El mundo de lo viviente está repleto de búsquedas. Las polillas
encuentran sus parejas. Las bacterias encuentran fuentes de nutrición. Las
raíces de las plantas encuentran nutrientes en el suelo. El documental de Illustra
Living Waters incorpora
unos increíbles ejemplos de búsquedas: delfines que encuentran presas mediante
ecolocación, la navegación de los salmones hacia sus lugares de reproducción
con su excepcional sentido del olfato, y las tortugas marinas se orientan
durante miles de millas con destino a distantes fuentes de alimentos y de
vuelta al hogar usando el campo magnético de la tierra.
El asunto de las búsquedas es importante en los libros de William
Dembski sobre Diseño Inteligente No Free Lunch y Being as Communion. Cuando uno
piensa por un momento acerca de la cuestión de las búsquedas, hay diversos
factores que implican un diseño inteligente. La entidad (sea viviente o
programada) ha de tener un objetivo. Debe recibir indicaciones del medio
ambiente e interpretarlas. Y tiene que poder moverse hacia su diana de manera
precisa. Dembski demuestra matemáticamente que ningún algoritmo evolutivo es
superior a una búsqueda ciega a no ser que se añada información suplementaria
desde el exterior del sistema.
En Proceedings
of the National Academy of Sciences de este mes, cinco científicos
de Princeton y del MIT dan aliento a un esfuerzo multidisciplinar para
comprender los algoritmos de búsqueda naturales empleados por seres vivientes.
La capacidad
de navegar es un distintivo de los sistemas vivientes, desde las
células simples a los animales superiores. La
búsqueda de objetivos, como alimentación o pareja en particular, es una de
las tareas fundamentales de navegación que muchos organismos deben realizar para sobrevivir y
reproducirse. Aquí exponemos que una reciente oleada de estudios sobre el mecanismo inmediato que subyace a la
conducta de la búsqueda ofrece una nueva
oportunidad para integrar la biofísica y la neurociencia de los sistemas sensoriales con procesos ecológicos y evolutivos, que cierre un bucle de
realimentación que promete unas
fascinantes nuevas perspectivas de exploración científica en la frontera de
la biología de sistemas. [Énfasis añadido.]
La biología de sistemas, una tendencia muy actual en ciencia, como ha
explicado Steve Laufmann en
un reciente artículo, contempla los organismos al modo en que lo haría un
ingeniero de sistemas. Esos científicos (dos biólogos evolutivos y tres
ingenieros) se refieren varias veces a la ingeniería humana como análoga a los
algoritmos de búsqueda que encontramos en la naturaleza. De manera específica, para
un ingeniero, «la investigación sobre la búsqueda» (encontrar un objetivo en un
conjunto de datos ruidosos), revela muchas semejanzas con las búsquedas que
realizan los animales. Al estudiar los algoritmos de búsqueda de los animales
podemos realmente incluso aprender a mejorar nuestras búsquedas.
El
hecho de que entidades biológicas de
muchas clases tienen que vencer lo que parece ser, al menos
superficialmente, unos retos semejantes
en sus procesos de búsqueda, suscita una cuestión: ¿Ha llevado la evolución a que estas entidades resuelvan sus
respectivos problemas de búsqueda de formas parecidas? Está claro que los
mecanismos moleculares y biomecánicos que usa una bacteria para ascender por un gradiente químico son diferentes
de los procesos neurales que usa una polilla
para buscar una pareja potencial. Pero, a un nivel más abstracto, es tentador especular que los dos organismos
han evolucionado estrategias que
comparten un conjunto de propiedades que aseguran una búsqueda efectiva. Esto lleva a nuestra primera
cuestión: Estas estrategias de búsqueda que diferentes clases de organismos han evolucionado, ¿comparten un
conjunto común de características? Si la respuesta a esa pregunta es
afirmativa, siguen muchas otras preguntas. Por ejemplo: ¿cuáles son las presiones selectivas que llevan a tal evolución convergente? ¿Acaso unas
características comunes de las estrategias de búsqueda reflejan características comunes de los ambientes de
búsqueda? ¿Pueden unas características compartidas de estrategias de
búsqueda informar el diseño de
buscadores diseñados, por ejemplo de micronadadores sintéticos para su uso
en aplicaciones medicinales, o en robots buscadores?
Este artículo es realmente interesante. Los autores describen diversos
ejemplos de unas asombrosas capacidades de búsqueda en el mundo de lo viviente.
Los seres vivos alcanzan diariamente sus objetivos con una alta precisión a
pesar de numerosos desafíos. Los datos detectados son a menudo ruidosos y
dinámicos, cambiantes con cada soplo de viento o corriente lateral. Los
gradientes de las señales son a menudo fragmentarios, no uniformes. Pero, de
alguna manera, las bacterias pueden remontar un gradiente químico, los insectos
pueden seguir unas feronomas muy diluidas, y los ratones pueden localizar grano
en la oscuridad. En nuestros mismos cuerpos, las células inmunitarias siguen
unos invisibles gradientes de señalización hacia sus dianas. En todas partes, desde
moléculas señalizadoras en el interior de células hasta poblaciones globales de
organismos superiores, hay constantemente búsquedas en marcha en la biosfera.
