Como é que uma aranha recém-casada tece uma teia perfeita que é característica da sua espécie – sem sequer ter visto tal teia, quanto mais sem ter sido treinada para rodar uma? Como é que as borboletas sabem o que fazer? Porque é que os cães e os gatos se comportam como cães e gatos? Por que é que os coelhos se comportam como cães e gatos? O instinto é uma resposta possível. As pessoas, especialmente os psicólogos, há muito que consideram o instinto como um determinante importante do comportamento. Mas como é que o instinto funciona? Quais são os mecanismos relevantes que permitem que o instinto funcione como funciona?
Actualmente temos uma boa compreensão de como os humanos aprendem através da formação da memória. Esta informação pode ser utilizada para compreender como funciona o instinto porque o comportamento instintivo rígido é o oposto polar do comportamento humano aprendido flexível. Pode até haver um contínuo de aprendizagem-memória de flexibilidade sináptica, com os humanos numa extremidade e criaturas como as aranhas na outra extremidade.
As duas extremidades de um continuum de aprendizagem-memória são adaptáveis. A flexibilidade dependente da experiência durante um período de desenvolvimento prolongado permite ao ser humano adquirir competências complexas e comportamentos inteligentes. A rigidez pré-estabelecida evita os riscos e perigos do desenvolvimento e da parentalidade ao permitir comportamentos “adultos” desde o início – o que nos leva ao tema da evolução.
Evolução
Instinctos evoluíram obviamente juntamente com o resto do corpo do organismo através dos mesmos princípios de variação e selecção natural que impulsionam e explicam a evolução filogenética. Aqui estamos a falar de evolução comportamental como um paralelo à evolução filogenética. Sabemos que o ADN é o mecanismo genético que medeia a evolução filogenética, mas poderá também ser responsável pela evolução comportamental e pelo instinto? Em caso afirmativo, como pode isto ocorrer exactamente? Que mecanismos podem permitir que o comportamento seja herdado?
Informação Mecânica
Modelos computacionais de aprendizagem e memória permitem-nos compreender melhor como funcionam os mecanismos biológicos centrais relevantes porque as simulações animam as relações causais. De especial interesse é como as redes neurais artificiais (ANNs) conhecidas como modelos de redes neurais de ligação de processamento distribuído paralelo são treinadas. Discuto estes métodos no meu livro (Tryon, 2014) Cognitive Neuroscience and Psychotherapy: Princípios de Rede para uma Teoria Unificada, mas resume-os abaixo. Esta tecnologia é conhecida como aprendizagem mecânica porque os computadores podem simular a aprendizagem e a memória humana e animal. Esta tecnologia é também referida como aprendizagem profunda em reconhecimento da sua notável capacidade de simular a cognição humana utilizando modelos de redes neuronais conexionistas.
Realizações notáveis a este respeito incluem quando o computador Deep Blue da IBM ganhou o campeonato de xadrez de humanos em 1997. Quando o Watson da IBM venceu o campeonato Jeopardy de humanos em 2011. Quando o Watson da IBM venceu o Heads-up no Texas Hold’em sem limite de humanos em 2015. Quando o Google’s Deep Mind ganhou o campeonato AlphaGo de humanos em 2016. Em alguns destes casos, as máquinas tiveram de aprender a “compreender” a linguagem natural, tal como os seres humanos o fazem. Em todos estes casos, as máquinas tiveram de discernir relações subtis, formular estratégias, e fazê-lo de forma mais eficaz do que os melhores peritos humanos. Bengio (2016) resumiu os principais avanços em inteligência artificial na popular revista Scientific American. Engelking (2017) analisou os progressos que estão a ser feitos pelo Instituto Allen de Inteligência Artificial; o maior instituto de inteligência artificial sem fins lucrativos do país fundado em 2014, na revista Discover.
p>Vamos analisar mais de perto os mecanismos relevantes que permitem a aprendizagem através da formação de memória. Confino a minha discussão aos princípios básicos para evitar entrar em demasiados pormenores técnicos. Estes princípios dizem respeito a simulações de redes neurais e a sistemas biológicos. Acredito que estes princípios são suficientes para que compreenda de uma forma geral como os instintos podem funcionar.
o primeiro princípio é que os sistemas nervosos são redes de redes neuronais constituídas por muitos neurónios. Estima-se que os seres humanos têm 100 mil milhões de neurónios. Estima-se que mesmo os sistemas nervosos de aranhas têm cerca de 100.000 neurónios. Cada neurónio humano liga-se a muitos outros neurónios. Em alguns casos, um neurónio humano pode ligar-se a cerca de 10.000 outros neurónios. Estima-se que o cérebro humano contenha 100 triliões de sinapses. Sabemos que a genética, ADN, é responsável pela construção de redes neurais durante o desenvolvimento embriológico. Sabemos também que diferentes criaturas têm ADN diferente que é responsável pelos seus diferentes sistemas nervosos.
