人工智能如何揭开200多年前的进化谜题?

作者: 佚名 2019-09-08 15:20:38

人工智能有助于解决进化研究当中最古老的谜题之一,但同时又给我们带来更多新的困惑。

人工智能如何揭开200多年前的进化谜题?

▲图中为虎纹长翼蝶,学名为灰袖蝶。

自然界充满了抄袭者。螟蛾会使用与虎蛾相同的高音吓退前来的捕食者,无毒的王蛇则长出了与毒蛇类似的体色。王蛇与螟蛾的这类作法被称为贝特斯拟态,指某种无害的物种通过将自己的外貌改变为类似于强大或有毒同类特种的方式吓退捕食者。当然,这并不是什么恶意抄袭,只是长期生存压力下的产物——生存时间达到一定程度之后,王蛇的外观又开始向珊瑚蛇靠拢,并通过这种方式将拟态能力传递给下一代。

不过,其它一些物种则选择了自己的生存技巧。明亮的色彩在大自然当中基本就是“不适合食用”的标签,科学家们将其称为警戒态。这可能代表着有毒,或者只是味道很糟糕(也可能是呈现明亮色彩的生物故意想让捕食者以为是这样)。但有时候,鸟类与蜥蜴这类捕食者可能会坚持吃下这些苦苦的食物,并通过这种“吃亏”的方式让自己将鲜艳的色彩与糟糕的进食体验联系起来。因此,要想让拟态真的发挥作用,虎纹长翼蝶可能需要至少牺牲一位同伴,向猎人们证明自己真的不好吃。

十九世纪的博物学家Fritz Müller曾经指出,如果有两只蝴蝶进化出虎纹长翼蝶这样的警示颜色,那么二者会以责任分摊的形式完成对捕食者的口味“调教”。假设,当地的鸟类要吃掉大约20只色彩鲜艳的蝴蝶才能弄明白,这种色彩斑斓的图案代表着“不好吃”。那么如果两种当地蝴蝶品种发展出不同的标记,那么捕食者必须得各吃掉其中20只才会明白这两类蝴蝶都不好吃。但如果二者拥有相似的标记,那么各自只需要牺牲10只同类就能让捕食者意识到这一点。因此,两个物种很可能逐步发展出类似的外貌特征,旨在降低群体生存风险。

>>>未经验证的假设

这种被称为缪勒拟态的论断,正是进化领域最古老的构想之一,其诞生于1878年——也就是达尔文于1859年提出自然选择理论后的不到20年之内。这也是生物学家们提出的趋同进化理论中最著名的例子之一——不同的物种在类似的压力下会发展出相似的特征,这有点像是两个人各自独立地提出了相似的问题解决方法。

例如,收敛进化使得蝙蝠与鸟类都发展出了翅膀,也使得鲸和鲨都拥有鳍。然而,虎纹长翼蝶却将这种倾向发展到了一个全新的、令人眼花缭乱的复杂高度。对其翅膀模式的AI研究表明,缪勒拟态理论是完全正确的,而且这种变化并非单向模仿。不同的亚种之间亦会来回交换模式,并以新的方式结合“抄”来的特征以产生新的模式。

虎纹长翼蝶主要生活在美洲广阔的热带与亚热带气候地区。在其两大分支以及和几十个亚种当中,昆虫学家已经确定了至少30种独特的翅膀图案模式,其中每种模式都在少数几种亚种之间共享。所有这些多样性,再加上翅膀图案的复杂性,使得我们很难对其相互关联进行大规模研究。再加上大多数生物学家只能依靠自己的眼睛和笔记记录观察到的情况,因此缪勒假设虽然很有意义,但却一直无法得到严格证明。

剑桥大学的Jennifer Hoyal Cuthill在最近的声明当中指出,“我们之前之所以未能完成对这一模仿进化系统加以测试,是因为很难量化两只蝴蝶之间的相似程度。”然而,这类无法由人类眼睛与大脑消化的高密度信息,却正是计算机的专长所在——其非常善于量化事物,并利用机器学习(一种AI实现方式,计算机可以借此发现新的数据与经验,从而超越固有编程内容)更好地解读蝴蝶翅膀的进化复杂性。

人工智能如何揭开200多年前的进化谜题?