El diseño de ingeniería necesario para una búsqueda con éxito, sea
natural o artificial, es un ejemplo de optimización
– una ciencia del diseño inteligente. Por ejemplo, no hay suficiente con la presencia
de unos detectores sensibles. Si es demasiado sensible, un detector puede
quedar saturado por una señal fuerte. Muchos sentidos de los animales están
dotados de mecanismos de adaptación que pueden atenuar señales fuertes cuando
es necesario, lo que permite la detección a través de muchos órdenes de
magnitud. Esto sucede con el oído humano: un control automático de ganancia en
las células ciliares de la cóclea proporciona a los humanos una gama dinámica
de un billón a uno. ¡Un reciente artículo exponía que
los ojos humanos son capaces de detectar un solo fotón! Y, sin embargo, podemos
ajustarnos frente al resplandor del sol con los mismos detectores, gracias al automatismo
del iris y a otros mecanismos de adaptación en las neuronas de las retinas.
En el artículo de PNAS, los
autores describen los desafíos adicionales de compensación para los algoritmos
naturales de búsqueda. Por ejemplo, ¿debería el organismo dirigirse a la fuente
más rica de alimentos, si esto lo expone a depredadores? ¿Deberían poblaciones
con necesidades semejantes competir por los recursos, o distribuirlos? Cada
beneficio incurre en un coste. Un algoritmo bien diseñado de búsqueda maneja
las compensaciones a la vez que maximiza la recompensa, incluso si la recompensa
es menos que lo ideal. Los ingenieros tienen que resolver problemas semejantes
de optimización. Tienen una palabra para ello: «satisfacer» la necesidad
llegando al menos al requisito mínimo. Es obvio que llegar a la mejor solución para
múltiples objetivos contrapuestos en medio de un ambiente dinámico y ruidoso es
un gran desafío tanto para los ingenieros como para los animales.
Este artículo, por otra parte sumamente perspicaz, entra en terreno
problemático cuando intenta introducir la evolución en la cuestión de las
búsquedas. Dicen: «Esperamos que la
selección natural impulse la evolución de algoritmos que conduzcan a una búsqueda de alto
rendimiento, a la vez que equilibre los costes de la aptitud, como la
exposición al riesgo de los depredadores». ¡Grandes expectativas!, pero,
¿pueden resistir un examen crítico?
- Los autores dan la evolución como un hecho, en lugar de justificarla. Dicen que los organismos «han evolucionado» estrategias para las búsquedas. Debido a la complejidad irreducible de cualquier sistema que exija detectores, intérpretes y respondedores para llegar a una búsqueda con éxito, esto significaría un milagro.
- Los autores apelan a una «evolución convergente» para explicar la presencia de algoritmos de búsqueda similares en organismos no relacionados. Esto multiplica los milagros que se necesitan.
- Hablan del medio ambiente como aquello que proporciona «presión selectiva» para que los organismos evolucionen sus algoritmos. Si el medio pudiera presionar la formación de algoritmos de búsqueda, entonces las rocas y los vientos también los tendrían. El medio puede influir sobre la formación de un remolino de polvo, pero el remolino no está buscando nada. El medio puede hacer que las rocas caigan y que los ríos fluyan en ciertas direcciones, pero estos objetos no tienen cuidado alguno acerca de adónde van. Se precisa de una programación para encontrar una diana especificada por adelantado.
Lo más serio de todo, la pretensión de que la selección natural puede
impulsar la evolución de algoritmos de búsqueda, se socava a sí misma. En un
sentido real, los científicos mismos están realizando una búsqueda —una
búsqueda de una búsqueda. Han emprendido la búsqueda de un modelo universal
para explicar los algoritmos de búsqueda de los animales. Pero si ellos mismos
son producto de la selección natural, entonces no hay forma alguna en que
puedan llegar a su propio objetivo, que es el de «comprender» el mundo natural
y explicar cómo emergió.
Para ver por qué su búsqueda está condenada al fracaso, véase el
artículo (en inglés) de Nancy Pearcey, «Why
Evolutionary Theory Cannot Survive Itself». Los autores en PNAS tienen que aplicarse su propia
explicación a ellos mismos. Pero luego esto llega a ser un absurdo
autorreferencial, porque tendrían que decir que el medio ambiente les ha
presionado a decir lo que han dicho. Su explicación, además, no tendría ninguna
relación necesaria con la verdad —sólo con la supervivencia. Recordamos a Donald
Hoffman's desacreditando la epistemología evolucionista? «Según la
evolución por selección natural, un organismo que contempla la realidad como es
nunca será más apto que un organismo de igual complejidad que no ve nada de la
realidad, sino que está sólo ajustado para aptitud», decía él: «Nunca». Por
consiguiente, los autores del artículo no pueden tener ninguna seguridad de
nada, incluyendo su afirmación de que la selección natural impulsa la evolución
de algoritmos de búsqueda.
Lo que podemos decir es que cada vez que observamos un algoritmo de
búsqueda en existencia, tanto si se trata del motor de búsqueda de Google como
de una clase acerca de orientación, sabemos que hay inteligencia involucrada.
Lo que nunca vemos es el surgimiento de un nuevo algoritmo de búsqueda por
causas naturales sin intencionalidad. Por tanto conocemos una vera causa —una causa verdadera— que
puede explicar los algoritmos de búsquedas de gran éxito en la naturaleza. Y es
que el origen de la naturaleza … no es natural.
Crédito de la fotografía: Illustra Media.
Publicar un comentario