مقدمه
چند قرن پیش، آشوب رنگارنگ و چرخنده اتمسفر مشتری، گردباد عظیمی را پدید آورد که ما آن را لکه سرخ بزرگ مینامیم.
از فعالیت دیوانهوار میلیاردها نورون در مغز شما، تجربه منحصر به فرد و منسجم شما از خواندن این کلمات نشأت میگیرد.
در حالی که عابران پیاده هر یک تلاش میکنند مسیر خود را در یک پیادهرو شلوغ باز کنند، شروع به دنبال کردن یکدیگر میکنند و جریانهایی را تشکیل میدهند که هیچکس آن را دستور نداده یا آگاهانه انتخاب نکرده است.
جهان پر از چنین پدیدههای ظهوری است: الگوها و سازماندهیهای در مقیاس بزرگ که از تعاملات بیشمار بین اجزای تشکیلدهنده پدید میآیند. با این حال، هیچ نظریه علمی مورد توافقی برای توضیح پدیده ظهور وجود ندارد. به طور کلی، رفتار یک سیستم پیچیده ممکن است ظهور یافته تلقی شود اگر نتوان آن را تنها از خواص اجزا پیشبینی کرد. اما چه زمانی چنین ساختارها و الگوهای در مقیاس بزرگ پدیدار میشوند و معیار تشخیص پدیده ظهور یافته از پدیده غیرظهور یافته چیست؟ سردرگمی حاکم بوده است. جیم کراچفیلد (Jim Crutchfield)، فیزیکدان دانشگاه کالیفرنیا، دیویس، میگوید: «این فقط یک آشفتگی است.»
آنیل ست (Anil Seth)، عصبشناس دانشگاه ساسکس در انگلستان، میگوید: «فیلسوفان مدتهاست که درباره ظهور بحث کردهاند و در یک دور باطل چرخیدهاند.» به گفته ست، مشکل این است که ما ابزارهای مناسبی نداشتهایم – «نه تنها ابزارهای تحلیل، بلکه ابزارهای تفکر. داشتن معیارها و نظریههای ظهور نه تنها چیزی است که میتوانیم به دادهها اعمال کنیم، بلکه ابزارهایی هستند که میتوانند به ما کمک کنند تا درباره این سیستمها به شیوهای غنیتر فکر کنیم.»
اگرچه این مشکل هنوز حل نشده است، اما طی چند سال گذشته، جامعهای از فیزیکدانان، دانشمندان کامپیوتر و عصبشناسان در تلاش برای درک بهتر بودهاند. این محققان ابزارهای نظری برای شناسایی زمان وقوع پدیده ظهور را توسعه دادهاند. و در ماه فوریه، فرناندو روزاس (Fernando Rosas)، دانشمند سیستمهای پیچیده در ساسکس، به همراه ست و پنج همکار دیگر، گام فراتر نهادند و چارچوبی برای درک چگونگی پدید آمدن ظهور ارائه دادند.
به گفته این چارچوب جدید، یک سیستم پیچیده با سازماندهی خود در سلسله مراتبی از سطوح که هر یک مستقل از جزئیات سطوح پایینتر عمل میکنند، ظهور را نشان میدهد. محققان پیشنهاد میکنند که ظهور را نوعی «نرمافزار در دنیای طبیعی» بدانیم. همانطور که نرمافزار لپتاپ شما بدون نیاز به ردیابی تمام اطلاعات در مقیاس خرد درباره الکترونها در مدارهای کامپیوتری اجرا میشود، پدیدههای ظهور یافته نیز توسط قوانین در مقیاس کلان اداره میشوند که خودبسنده به نظر میرسند و به آنچه اجزای تشکیلدهنده انجام میدهند، بیتوجه هستند.
