Wie genau webt eine frisch geschlüpfte Spinne ein perfektes Netz, das charakteristisch für ihre Art ist – ohne jemals ein solches Netz gesehen zu haben, geschweige denn darauf trainiert worden zu sein, eines zu spinnen? Woher wissen Schmetterlinge, was sie tun sollen? Warum verhalten sich Hunde und Katzen wie Hunde und Katzen? Warum verhalten sich Kaninchen so, wie sie es tun? Instinkt ist eine mögliche Antwort. Menschen, insbesondere Psychologen, haben lange Zeit den Instinkt als eine wichtige Determinante des Verhaltens angesehen. Aber wie funktioniert der Instinkt? Was sind die relevanten Mechanismen, die es dem Instinkt ermöglichen, so zu funktionieren, wie er es tut?
Wir haben derzeit ein gutes Verständnis davon, wie Menschen über Gedächtnisbildung lernen. Diese Informationen können genutzt werden, um zu verstehen, wie der Instinkt funktioniert, denn starres instinktives Verhalten ist das polare Gegenteil von flexiblem erlerntem menschlichem Verhalten. Es könnte sogar ein Lern-Gedächtnis-Kontinuum der synaptischen Flexibilität geben, mit Menschen an einem Ende und Kreaturen wie Spinnen am anderen Ende.
Beide Enden eines Lern-Gedächtnis-Kontinuums sind adaptiv. Erfahrungsabhängige Flexibilität über einen längeren Entwicklungszeitraum ermöglicht es dem Menschen, komplexe Fähigkeiten und intelligente Verhaltensweisen zu erwerben. Voreingestellte Starrheit vermeidet die Risiken und Gefahren von Entwicklung und Erziehung, indem sie „erwachsenes“ Verhalten von Anfang an ermöglicht – was uns zum Thema Evolution bringt.
Evolution
Instinkte haben sich offensichtlich zusammen mit dem Rest des Körpers des Organismus durch die gleichen Prinzipien der Variation und natürlichen Selektion entwickelt, die die phylogenetische Evolution antreiben und erklären. Hier sprechen wir über Verhaltensevolution als Parallele zur phylogenetischen Evolution. Wir wissen, dass die DNA der genetische Mechanismus ist, der die phylogenetische Evolution vermittelt, aber kann sie auch für die Verhaltensevolution und den Instinkt verantwortlich sein? Wenn ja, wie genau kann dies geschehen? Welche Mechanismen könnten es ermöglichen, dass Verhalten vererbt wird?
Mechanismus-Informationen
Computergestützte Modelle des Lernens und des Gedächtnisses ermöglichen es uns, besser zu verstehen, wie die zentralen relevanten biologischen Mechanismen funktionieren, weil Simulationen kausale Beziehungen beleben. Von besonderem Interesse ist, wie künstliche neuronale Netze (ANNs), so genannte parallel distributed processing connectionist neural network models, trainiert werden. Ich diskutiere diese Methoden in meinem Buch (Tryon, 2014) Cognitive Neuroscience and Psychotherapy: Network Principles for a Unified Theory, fasse sie aber im Folgenden zusammen. Diese Technologie wird als maschinelles Lernen bezeichnet, weil Computer menschliches und tierisches Lernen und Gedächtnis simulieren können. Diese Technologie wird auch als Deep Learning bezeichnet, in Anerkennung der bemerkenswerten Fähigkeit, menschliche Kognition mit Hilfe von konnektionistischen neuronalen Netzwerkmodellen zu simulieren.
