نامطلوب که امروز با آن‌ها مواجه هستیم، ناشی از پایبندی سفت و سخت به همان رویکرد مکانیکی است. ناتوانی ما در درمان مؤثر بیماری‌هایی مانند سرطان، ناهنجاری‌های مادرزادی و بیماری‌های تخریب‌کننده عصبی، ناشی از رویکرد کاملاً پایین به بالا است که هدفش یافتن «مسیرهای» مولکولی برای مداخله است.

اما این رویکرد قادر به درک یا بهره‌برداری از منطق عاملیتی حیات نیست - مانند یک تکنسین تلویزیون که با لحیم‌کاری ترانزیستورها به جای تعویض کانال‌ها سعی در تغییر برنامه دارد. ما باید به طور مستقیم در سطح هدف (ذهنی) بافت‌ها مداخله کنیم، نه فقط با دستکاری در سطح سخت‌افزار (مولکولی). رویکرد مکانیکی به زیست‌پزشکی، که از بسیاری جهات مفید بوده است، هنوز نتوانسته است پیش‌بینی‌پذیری و کنترل لازم برای رفع کامل بسیاری از مشکلات را فراهم کند. به این دلیل که نمی‌تواند به طور معناداری از قدرت سیستم‌های پیچیده در حل مشکلات در فضاهای مختلف بهره‌برداری کند.

از سوی دیگر، رویکرد ارگانیسم‌گرا که من مدافع آن هستم، به طرز شگفت‌آوری برای مقابله با شکست‌های پیش‌بینی‌کننده رویکرد مکانیکی مناسب است، دقیقاً به این دلیل که انتظار دارد و به دنبال عامل‌گرایی در مقیاس‌های مختلف است. به همین دلیل، رویکرد مکانیکی در جایی که عامل‌گرایی اهمیت دارد (مانند روان‌درمانی) نامناسب است و برعکس، دیدگاه ارگانیسم‌گرا در جایی که هدف ما صرفاً مقابله با نیروهای فیزیکی بی‌ذهن است (مانند ترمیم شکستگی استخوان) بیش از حد است.

منطق مشابهی در علوم رایانه اعمال می‌شود. برخی از برنامه‌نویسان تصور می‌کنند که آنها کاملاً رفتار رایانه‌های خود را کنترل می‌کنند، در حالی که دیگران به سرعت تشخیص می‌دهند که به جای هدایت مستقیم جریان الکترون‌ها، درگیر گفتگوی ناگزیر با یک عامل محاسباتی هستند که اهداف خود را دارد - هرچند این اهداف توسط برنامه ایجاد شده‌اند. این تفاوت نگرش، مشابه تمایز بین افرادی است که به دنبال درک نحوه کارکرد رایانه از سطح پایین به بالا (فیزیک) هستند و کسانی که به دنبال درک نحوه کارکرد آن از سطح بالا به پایین (الگوریتم‌ها) هستند.

درباره ویروس‌شناسی، زیست‌شناسی مصنوعی، و هر زمینه دیگری که در آن انسان‌ها سعی می‌کنند سیستم‌های پیچیده و تا حدی خودمختار ایجاد یا مدیریت کنند چطور؟ اگر انتظار داشته باشیم که مخلوقات ما مانند ماشین‌های بی‌جان رفتار کنند، در مقابله با شگفتی‌های تقریباً اجتناب‌ناپذیر ناشی از رفتار نوظهور و خودبه‌خودی آنها ناتوان خواهیم بود. این دیدگاه که «ما آن را ساخته‌ایم، پس می‌دانیم چه کاری می‌تواند انجام دهد» به طور فزاینده‌ای در دنیای هوش مصنوعی پیشرفته، زیست‌شناسی مصنوعی و واسط‌های مغز و رایانه خطرناک است. حتی مهندسان هم‌اکنون با عاملیت شگفت‌آور مصنوعات خود دست و پنجه نرم می‌کنند و باید در زمینه‌هایی مانند «هوش ماشینی» و «رفتار ماشین» تخصص پیدا کنند. اینها را می‌توان بازتاب‌هایی از «رفتارشناسی شناختی» دانست که در آن دانشمندان رفتار هدفمند حیوانات غیرانسانی را مطالعه می‌کنند.