با استفاده از یک فرمالیسم ریاضی به نام مکانیک محاسباتی، محققان معیارهایی را برای تعیین اینکه کدام سیستمها این نوع ساختار سلسله مراتبی را دارند، شناسایی کردند. آنها این معیارها را بر روی چندین سیستم مدل که پدیدههای از نوع ظهور را نشان میدهند، از جمله شبکههای عصبی و اتوماتای سلولی از نوع «بازی زندگی» آزمایش کردند. در واقع، درجات آزادی، یا متغیرهای مستقل، که رفتار این سیستمها را در مقیاسهای میکروسکوپی و ماکروسکوپی نشان میدهند، دقیقاً همان رابطهای را دارند که نظریه پیشبینی میکند.
البته، هیچ ماده یا انرژی جدیدی در سطح ماکروسکوپی در سیستمهای ظهور یافتهای که به صورت میکروسکوپی وجود ندارد، ظاهر نمیشود. بلکه، پدیدههای ظهور یافته، از لکههای سرخ بزرگ تا افکار آگاهانه، نیازمند یک زبان جدید برای توصیف سیستم هستند. کریس آدامای (Chris Adami)، محقق سیستمهای پیچیده در دانشگاه ایالتی میشیگان، میگوید: «آنچه این نویسندگان انجام دادهاند، تلاش برای رسمیسازی این موضوع است. من به طور کامل این ایده را که همه چیز را ریاضی کنیم، تحسین میکنم.»
نیاز به بستار
روزاس از جهات مختلف به موضوع ظهور پرداخت. پدرش یک رهبر ارکستر مشهور در شیلی بود، جایی که روزاس ابتدا موسیقی را مطالعه و اجرا کرد. او میگوید: «من در سالنهای کنسرت بزرگ شدم.» سپس به فلسفه روی آورد و پس از آن مدرک ریاضیات محض گرفت، که به او «افراط در انتزاعیات» داد که او آن را با دکترای مهندسی برق «درمان» کرد.
چند سال پیش، روزاس شروع به تفکر درباره این سؤال دشوار کرد که آیا مغز یک کامپیوتر است یا خیر. به آنچه در لپتاپ شما میگذرد، فکر کنید. نرمافزار برای یک مجموعه ورودی مشخص، خروجیهای قابل پیشبینی و قابل تکرار تولید میکند. اما اگر به فیزیک واقعی سیستم نگاه کنید، الکترونها هر بار مسیرهای یکسانی را دنبال نخواهند کرد. روزاس میگوید: «این یک آشفتگی است. هرگز دقیقاً یکسان نخواهد بود.»
نرمافزار به نظر میرسد «بسته» است، به این معنا که به جزئیات فیزیک سختافزار میکروالکترونیکی وابسته نیست. مغز نیز تا حدودی شبیه به این عمل میکند: رفتارهای ما از یک ثبات برخوردارند، حتی اگر فعالیت عصبی در هیچ شرایطی یکسان نباشد.
روزاس و همکارانش دریافتند که در واقع سه نوع بستار مختلف در سیستمهای ظهور یافته وجود دارد. آیا اگر زمان و انرژی زیادی را صرف جمعآوری اطلاعات درباره تمام ریزحالتها – انرژیهای الکترون و غیره – در سیستم کنید، خروجی لپتاپ شما قابل پیشبینیتر خواهد بود؟ معمولاً خیر. این مورد مربوط به بستار اطلاعاتی است: همانطور که روزاس بیان کرد، «تمام جزئیات زیر سطح کلان برای پیشبینی کلان مفید نیستند.»
اگر بخواهید نه تنها سیستم را پیشبینی کنید، بلکه آن را کنترل کنید – آیا اطلاعات سطح پایینتر در این زمینه کمک میکند؟ باز هم، معمولاً خیر: مداخلاتی که در سطح کلان انجام میدهیم، مانند تغییر کد نرمافزار با تایپ کردن روی کیبورد، با تلاش برای تغییر مسیرهای الکترونهای جداگانه، قابل اعتمادتر نمیشوند. اگر اطلاعات سطح پایینتر هیچ کنترل بیشتری بر نتایج کلان اضافه نکند، سطح کلان بستار علّی دارد: خودش به تنهایی آینده خود را رقم میزند.
