Hoe precies weeft een pas uitgekomen spin een perfect web dat kenmerkend is voor zijn of haar soort, zonder ooit zo’n web te hebben gezien, laat staan dat hij of zij is getraind om er een te spinnen? Hoe weten vlinders wat ze moeten doen? Waarom gedragen honden en katten zich als honden en katten? Waarom gedragen konijnen zich zoals ze zich gedragen? Instinct is een mogelijk antwoord. Mensen, vooral psychologen, beschouwen instinct al lang als een belangrijke determinant van gedrag. Maar hoe werkt instinct? Wat zijn de relevante mechanismen die het instinct in staat stellen om te functioneren zoals het doet?
We hebben op dit moment een goed begrip van hoe mensen leren via geheugenvorming. Deze informatie kan worden gebruikt om te begrijpen hoe instinct werkt, omdat star instinctief gedrag het tegendeel is van flexibel aangeleerd menselijk gedrag. Er zou zelfs een leer-geheugen continuüm van synaptische flexibiliteit kunnen zijn, met mensen aan het ene eind en wezens zoals spinnen aan het andere eind.
Beide uiteinden van een leer-geheugen continuüm zijn adaptief. De ervaringsafhankelijke flexibiliteit gedurende een lange ontwikkelingsperiode stelt de mens in staat zich complexe vaardigheden en intelligent gedrag eigen te maken. Een vooraf bepaalde starheid vermijdt de risico’s en gevaren van ontwikkeling en opvoeding door vanaf het begin “volwassen” gedrag mogelijk te maken – en dat brengt ons bij het onderwerp evolutie.
Evolutie
Instincten zijn natuurlijk samen met de rest van het organisme geëvolueerd via dezelfde principes van variatie en natuurlijke selectie die de fylogenetische evolutie sturen en verklaren. We hebben het hier over gedragsevolutie als parallel aan fylogenetische evolutie. We weten dat DNA het genetisch mechanisme is dat fylogenetische evolutie bemiddelt, maar kan het ook verantwoordelijk zijn voor gedragsevolutie en instinct? Zo ja, hoe kan dat dan precies gebeuren? Welke mechanismen zouden het mogelijk kunnen maken dat gedrag wordt overgeërfd?
Mechanisme-informatie
Computationele modellen van leren en geheugen stellen ons in staat beter te begrijpen hoe de centrale relevante biologische mechanismen functioneren, omdat simulaties causale verbanden tot leven wekken. Van bijzonder belang is hoe kunstmatige neurale netwerken (ANNs), bekend als parallelle gedistribueerde verwerking connectionist neurale netwerk modellen worden getraind. Ik bespreek deze methoden in mijn boek (Tryon, 2014) Cognitive Neuroscience and Psychotherapy: Network Principles for a Unified Theory maar vat ze hieronder samen. Deze technologie staat bekend als machine learning omdat computers menselijk en dierlijk leren en geheugen kunnen simuleren. Deze technologie wordt ook wel aangeduid als deep learning in erkenning van haar opmerkelijke vermogen om menselijke cognitie te simuleren met behulp van connectionistische neurale netwerkmodellen.
Notabele prestaties in dit verband zijn onder meer toen IBM’s Deep Blue-computer in 1997 het schaakkampioenschap won van mensen. Toen IBM’s Watson in 2011 het Jeopardy-kampioenschap won van de mens. Toen IBM’s Watson in 2015 de Heads-up no-limit Texas hold’em won van mensen. Toen Google’s Deep Mind in 2016 het AlphaGo-kampioenschap won van mensen. In sommige van deze gevallen moesten machines leren om natuurlijke taal net zo goed te “begrijpen” als mensen dat doen. In al deze gevallen moesten machines subtiele verbanden onderscheiden, strategieën formuleren, en dat effectiever doen dan de beste menselijke experts. Bengio (2016) vatte in het populaire tijdschrift Scientific American de belangrijkste vorderingen op het gebied van kunstmatige intelligentie samen. Engelking (2017) beoordeelde de vooruitgang die wordt geboekt door het Allen Institute for Artificial Intelligence; ’s lands grootste non-profit kunstmatige intelligentie-instituut, opgericht in 2014, in het tijdschrift Discover.
Laten we eens nader kijken naar de relevante mechanismen die leren via geheugenvorming mogelijk maken. Ik beperk mijn bespreking tot basisprincipes om niet in te veel technische details te vervallen. Deze principes hebben betrekking op simulaties van neurale netwerken en op biologische systemen. Ik geloof dat deze principes voor u voldoende zijn om in het algemeen te begrijpen hoe instincten zouden kunnen werken.