در تمام این موارد، خطرات ناشی از عدم درک و احترام به ظرفیت عامل‌گرایی در سیستمی است که مطالعه یا ساخته می‌شود. اگر موجودات زنده ماشین نیستند، این به این دلیل نیست که زیست‌شناسی دارای نوعی جوهره مخفی است، بلکه به این دلیل است که درک ما از چیستی ماشین‌ها بسیار ابتدایی است. بسیاری از ماشین‌های امروزی و مطمئناً ماشین‌های آینده، به طور فزاینده‌ای شبیه موجودات زنده خواهند بود - و دارای درجات مختلفی از آگاهی، حافظه، ترجیحات، و اهداف هستند. اما برخی از ماشین‌ها مانند اهرم‌ها و چرخ‌دنده‌ها، هنوز ماشین‌های بی‌جان هستند.

بنابراین، اگرچه گفتن «موجودات زنده ماشین نیستند» جذاب است، اما این گفته از حقیقت مهمی غافل است. موجودات زنده *همچنین* ماشین هستند - ما ماشین‌هایی ساخته‌شده از گوشت هستیم. بدن ما قوانین فیزیک و شیمی را نقض نمی‌کند، و مانند هر سیستم فیزیکی دیگری، می‌توان آن را به عنوان یک ماشین درک کرد. همانطور که پیشرفت‌های چشمگیر در زیست‌پزشکی گواهی می‌دهد، دیدن بدن به عنوان نوعی ماشین بسیار مفید است.

بنابراین، چه چیزی را از دست می‌دهیم؟ پاسخ در درک ما از چیستی «ماشین» است. دیدن موجودات زنده به عنوان ماشین اشتباه نیست، اشتباه زمانی رخ می‌دهد که مفاهیم کوچک و قرن بیستمی از ماشین‌ها را - یعنی آنهایی که فاقد خودمختاری، ذهن و انعطاف‌پذیری در رفتار هستند - به عنوان یک دیدگاه جامع تلقی می‌کنیم.

جایگزین بهتری برای دوتایی فریبنده LTNM وجود دارد: مفهوم «محاسبه‌پذیری جهان».محاسبه‌گرایی این ادعا نیست که جهان یک کامپیوتر است، بلکه این ادعا است که فیزیک به معنای گسترده کلمه، محاسباتی است. به عبارت دیگر، برای هر فرآیند فیزیکی، همواره یک مدل محاسباتی وجود دارد که رفتار آن را تقریب می‌زند. محاسباتی کردن جهان مستلزم این نیست که جهان یک کامپیوتر دیجیتالی باشد؛ در عوض، یک کامپیوتر دیجیتالی ابزاری است که می‌توانیم از آن برای شبیه‌سازی جهان استفاده کنیم. (به همین دلیل، این ایده در مورد اینکه آیا جهان در حال شبیه‌سازی است به طور بی‌معنا به جای اینکه صرفاً جالب باشد، فرو می‌ریزد.)

بنابراین، بیایید دوتایی LTNM را به جای آن با پرسیدن این سؤال جایگزین کنیم: کدام نوع از مدل‌های فیزیکی (یعنی کدام نوع ماشین) بیشتر در یک موقعیت خاص مناسب است؟ در مواجهه با یک پدیده، چگونه بهترین مدل برای آن را انتخاب می‌کنیم؟ مهم نیست که آن پدیده یک سلول، بافت، ارگانیسم، تمدن، اکوسیستم، سیاره، خورشید یا جهان باشد، همان رویکرد برای انتخاب چارچوب مناسب اعمال می‌شود.