این وضعیت نسبتاً رایج است. به عنوان مثال، ما میتوانیم از متغیرهای ماکروسکوپی مانند فشار و ویسکوزیته برای صحبت درباره (و کنترل) جریان سیال استفاده کنیم، و دانستن موقعیتها و مسیرهای مولکولهای منفرد اطلاعات مفیدی برای این اهداف اضافه نمیکند. و میتوانیم اقتصاد بازار را با در نظر گرفتن شرکتها به عنوان موجودیتهای واحد توصیف کنیم، با چشمپوشی از هر جزئیاتی درباره افراد تشکیلدهنده آنها.
ست میگوید، وجود یک توصیف دانه درشت مفید، به خودی خود پدیده ظهور را تعریف نمیکند. «شما میخواهید چیز دیگری را در رابطه بین سطوح بیان کنید.» اینجاست که سطح سوم بستار که روزاس و همکارانش معتقدند برای تکمیل دستگاه مفهومی لازم است، وارد میشود: بستار محاسباتی. برای این منظور، آنها به مکانیک محاسباتی، رشتهای که توسط کراچفیلد پایهگذاری شد، روی آوردهاند.
کراچفیلد یک ابزار مفهومی به نام ماشین اپسیلون (e-machine) را معرفی کرد. این دستگاه میتواند در مجموعهای متناهی از حالتها وجود داشته باشد و بر اساس حالت فعلی خود، حالت آینده خود را پیشبینی کند. روزاس میگوید، این کمی شبیه آسانسور است؛ یک ورودی به دستگاه، مانند فشار دادن یک دکمه، باعث میشود دستگاه به یک حالت متفاوت (طبقه) به شیوهای قطعی تغییر کند که به تاریخچه گذشته آن بستگی دارد – یعنی طبقه فعلی آن، اینکه آیا در حال بالا رفتن یا پایین رفتن است و کدام دکمههای دیگر قبلاً فشار داده شدهاند. البته یک آسانسور اجزای بیشماری دارد، اما نیازی به فکر کردن درباره آنها نیست. به همین ترتیب، یک ماشین اپسیلون بهترین راه برای نمایش چگونگی «محاسبه» – یا میتوان گفت، علت – حالت آینده ماشین از طریق تعاملات نامشخص بین اجزا است.
مکانیک محاسباتی امکان کاهش شبکه تعاملات بین اجزای یک سیستم پیچیده را به سادهترین توصیف، که حالت علّی آن نامیده میشود، میدهد. حالت سیستم پیچیده در هر لحظه، که شامل اطلاعاتی درباره حالتهای گذشته آن است، توزیعی از حالتهای آینده ممکن را تولید میکند. هرگاه دو یا چند حالت فعلی چنین توزیع یکسانی از آیندههای ممکن داشته باشند، گفته میشود که در یک حالت علّی قرار دارند. مغز ما هرگز دقیقاً دو بار الگوی فعالیت عصبی یکسانی نخواهد داشت، اما شرایط بسیاری وجود دارد که با این حال ما به انجام کار مشابهی ختم میشویم.
