Come fa esattamente un ragno appena nato a tessere una ragnatela perfetta che è caratteristica della sua specie – senza aver mai visto una ragnatela del genere, tanto meno essere stato addestrato a tesserne una? Come fanno le farfalle a sapere cosa fare? Perché i cani e i gatti si comportano come cani e gatti? Perché i conigli si comportano così? L’istinto è una possibile risposta. Le persone, specialmente gli psicologi, hanno a lungo considerato l’istinto come un importante determinante del comportamento. Ma come funziona l’istinto? Quali sono i meccanismi rilevanti che permettono all’istinto di funzionare come fa?
Attualmente abbiamo una buona comprensione di come gli esseri umani imparano attraverso la formazione della memoria. Queste informazioni possono essere usate per capire come funziona l’istinto, perché il rigido comportamento istintivo è l’opposto del flessibile comportamento umano appreso. Potrebbe anche esistere un continuum apprendimento-memoria di flessibilità sinaptica, con gli esseri umani a un’estremità e creature come i ragni all’altra estremità.
Entrambe le estremità di un continuum apprendimento-memoria sono adattative. La flessibilità dipendente dall’esperienza in un lungo periodo di sviluppo permette agli esseri umani di acquisire abilità complesse e comportamenti intelligenti. La rigidità preimpostata evita i rischi e i pericoli dello sviluppo e della genitorialità, consentendo un comportamento “adulto” fin dall’inizio – il che ci porta al tema dell’evoluzione.
Evoluzione
Gli istinti si sono ovviamente evoluti insieme al resto del corpo dell’organismo attraverso gli stessi principi di variazione e selezione naturale che guidano e spiegano l’evoluzione filogenetica. Qui stiamo parlando dell’evoluzione comportamentale come un parallelo dell’evoluzione filogenetica. Sappiamo che il DNA è il meccanismo genetico che media l’evoluzione filogenetica, ma può essere responsabile anche dell’evoluzione comportamentale e dell’istinto? Se sì, come può avvenire esattamente? Quali meccanismi potrebbero permettere l’ereditarietà del comportamento?
Informazioni sul meccanismo
I modelli computazionali dell’apprendimento e della memoria ci permettono di capire meglio come funzionano i meccanismi biologici centrali rilevanti perché le simulazioni animano le relazioni causali. Di particolare interesse è il modo in cui vengono addestrate le reti neurali artificiali (RNA) conosciute come modelli di reti neurali connectioniste ad elaborazione distribuita parallela. Discuto questi metodi nel mio libro (Tryon, 2014) Cognitive Neuroscience and Psychotherapy: Network Principles for a Unified Theory ma li riassumo qui sotto. Questa tecnologia è conosciuta come apprendimento automatico perché i computer possono simulare l’apprendimento e la memoria umana e animale. Questa tecnologia è anche chiamata deep learning in riconoscimento della sua notevole capacità di simulare la cognizione umana utilizzando modelli di reti neurali connessioniste.
Tra i risultati degni di nota a questo proposito vi è quando il computer Deep Blue di IBM ha vinto il campionato di scacchi dagli umani nel 1997. Quando Watson di IBM ha vinto il campionato di Jeopardy dagli umani nel 2011. Quando Watson dell’IBM ha vinto l’Heads-up no-limit Texas hold’em dagli umani nel 2015. Quando Deep Mind di Google ha vinto il campionato AlphaGo dagli umani nel 2016. In alcuni di questi casi, le macchine hanno dovuto imparare a “capire” il linguaggio naturale così come fanno gli umani. In tutti questi casi, le macchine hanno dovuto discernere relazioni sottili, formulare strategie, e farlo più efficacemente dei migliori esperti umani. Bengio (2016) ha riassunto i principali progressi dell’intelligenza artificiale nella popolare rivista Scientific American. Engelking (2017) ha esaminato i progressi compiuti dall’Allen Institute for Artificial Intelligence; il più grande istituto non profit di intelligenza artificiale della nazione fondato nel 2014, sulla rivista Discover.
Diamo un’occhiata più da vicino ai meccanismi rilevanti che consentono l’apprendimento attraverso la formazione della memoria. Limito la mia discussione ai principi di base per evitare di entrare in troppi dettagli tecnici. Questi principi riguardano le simulazioni di reti neurali e i sistemi biologici. Credo che questi principi siano sufficienti per capire in generale come potrebbero funzionare gli istinti.