البته، ایجاد و استفاده از مدل‌ها آسان نیست. برای مثال، سیستم‌های مدل‌سازی‌شده همیشه به طور کامل با سیستم‌های واقعی مطابقت ندارند. به طور کلی، یک مدل کامل به اندازه خود واقعیت پیچیده خواهد بود، و از نظر محاسباتی گران و فاقد ارزش است (به معنای واقعی کلمه، هیچ چیز به اندازه یک نقشه با مقیاس ۱:۱ مفید نیست). بنابراین، تمام مدل‌ها مبادله بین سادگی و قدرت پیش‌بینی هستند. در هر سناریو، این سوال اصلی این است که چه نوع مدلی تعادل درستی را برقرار می‌کند. در نهایت، هدف انتخاب یک مدل توصیفی نیست، بلکه به دست آوردن قدرت محاسباتی است: توانایی پیش‌بینی نتایج و تغییر مسیر سیستم.

همانطور که دانشمند رایانه، جودا پرل، در کتاب برجسته‌اش، «کتاب چرا»، اشاره می‌کند، یک مدل خوب «یک پروکسی است که پرسش‌های مداخله‌ای را به پاسخ‌های پیش‌بینی‌کننده ترجمه می‌کند». ما مدل‌هایی از سیستم‌ها را می‌سازیم تا بتوانیم اطلاعاتی را در مورد نحوه عملکرد آنها به دست آوریم، و به طور خاص، مدل‌هایی از سیستم‌ها را می‌سازیم تا بتوانیم آنها را کنترل کنیم.

جالب اینجاست که هیچ دلیلی وجود ندارد که فکر کنیم یک موجود واحد به یک توضیح واحد نیاز دارد. این یک نقطه کور ناشی از دیدگاهی است که اساساً از فیزیک اتخاذ شده است: یک سنگ فقط یک معادله دارد که رفتار آن را تعیین می‌کند. از سوی دیگر، موجودات زنده در فضاهای چندگانه کار می‌کنند و بنابراین، احتمالاً به مدل‌های متعددی نیاز دارند. ما می‌دانیم که می‌توانیم یک رایانه را هم به عنوان یک ماشین فیزیکی با ترانزیستورها و هم به عنوان مجموعه‌ای از خطوط کد در نظر بگیریم. از دیدگاه محاسباتی، این دو لزوماً ناسازگار نیستند، اما قطعاً معادل یکدیگر هم نیستند.

به طور مشابه، هر مهندسی یک سیستم زیستی (یا هر سیستم پیچیده دیگری) باید بین استراتژی‌های پایین به بالا و بالا به پایین تعادل برقرار کند و بین مدل‌های گران‌تر اما دقیق‌تر، و ارزان‌تر اما تقریبی‌تر یکی را انتخاب کند.

آیا برای همه (از جمله تکامل) امکان‌پذیر است که هر دو مدل را در یک زمان داشته باشند، بر اساس وضعیت؟ این سؤال‌ها به همان اندازه که زیست‌شناختی هستند، فلسفی و مهندسی نیز هستند، و ما را به سؤال اصلی برمی‌گردانند: چگونه بهترین مدل را انتخاب کنیم؟

نکته این نیست که فقط یک راه درست برای درک یک سیستم وجود دارد، بلکه این است که بینش، به ویژه از نوعی که کنترل‌کننده است، از استفاده از بهترین مجموعه مدل‌ها حاصل می‌شود - و از استفاده از آن مدل‌ها به طور صحیح در هنگام تعامل با سیستم مورد نظر. رویکرد جایگزین، یعنی چسبیدن به یک مدل از روی حس نوستالژی یا برتری اخلاقی، به طرز تأسف‌باری نتایج ضعیفی به همراه خواهد داشت. به جای انتخاب یک وفاداری قبیله‌ای بین LTNM و مفاهیم تحمیل‌شده ماشین‌گرایی، باید بپرسیم که چه نوع مدلی ما را توانمند می‌سازد. به این ترتیب، می‌توانیم از سؤال کهنه و ناگوار «آیا X یک ماشین است؟» دست برداریم و در عوض این سؤال بسیار جالب‌تر را بپرسیم: «کدام نوع ماشین X را به خوبی توصیف می‌کند؟»