روزاس و همکارانش یک سیستم پیچیده عمومی را مجموعهای از ماشینهای اپسیلون در مقیاسهای مختلف در نظر گرفتند. یکی از این ماشینها ممکن است، مثلاً، تمام یونها در مقیاس مولکولی، کانالهای یونی و غیره را که جریانهایی را در نورونهای ما تولید میکنند، نمایش دهد؛ دیگری الگوهای فعالیت عصبی خود نورونها را نشان میدهد؛ و دیگری، فعالیت مشاهده شده در بخشهای مغز مانند هیپوکامپ و قشر پیشانی را. سیستم (در اینجا مغز) در تمام این سطوح تکامل مییابد، و به طور کلی رابطه بین این ماشینهای اپسیلون پیچیده است. اما برای یک سیستم ظهور یافته که بستار محاسباتی دارد، ماشینهای هر سطح را میتوان با درشتدانهسازی اجزا فقط در سطح پایینتر ساخت: آنها، به اصطلاح محققان، «به شدت قابل گروهبندی» (strongly lumpable) هستند. برای مثال، میتوانیم تصور کنیم که تمام دینامیک یونها و انتقالدهندههای عصبی که به داخل و خارج یک نورون حرکت میکنند را در یک نمایش از اینکه آیا نورون فعالیت میکند یا خیر، گروهبندی کنیم. در اصل، میتوان انواع مختلفی از «گروهبندیها» از این نوع را تصور کرد، اما سیستم تنها زمانی بستار محاسباتی دارد که ماشینهای اپسیلون که آنها را نمایش میدهند، به این شیوه نسخههای دانه درشت یکدیگر باشند. روزاس میگوید: «یک ساختار تودرتو وجود دارد.»
سپس یک توصیف بسیار فشرده از سیستم در سطح کلان ظاهر میشود که آن دینامیکهای سطح خرد را که برای رفتار در مقیاس کلان اهمیت دارند، ثبت میکند – به عبارتی، از طریق شبکه تودرتو از ماشینهای اپسیلون میانی فیلتر شده است. در این صورت، رفتار سطح کلان را میتوان با استفاده تنها از اطلاعات در مقیاس کلان به طور کامل پیشبینی کرد – نیازی به ارجاع به اطلاعات در مقیاس دقیقتر نیست. به عبارت دیگر، این پدیده به طور کامل ظهور یافته است. محققان میگویند، ویژگی کلیدی این ظهور، همین ساختار سلسله مراتبی «حالتهای علّی به شدت قابل گروهبندی» است.
ظهور نشتی
محققان ایدههای خود را با بررسی آنچه که درباره طیفی از رفتارهای ظهور یافته در برخی سیستمهای مدل آشکار میکنند، آزمایش کردند. یکی از آنها نسخهای از یک راه رفتن تصادفی (random walk) است، که در آن یک عامل به طور بیهدف در شبکهای که میتواند، برای مثال، خیابانهای یک شهر را نشان دهد، پرسه میزند. یک شهر اغلب سلسله مراتبی از مقیاسها را نشان میدهد، با خیابانهایی که در محلهها به شدت به هم متصل هستند و خیابانهایی که بین محلهها بسیار پراکندهتر به هم متصل هستند. محققان دریافتند که نتیجه یک راه رفتن تصادفی در چنین شبکهای به شدت قابل گروهبندی است. یعنی، احتمال اینکه یک فرد سرگردان در محله A شروع کرده و در محله B به پایان برسد – رفتار در مقیاس کلان – بدون توجه به اینکه کدام خیابانها در A یا B به طور تصادفی توسط راه رونده پیموده میشود، یکسان باقی میماند.
محققان همچنین شبکههای عصبی مصنوعی مانند آنهایی که در الگوریتمهای یادگیری ماشین و هوش مصنوعی استفاده میشوند را در نظر گرفتند. برخی از این شبکهها خود را در حالتهایی سازماندهی میکنند که میتوانند الگوهای ماکروسکوپی را در دادهها به طور قابل اعتماد شناسایی کنند، صرف نظر از تفاوتهای میکروسکوپی بین حالتهای نورونهای منفرد در شبکه. روزاس میگوید، تصمیمگیری درباره اینکه کدام الگو توسط شبکه خروجی داده شود، «در سطح بالاتری عمل میکند.»
آیا طرح روزاس به درک ظهور ساختار قوی و در مقیاس بزرگ در موردی مانند لکه سرخ بزرگ مشتری کمک خواهد کرد؟ روزاس میگوید، گردباد عظیم «ممکن است بستار محاسباتی را برآورده کند، اما ما قبل از ادعای هر چیزی نیاز به تحلیل دقیق داریم.»