Het eerste principe is dat zenuwstelsels netwerken van neurale netwerken zijn die uit vele neuronen bestaan. De mens heeft naar schatting 100 miljard neuronen. Er wordt geschat dat zelfs het zenuwstelsel van spinnen ongeveer 100.000 neuronen heeft. Elk menselijk neuron staat in verbinding met vele andere neuronen. In sommige gevallen kan één menselijk neuron in verbinding staan met wel 10.000 andere neuronen. De menselijke hersenen bevatten naar schatting 100 biljoen synapsen. Wij weten dat de genetica, het DNA, verantwoordelijk is voor de opbouw van neurale netwerken tijdens de embryologische ontwikkeling. We weten ook dat verschillende wezens verschillend DNA hebben, dat verantwoordelijk is voor hun verschillende zenuwstelsels.
Het tweede principe is dat de neuronen in alle soorten met andere neuronen zijn verbonden door synapsen, kleine openingen waarin neurotransmitters worden afgescheiden. Sommige van deze neurotransmitters vergemakkelijken de elektrische geleiding van het ene neuron naar het andere. Andere neurotransmitters remmen de elektrische geleiding van het ene neuron naar het andere. Wij weten dat de genetica, het DNA, verantwoordelijk is voor de constructie van deze synapsen. Het lijkt dus heel goed mogelijk dat de exciterende/remmende eigenschappen van synapsen worden bepaald tijdens hun constructie en niet worden gewijzigd door ervaring. Deze mogelijkheid staat centraal in de verklaring van de werking van instincten die hieronder wordt gegeven. Ze zou kunnen worden geïmplementeerd door het uitschakelen of verwijderen van de genen die ervaringsafhankelijke synaptische flexibiliteit mogelijk maken.
Er is veel wetenschappelijke kennis die de opvatting ondersteunt dat synapsen centraal staan bij leren en geheugen (Hell & Ehlers, 2008). Flexibel menselijk leren vereist dat de excitatoire/inhibitoire eigenschappen van synapsen kunnen worden ingesteld via ervaringsafhankelijke synaptische plasticiteitsmechanismen. Kunstmatige neurale netwerken, zoals die welke bij de bovengenoemde computerkampioenschappen betrokken zijn, simuleren primitieve zenuwstelsels met behulp van computers of neuromorfische chips. Gesimuleerde neuronen zijn onderling verbonden door gesimuleerde synapsen die verbindingsgewichten worden genoemd omdat zij gesimuleerde neuronen mathematisch met elkaar verbinden. Inputs in deze ANNs resulteren aanvankelijk niet in zinvolle gewenste outputs omdat de gesimuleerde synapsen nog niet op hun optimale niveau zijn ingesteld. Vergelijkingen worden gebruikt om biologische ervaringsafhankelijke plasticiteitsmechanismen te simuleren. Zij worden gebruikt om de gewichten van de verbindingen tijdens gesimuleerde leerproeven geleidelijk te wijzigen en te optimaliseren, zodat de ANN uiteindelijk doeltreffend functioneert, zoals wordt geïllustreerd door de hierboven genoemde computerkampioenschappen. Het centrale punt van belang hier is dat het vermogen van een volledig getrainde “volwassen” ANN om alle wonderbaarlijke functies die het kan doen naar behoren uit te voeren, rechtstreeks afhankelijk is van de uiteindelijke niveaus van excitatie/inhibitie die de gesimuleerde synapsen karakteriseren. Het probleem om alle gewichten van de verbindingen op het optimale niveau in te stellen is veel te ingewikkeld om rechtstreeks te programmeren. Een door ervaring gestuurd terugkoppelingsproces is vereist om deze gesimuleerde synaptische niveaus in optimale toestanden te brengen. Uitgebreide training is typisch vereist vooraleer een ANN op een hoog niveau kan presteren. Een soortgelijk proces van ervaring-gedreven synaptische modificatie maakt elke cognitieve en motorische vaardigheid mogelijk die mensen verwerven door te leren.
Instinct lijkt synaptische verbindingen al tijdens de embryologie voor te schrijven op “volwassen” waarden. Dat wil zeggen, de genen die verantwoordelijk zijn voor het bouwen van de synapsen als onderdeel van de neurale netwerken die instinct mediëren, lijken ook hun functionele eigenschappen in te stellen op optimale excitatoire of inhibitoire niveaus die repliceren wat zou zijn bereikt als het netwerk een rigoureuze en uitgebreide ontwikkelingsleerfase had doorlopen. DNA lijkt te coderen voor de uiteindelijke “volwassen” synaptische waarden in het geval van spinnen, waar het instinct hun gedrag lijkt te domineren. Genetica lijkt een minder groot, maar nog steeds opmerkelijk effect uit te oefenen in wat biologisch voorbereid gedrag wordt genoemd, zoals onze angst voor hoogtes en het donker.
Het vermogen van DNA om eigenschappen van individuele synapsen in complexe neurale netwerken weer te geven, verklaart hoe gedragingen kunnen worden overgeërfd. Dit verklaart hoe spinnen kort na het uitkomen complexe webben kunnen weven. Het verklaart ook waarom honden en katten zich verschillend gedragen. Genetische variatie verklaart individuele gedragsverschillen – met andere woorden, waarom spinnen van dezelfde soort zich enigszins verschillend kunnen gedragen, of waarom individuele honden en katten temperamentvol verschillen.