Il primo principio è che i sistemi nervosi sono reti di reti neurali composte da molti neuroni. Si stima che gli esseri umani abbiano 100 miliardi di neuroni. Si stima che anche i sistemi nervosi dei ragni abbiano circa 100.000 neuroni. Ogni neurone umano si collega a molti altri neuroni. In alcuni casi, un neurone umano può connettersi a ben 10.000 altri neuroni. Si stima che il cervello umano contenga 100 trilioni di sinapsi. Sappiamo che la genetica, il DNA, è responsabile della costruzione delle reti neurali durante lo sviluppo embrionale. Sappiamo anche che le diverse creature hanno un DNA diverso che è responsabile dei loro diversi sistemi nervosi.
Il secondo principio è che i neuroni in tutte le specie sono collegati ad altri neuroni da sinapsi, piccole fessure in cui vengono secreti neurotrasmettitori. Alcuni di questi neurotrasmettitori facilitano la conduzione elettrica da un neurone all’altro. Altri neurotrasmettitori inibiscono la conduzione elettrica da un neurone all’altro. Sappiamo che la genetica, il DNA, è responsabile della costruzione di queste sinapsi. Sembra quindi possibile che le proprietà eccitatorie/inibitorie delle sinapsi siano stabilite durante la loro costruzione piuttosto che modificate dall’esperienza. Questa possibilità è centrale per la spiegazione del funzionamento degli istinti presentata di seguito. Potrebbe essere implementata silenziando o cancellando i geni che permettono la flessibilità sinaptica dipendente dall’esperienza.
Una grande quantità di conoscenze scientifiche supporta l’idea che le sinapsi siano centrali per l’apprendimento e la memoria (Hell & Ehlers, 2008). L’apprendimento umano flessibile richiede che le proprietà eccitatorie/inibitorie delle sinapsi possano essere impostate attraverso meccanismi di plasticità sinaptica dipendenti dall’esperienza. Le reti neurali artificiali, come quelle coinvolte nei campionati di computer di cui sopra, simulano i sistemi nervosi primitivi utilizzando computer o chip neuromorfici. I neuroni simulati sono interconnessi da sinapsi simulate chiamate pesi di connessione perché collegano matematicamente i neuroni simulati tra loro. Gli input a queste RNA non si traducono inizialmente in uscite desiderate significative perché le sinapsi simulate non sono ancora impostate al loro livello ottimale. Le equazioni sono utilizzate per simulare i meccanismi biologici di plasticità dipendenti dall’esperienza. Sono usate per cambiare e ottimizzare progressivamente i pesi delle connessioni durante le prove di apprendimento simulate in modo che la RNA finalmente funzioni efficacemente come illustrato dai campionati di computer menzionati sopra. Il punto centrale di interesse qui è che la capacità di una RNA “adulta” completamente addestrata di eseguire correttamente tutte le meravigliose funzioni che può fare dipende direttamente dai livelli finali di eccitazione/inibizione che caratterizzano le sinapsi simulate. Il problema di impostare tutti i pesi di connessione a livelli ottimali è troppo complicato da programmare direttamente. Un processo di feedback guidato dall’esperienza è necessario affinché questi livelli sinaptici simulati si stabiliscano in stati ottimali. Un lungo addestramento è tipicamente richiesto prima che una RNA possa funzionare ad alto livello. Un processo simile di modifica sinaptica guidata dall’esperienza permette ogni abilità cognitiva e motoria che le persone acquisiscono attraverso l’apprendimento.
L’istinto sembra prestabilire le connessioni sinaptiche a valori “adulti” durante l’embriologia. Vale a dire, i geni che sono responsabili della costruzione delle sinapsi come parte delle reti neurali che mediano l’istinto sembrano anche impostare le loro proprietà funzionali a livelli ottimali eccitatori o inibitori che replicano ciò che sarebbe stato raggiunto se la rete fosse passata attraverso una rigorosa e completa fase di apprendimento dello sviluppo. Il DNA sembra codificare i valori sinaptici finali “adulti” nel caso dei ragni dove l’istinto sembra dominare il loro comportamento. La genetica sembra esercitare un effetto minore ma comunque degno di nota in quelli che sono chiamati comportamenti biologicamente preparati, come le nostre paure dell’altezza e del buio.
La capacità del DNA di presentare le proprietà delle singole sinapsi in reti neurali complesse spiega come i comportamenti possano essere ereditati. Questo spiega come i ragni possano tessere ragnatele complesse poco dopo la schiusa. Spiega anche perché cani e gatti si comportano in modo diverso. La variazione genetica spiega le differenze comportamentali individuali – o in altre parole, perché ragni della stessa specie possono comportarsi in modo diverso, o perché cani e gatti individuali differiscono per temperamento.