در مورد موجودات زنده، آنها گاهی اوقات ظهور یافته به نظر میرسند اما گاهی اوقات «به صورت عمودی یکپارچهتر» هستند، جایی که تغییرات میکروسکوپی بر رفتار در مقیاس بزرگ تأثیر میگذارند. به عنوان مثال، قلب را در نظر بگیرید. با وجود تنوع قابل توجه در جزئیات ژنهایی که بیان میشوند، و میزان آن، یا غلظت پروتئینها از مکانی به مکان دیگر، به نظر میرسد تمام سلولهای عضلانی قلب ما اساساً به یک شیوه کار میکنند، و آنها را قادر میسازد که به صورت انبوه به عنوان پمپی که توسط پالسهای الکتریکی منسجم و ماکروسکوپی در بافت حرکت میکند، عمل کنند. اما همیشه اینگونه نیست. در حالی که بسیاری از ژنهای ما جهشهایی دارند که هیچ تفاوتی در سلامت ما ایجاد نمیکنند، گاهی اوقات یک جهش – فقط یک «حرف» ژنتیکی در توالی DNA که «اشتباه» است – میتواند فاجعهبار باشد. بنابراین استقلال ماکرو از میکرو کامل نیست: مقداری نشت بین سطوح وجود دارد. روزاس میپرسد که آیا موجودات زنده در واقع با اجازه دادن به چنین ظهور جزئی «نشتی» بهینه شدهاند – زیرا در زندگی، گاهی اوقات ضروری است که ماکرو به جزئیات میکرو توجه کند.
علل ظهور یافته
چارچوب روزاس میتواند به محققان سیستمهای پیچیده کمک کند تا ببینند چه زمانی میتوانند امیدوار به توسعه مدلهای پیشبینیکننده دانه درشت باشند و چه زمانی نمیتوانند. او میگوید، هنگامی که یک سیستم شرط کلیدی بستار محاسباتی را برآورده میکند، «شما هیچ وفاداری را با شبیهسازی سطوح بالا و نادیده گرفتن سطوح پایین از دست نمیدهید.» اما در نهایت روزاس امیدوار است که رویکردی مانند او بتواند به برخی سؤالات عمیق درباره ساختار جهان پاسخ دهد – مثلاً، چرا به نظر میرسد زندگی فقط در مقیاسهای میانی بین اتمی و کهکشانی وجود دارد.
این چارچوب همچنین پیامدهایی برای درک مسئله پیچیده علت و معلول در سیستمهای پیچیده و ظهور یافته دارد. به طور سنتی، فرض بر این بوده که علیت از پایین به بالا جریان دارد: انتخابها و اعمال ما، به عنوان مثال، در نهایت به الگوهای فعالیت عصبی نورونهای ما نسبت داده میشوند، که به نوبه خود ناشی از جریان یونها در سراسر غشاهای سلولی هستند.
اما در یک سیستم ظهور یافته، این لزوماً چنین نیست؛ علیت میتواند در سطح بالاتری مستقل از جزئیات سطح پایینتر عمل کند. به نظر میرسد چارچوب محاسباتی جدید روزاس این جنبه از پدیده ظهور را، که در کارهای قبلی نیز بررسی شده بود، به تصویر میکشد. در سال ۲۰۱۳، جولیو تونونی (Giulio Tononi)، عصبشناس دانشگاه ویسکانسین، مدیسون، با همکاری اریک هوئل و لاریسا آلبانتکیس (همچنین از ویسکانسین)، ادعا کردند که، بر اساس یک معیار خاص از نفوذ علّی به نام اطلاعات مؤثر، رفتار کلی برخی سیستمهای پیچیده بیشتر در سطوح بالاتر ناشی میشود تا در سطوح پایینتر. این پدیده ظهور علّی نامیده میشود.
