Carey, J. Scott Turner, Radhika Nagpal, and Justin Werfel
鏈接:
https://royalsocietypublishing.org/doi/10.1098/rstb.2018.0374
14. Evolutionary aspects of reservoir computing
水庫計算技術的進化視角。Luís F. Seoane
鏈接:
https://royalsocietypublishing.org/doi/10.1098/rstb.2018.0377
15. Modular structure within groups causes information loss but can improve decision accuracy
羣體中的模塊化結構造成信息丟失,同時提高決策精度。Albert B. Kao and Iain D. Couzin
鏈接:
https://royalsocietypublishing.org/doi/10.1098/rstb.2018.0378
點擊此處添加圖片説明文字
版權聲明:本文經授權轉載自“集智俱樂部”。來源:The Royal society,原題:Liquid brains, solid brains,原文地址:https://royalsocietypublishing.org/doi/10.1098/rstb.2019.0040
《返樸》,致力好科普。國際著名物理學家文小剛與生物學家顏寧聯袂擔任總編,與幾十位學者組成的編委會一起,與你共同求索。關注《返樸》(微信號:fanpu2019)參與更多討論。二次轉載或合作請聯繫[email protected]。
相關閲讀
2 離“缸中之腦”還遠,但離我們的生活很近——八位專家評“復活死亡大腦”