O segundo princípio é que os neurónios de todas as espécies estão ligados a outros neurónios por sinapses, minúsculas lacunas nas quais os neurotransmissores são secretados. Alguns destes neurotransmissores facilitam a condução eléctrica de um neurónio para outro. Outros neurotransmissores inibem a condução eléctrica de um neurónio para outro. Sabemos que a genética, ADN, é responsável pela construção destas sinapses. Por conseguinte, parece bastante possível que as propriedades excitatórias/inibitórias das sinapses possam ser definidas durante a sua construção, em vez de serem modificadas pela experiência. Esta possibilidade é central para a explicação de como os instintos funcionam, apresentada abaixo. Poderia ser implementada através do silenciamento ou da eliminação dos genes que permitem a flexibilidade sináptica dependente da experiência.
Uma grande quantidade de conhecimentos científicos apoia a opinião de que as sinapses são centrais para a aprendizagem e memória (Hell & Ehlers, 2008). A aprendizagem humana flexível exige que as propriedades excitatórias/inibitórias das sinapses possam ser definidas através de mecanismos de plasticidade sináptica dependentes da experiência. As redes neurais artificiais, tais como as envolvidas nos campeonatos de computadores acima mencionados, simulam sistemas nervosos primitivos utilizando computadores ou chips neuromórficos. Os neurónios simulados são interligados por sinapses simuladas chamadas pesos de ligação porque ligam matematicamente os neurónios simulados uns aos outros. As entradas para estas ANNs não resultam inicialmente em resultados desejados significativos, porque as sinapses simuladas ainda não estão ajustadas ao seu nível óptimo. As equações são utilizadas para simular mecanismos de plasticidade dependentes da experiência biológica. São utilizadas para alterar e optimizar progressivamente os pesos de ligação durante as experiências de aprendizagem simuladas, de modo a que a ANN finalmente funcione eficazmente, como ilustrado pelos campeonatos informáticos acima mencionados. O ponto central de interesse aqui é que a capacidade de uma ANN “adulta” totalmente treinada para desempenhar correctamente todas as funções maravilhosas que pode fazer depende directamente dos níveis finais de excitação/inibição que caracterizam as sinapses simuladas. O problema de fixar todos os pesos de ligação a níveis óptimos é demasiado complicado para programar directamente. É necessário um processo de feedback impulsionado pela experiência para que estes níveis sinápticos simulados se estabeleçam em estados óptimos. É normalmente necessária uma formação extensa antes que uma ANN possa funcionar a um nível elevado. Um processo semelhante de modificação sináptica orientada pela experiência permite cada habilidade cognitiva e motora que as pessoas adquirem através da aprendizagem.
Instinto parece predefinir as ligações sinápticas a valores “adultos” durante a embriologia. Ou seja, os genes responsáveis pela construção das sinapses como parte das redes neurais que medeiam o instinto parecem também definir as suas propriedades funcionais para níveis óptimos de excitação ou inibição que replicam o que teria sido alcançado se a rede tivesse passado por uma fase de aprendizagem de desenvolvimento rigorosa e abrangente. O ADN parece codificar para valores sinápticos finais “adultos” no caso de aranhas em que o instinto parece dominar o seu comportamento. A genética parece exercer um efeito menor mas ainda notável nos chamados comportamentos biologicamente preparados, tais como os nossos medos das alturas e do escuro.
p>A capacidade do ADN de apresentar propriedades de sinapses individuais através de redes neurais complexas explica como os comportamentos podem ser herdados. Isto explica como as aranhas podem tecer teias complexas pouco depois de eclodirem. Explica também porque é que cães e gatos se comportam de forma diferente. A variação genética explica diferenças comportamentais individuais – ou por outras palavras, porque é que aranhas da mesma espécie podem comportar-se de forma algo diferente, ou porque é que cães e gatos individuais diferem temperamentalmente.