کار سال ۲۰۱۳ با استفاده از اطلاعات مؤثر میتوانست صرفاً یک ویژگی عجیب در اندازهگیری نفوذ علّی به این شیوه باشد. اما اخیراً، هوئل و رنزو کومولاتی (Renzo Comolatti)، عصبشناس، نشان دادهاند که این چنین نیست. آنها ۱۲ معیار مختلف قدرت علّی که در ادبیات علمی پیشنهاد شده بود را بررسی کردند و دریافتند که با همه آنها، برخی سیستمهای پیچیده ظهور علّی را نشان میدهند. هوئل میگوید: «مهم نیست چه معیاری برای علیت انتخاب میکنید. ما فقط به ادبیات علمی مراجعه کردیم و تعاریف دیگران از علیت را انتخاب کردیم، و همه آنها ظهور علّی را نشان دادند.» عجیب خواهد بود اگر این یک ویژگی تصادفی تمام آن معیارهای مختلف بود.
برای هوئل، سیستمهای ظهور یافته آنهایی هستند که رفتار در مقیاس کلان آنها نسبت به تصادفی بودن یا نویز در مقیاس خرد مصونیت دارند. برای بسیاری از سیستمهای پیچیده، احتمال زیادی وجود دارد که بتوان توصیفهای دانه درشت و ماکروسکوپی پیدا کرد که این نویز را به حداقل میرسانند. او میگوید: «این به حداقل رساندن است که در قلب یک مفهوم خوب از پدیده ظهور قرار دارد.»
تونونی میگوید، در حالی که رویکرد او و رویکرد روزاس و همکارانش به یک نوع سیستمها میپردازند، اما معیارهای متفاوتی برای ظهور علّی دارند. او میگوید: «آنها ظهور را زمانی تعریف میکنند که سیستم کلان بتواند خودش را به همان اندازه که از سطح خرد پیشبینی میشود، پیشبینی کند. اما ما اطلاعات علّی بیشتری را در سطح کلان نسبت به سطح خرد لازم داریم.»
ایدههای جدید به مسئله اراده آزاد میپردازند. در حالی که تقلیلگرایان سرسخت استدلال کردهاند که هیچ اراده آزادی نمیتواند وجود داشته باشد زیرا تمام علیت در نهایت از تعاملات اتمها و مولکولها نشأت میگیرد، اراده آزاد ممکن است با فرمالیسم علیت در سطح بالاتر نجات یابد. اگر علت اصلی اعمال ما مولکولهای ما نباشند بلکه حالتهای ذهنی ظهور یافتهای باشند که خاطرات، نیات، باورها و غیره را کدگذاری میکنند، آیا این برای یک مفهوم معنادار از اراده آزاد کافی نیست؟ ست میگوید، کار جدید نشان میدهد که «راههای معقولی برای اندیشیدن درباره علیت در سطح کلان وجود دارد که توضیح میدهد چگونه عاملان میتوانند نوع ارزشمندی از اثربخشی علّی داشته باشند.»
با این حال، هنوز در میان محققان درباره اینکه آیا علیت در سطح عامل و ماکروسکوپی میتواند در سیستمهای پیچیده پدیدار شود، اختلاف نظر وجود دارد. آدامای میگوید: «من با این ایده که مقیاس کلان میتواند مقیاس خرد را هدایت کند، راحت نیستم. مقیاس کلان صرفاً درجات آزادی است که شما ابداع کردهاید.» این نوع مسئلهای است که طرح پیشنهادی روزاس و همکارانش ممکن است به حل آن کمک کند، با کندوکاو در مکانیسمهای چگونگی ارتباط سطوح مختلف سیستم با یکدیگر، و چگونگی ساختار این گفتگو برای دستیابی به استقلال ماکرو از جزئیات سطوح پایینتر.
در این مرحله، برخی از استدلالها کاملاً مبهم هستند. اما کراچفیلد خوشبین است. او میگوید: «ما این موضوع را در پنج یا ۱۰ سال آینده حل خواهیم کرد. من واقعاً فکر میکنم قطعات پازل در جای خود قرار دارند.»