▲奇数列为艺神袖蝶,偶数列则为诗神袖蝶,分别按照翅膀图案的相似性排序。

>>>从蝴蝶到ButterflyNet

那么,各位生物学界的先贤们会如何看待今天的机器学习算法?相信他们至少会肯定Hoyal Cuthill和她的同事们制定的研究成果:ButterflyNet。

该团队为这套AI系统提供来自38个不同亚种的总计约2400张虎纹长翼蝶照片,并教导其从照片中识别出各个亚种。后来,系统完成了人类科学家几个世纪以来可望而不可及的目标:对每组翅膀图案之间的相同点与不同点进行量化。ButterflyNet测量并比较了翼形的差异,以及图案在不同部位的尺寸、形状、位置及颜色等细小变化。

接下来,它将所有蝴蝶进行了分类并整理出图表:两个亚种之间的距离越近,则代表其翅膀图案的相似度越高。这一结果帮助Hoyal Cuthill及其同事得出了关于不同亚种间翅膀图案关联方式的结论,构成这些图案的形状与颜色的进化、复制与改变过程,以及不同亚种间相互借用与创造的方式。结果似乎证明了缪勒拟态的正确性,即两种有毒的蝴蝶物种确实有可能发展出类似的警示图案。

Hoyal Cuthill在一份声明中指出,“事实上,收敛的趋势是如此强烈,以至于不同物种的拟态与目标的相似度,甚至高于同一物种的不同个体。”然而,事情并不是蝴蝶照着邻居的样子“打扮”自己那么简单。亚种之间会依次相互模仿,在复杂的进化过程中传递形状与颜色。从逻辑上讲,这种相互复制应该导致全部蝴蝶都只进化出几种相似的图案,但结果恰恰相反——蝴蝶获得了更多新的图案。随着各个亚种根据邻居做出自我调整,其又会以新的方式组合这些形状与颜色要素,相关结果随后会再次作为邻居们的模仿与重新组合素材。

目前还不清楚这种模式是否能够帮助蝴蝶们更快地赶走捕食者,因为缪勒拟态的观点在于不能食用的物种之间有动机提高相似度——而发展出新图案似乎与这一论断不太相符。但无论如何,事情已经有了进展,也许我们距离真相已经不远。

人工智能 AI
上一篇:人工智能和物联网如何成为完美一对 下一篇:35岁入场机器学习和人工智能?
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

11个主流AI聊天机器人平台,你绝不能错过

人工智能聊天机器人掀起了一场用户体验革命。只要用户需要,机器人就能提供有用的信息。一些企业应用AI聊天机器人为客户提供积极有益的帮助,企业也因此得到了长足的发展。

读芯术 ·  16h前
5G自动驾驶什么样?韩国测试得出这样的结果

自动驾驶与5G的产业发展备受关注,而两者结合会有什么样的效果,韩国企业近日进行了一番探索。韩媒报道称,10月10日,LG U+自动驾驶汽车在首尔麻谷LG科学园一带的普通公路上进行了测试。

佚名 ·  17h前
全球十大AI训练芯片大盘点

AI芯片哪家强?现在,有直接的对比与参考了。英国一名资深芯片工程师James W. Hanlon,盘点了当前十大AI训练芯片。

乾明 ·  18h前
模型仅1MB,更轻量的人脸检测模型开源,效果不弱于主流算法

AI模型越来越小,需要的算力也也来越弱,但精度依旧有保障。最新代表,是一个刚在GitHub上开源的中文项目:一款超轻量级通用人脸检测模型。

乾明 ·  18h前
人工智能遇冷,自动驾驶受阻?

2016到2019,人工智能经历了梦幻般的三年,但人工智能的历史规律告诉我们:高潮过后可能会引来新的一波沉寂,人工智能助推下的自动驾驶也会受到波及。

佚名 ·  23h前
非监督学习最强攻略

本次主要讲解的内容是机器学习里的非监督学习经典原理与算法,非监督,也就是没有target(标签)的算法模型。

SAMshare ·  23h前
PyTorch终于能用上谷歌云TPU,推理性能提升4倍,该如何薅羊毛?

Facebook在PyTorch开发者大会上正式推出了PyTorch 1.3,并宣布了对谷歌云TPU的全面支持,而且还可以在Colab中调用云TPU。

晓查 ·  1天前
500亿参数,支持103种语言:谷歌推出「全球文字翻译」模型

由于缺乏平行数据,小语种的翻译一直是一大难题。来自谷歌的研究者提出了一种能够翻译 103 种语言的大规模多语言神经机器翻译模型,在数据丰富和匮乏的语种翻译中都实现了显著的性能提升。

机器之心 ·  2天前
Copyright©2005-2019 51CTO.COM 版权所有 未经许可 请勿转载