羽化したばかりのクモは、巣を作る訓練を受けたことはおろか、巣を見たこともないのに、どうやって自分の種に特徴的な完璧な巣を作るのでしょうか？ 蝶はどのようにして行動すべきかを知っているのか？ 犬や猫はなぜ犬や猫のように行動するのか？ ウサギはなぜそのように行動するのでしょうか？ 本能」がその答えの一つです。 人々、特に心理学者は、長い間、本能が行動の重要な決定要因であると考えてきました。 しかし、本能はどのように働くのでしょうか？
私たちは現在、人間がどのように記憶を形成して学習するかについてよく理解しています。 厳格な本能的行動は、柔軟な学習された人間の行動とは正反対であるため、この情報は本能がどのように機能するかを理解するのに利用できます。 シナプスの柔軟性には、学習と記憶の連続性があり、人間が一方の端で、クモのような生物がもう一方の端であるかもしれません。
学習・記憶の連続性の両端は適応的です。 経験に依存した柔軟性があるからこそ、人間は複雑なスキルや知的行動を身につけることができるのです。
進化
本能は明らかに、系統進化を推進し、説明するのと同じ変動と自然選択の原理によって、生物の体の残りの部分とともに進化しました。 ここでは、系統進化と並行して行動進化の話をしています。 系統進化を媒介する遺伝子メカニズムがDNAであることはわかっていますが、行動進化や本能にもDNAが関与できるのでしょうか？ もしそうなら、具体的にはどのようにして起こるのでしょうか？
メカニズム情報
学習と記憶のコンピュータモデルでは、シミュレーションが因果関係を具体化するため、関連する中心的な生物学的メカニズムがどのように機能するかをよりよく理解することができます。 特に興味深いのは、並列分散処理コネクショニストニューラルネットワークモデルとして知られる人工ニューラルネットワーク（ANN）をどのように学習させるかという点です。 これらの方法については、拙著（Tryon, 2014）「Cognitive Neuroscience and Psychotherapy」で述べています。 Network Principles for a Unified Theory）で説明していますが、以下にまとめます。 この技術は、コンピュータが人間や動物の学習や記憶をシミュレートできることから、機械学習と呼ばれています。
この技術は、コネクショニスト・ニューラルネットワークモデルを用いて人間の認知をシミュレートする顕著な能力を評価して、深層学習とも呼ばれています。
この点に関する代表的な成果としては、1997年にIBMのコンピュータ「ディープ・ブルー」がチェス選手権で人間から勝利したことが挙げられます。
これまでの代表的な成果としては、1997年にIBMのコンピュータ「Deep Blue」がチェスで人間に勝ったこと、2011年にIBMのワトソンがジョパディで人間に勝ったことなどが挙げられます。 2015年にIBMのワトソンがノーリミット・テキサス・ホールデムのヘッズアップで人間に勝ったとき。 2016年にGoogleのDeep MindがAlphaGo選手権で人間から勝利したとき。 これらのケースのいくつかでは、機械は人間と同じように自然言語を「理解」することを学ばなければなりませんでした。 いずれの場合も、機械は微妙な関係を見極め、戦略を立て、人間の最高の専門家よりも効果的にそれを行わなければならなかった。 Bengio（2016）は、人気雑誌「Scientific American」で人工知能の主な進歩をまとめている。 エンゲルキング（2017）は、2014年に設立された米国最大の非営利人工知能研究所であるアレン人工知能研究所の進歩について、雑誌「Discover」でレビューしています。
記憶形成による学習を可能にする関連メカニズムを詳しく見てみましょう。 ここでは、技術的な内容に踏み込まないよう、基本的な原理に絞って説明します。 これらの原理は、ニューラルネットワークのシミュレーションにも、生物学的システムにも当てはまります。
第1の原則は、神経系は多数のニューロンからなる神経ネットワークのネットワークであるということです。 人間には1,000億個の神経細胞があると言われています。 クモの神経系でも10万個程度の神経細胞があると言われています。 ヒトのニューロンは、1つ1つが他の多くのニューロンとつながっています。 場合によっては、1つのニューロンが1万ものニューロンとつながることもあります。 人間の脳には100兆個のシナプスがあると言われています。 胚の発生段階で神経ネットワークを構築するのは、遺伝、つまりDNAであることがわかっています。
2つ目の原理は、すべての生物の神経細胞がシナプスによって他の神経細胞とつながっていることです。 これらの神経伝達物質の中には、ある神経細胞から別の神経細胞への電気伝導を促進するものがあります。 神経伝達物質の中には、ある神経細胞から別の神経細胞への電気伝導を促進するものもあれば、ある神経細胞から別の神経細胞への電気伝導を抑制するものもある。 シナプスの形成には、遺伝的にはDNAが関与していることがわかっています。 したがって、シナプスの興奮性／抑制性の特性は、経験によって変更されるのではなく、シナプスの構築時に設定される可能性が十分にあると考えられます。 この可能性は、後述する本能の働きの説明の中心となる。
シナプスが学習と記憶の中心であるという見解は、多くの科学的知見によって裏付けられています (Hell & Ehlers, 2008)。 人間の柔軟な学習には、経験に依存したシナプス可塑性メカニズムによって、シナプスの興奮性/抑制性の特性を設定できるようにする必要があります。 前述のコンピュータ選手権に登場するような人工ニューラルネットワークは、コンピュータやニューロモルフィックチップを用いて原始的な神経系をシミュレートしている。 シミュレーションされたニューロンは、シミュレーションされたニューロン同士を数学的に接続することから接続重みと呼ばれるシミュレーションされたシナプスによって相互に接続される。 模擬シナプスがまだ最適なレベルに設定されていないため、これらのANNへの入力は、最初は意味のある望ましい出力になりません。 方程式は、生物学的な経験に依存した可塑性メカニズムをシミュレートするために使用されます。 この方程式は、前述のコンピュータ選手権で示されたように、ANNが最終的に効果的に機能するように、シミュレーションされた学習試行中に接続重みを徐々に変更し、最適化するために使用されます。 ここで注目すべき点は、完全に訓練された「大人の」ANNが、その素晴らしい機能のすべてを適切に実行できるかどうかは、シミュレートされたシナプスを特徴づける最終的な興奮／抑制レベルに直接依存するということです。 すべての接続ウエイトを最適なレベルに設定する問題は、直接プログラムするにはあまりにも複雑です。 シミュレーションされたシナプスのレベルが最適な状態に落ち着くには、経験によるフィードバックプロセスが必要である。 ANNが高いレベルで動作するようになるまでには、一般的に大規模なトレーニングが必要である。
本能は、胚の段階でシナプスの接続を「大人」の値にプリセットしているようです。 つまり、本能を媒介する神経ネットワークの一部としてシナプスを構築する責任を負う遺伝子は、その機能特性も、ネットワークが厳密かつ包括的な発達学習段階を経た場合に達成されるであろうものを再現する、最適な興奮性または抑制性のレベルに設定するようです。 本能が行動を支配していると思われるクモの場合、DNAは最終的な「大人の」シナプスの値をコードしているようだ。
複雑な神経ネットワーク全体の個々のシナプスの特性を提示するDNAの能力は、行動が継承される仕組みを説明しています。
DNAは、複雑な神経ネットワークに個々のシナプスの特性を提示することができるので、行動が遺伝することも説明できます。 また、犬と猫の行動が異なることも説明できます。 言い換えれば、同じ種のクモが多少異なる行動をとるのも、犬や猫が個々に異なる気質を持つのも、遺伝的変異が個々の行動の違いを説明していると言えるでしょう。