Nennenswerte Errungenschaften in dieser Hinsicht waren z. B., als der IBM-Computer Deep Blue im Jahr 1997 die Schachmeisterschaft von Menschen gewann. Als IBMs Watson im Jahr 2011 die Jeopardy-Meisterschaft gegen Menschen gewann. Als IBMs Watson im Jahr 2015 das Heads-up No-Limit Texas Hold’em gegen Menschen gewann. Als Googles Deep Mind 2016 die AlphaGo-Meisterschaft gegen Menschen gewann. In einigen dieser Fälle mussten Maschinen lernen, die natürliche Sprache so gut zu „verstehen“, wie es Menschen tun. In all diesen Fällen mussten Maschinen subtile Zusammenhänge erkennen, Strategien formulieren und dies effektiver tun als die besten menschlichen Experten. Bengio (2016) fasste die wichtigsten Fortschritte in der künstlichen Intelligenz in der populären Zeitschrift Scientific American zusammen. Engelking (2017) gab im Magazin Discover einen Überblick über die Fortschritte des Allen Institute for Artificial Intelligence, dem 2014 gegründeten größten gemeinnützigen Institut für künstliche Intelligenz des Landes.
Lassen Sie uns einen genaueren Blick auf die relevanten Mechanismen werfen, die Lernen durch Gedächtnisbildung ermöglichen. Ich beschränke mich dabei auf grundlegende Prinzipien, um nicht in zu viele technische Details einzusteigen. Diese Prinzipien beziehen sich auf Simulationen neuronaler Netzwerke und auf biologische Systeme. Ich glaube, dass diese Prinzipien ausreichen, um allgemein zu verstehen, wie Instinkte funktionieren könnten.
Das erste Prinzip ist, dass Nervensysteme Netzwerke von neuronalen Netzen sind, die aus vielen Neuronen bestehen. Beim Menschen schätzt man die Zahl der Neuronen auf 100 Milliarden. Es wird geschätzt, dass selbst das Nervensystem von Spinnen etwa 100.000 Neuronen hat. Jedes menschliche Neuron steht mit vielen anderen Neuronen in Verbindung. In einigen Fällen kann ein menschliches Neuron mit bis zu 10.000 anderen Neuronen verbunden sein. Es wird geschätzt, dass das menschliche Gehirn 100 Billionen Synapsen enthält. Wir wissen, dass die Genetik, die DNA, für den Aufbau der neuronalen Netzwerke während der embryonalen Entwicklung verantwortlich ist. Wir wissen auch, dass verschiedene Lebewesen unterschiedliche DNA haben, die für ihre unterschiedlichen Nervensysteme verantwortlich ist.
Das zweite Prinzip ist, dass die Neuronen in allen Spezies mit anderen Neuronen durch Synapsen verbunden sind, winzige Lücken, in die Neurotransmitter ausgeschüttet werden. Einige dieser Neurotransmitter erleichtern die elektrische Leitung von einem Neuron zum anderen. Andere Neurotransmitter hemmen die elektrische Leitung von einem Neuron zu einem anderen. Wir wissen, dass die Genetik, die DNA, für den Aufbau dieser Synapsen verantwortlich ist. Es scheint daher durchaus möglich, dass die erregenden/hemmenden Eigenschaften von Synapsen während ihres Aufbaus festgelegt werden und nicht durch Erfahrung verändert werden. Diese Möglichkeit ist von zentraler Bedeutung für die weiter unten vorgestellte Erklärung, wie Instinkte funktionieren. Sie könnte implementiert werden, indem die Gene, die die erfahrungsabhängige synaptische Flexibilität ermöglichen, ausgeschaltet oder gelöscht werden.
Ein großer Teil der wissenschaftlichen Erkenntnisse unterstützt die Ansicht, dass Synapsen zentral für Lernen und Gedächtnis sind (Hell & Ehlers, 2008). Flexibles menschliches Lernen erfordert, dass die erregenden/hemmenden Eigenschaften von Synapsen über erfahrungsabhängige synaptische Plastizitätsmechanismen eingestellt werden können. Künstliche neuronale Netze, wie sie in den oben erwähnten Computer-Meisterschaften eingesetzt werden, simulieren primitive Nervensysteme mit Hilfe von Computern oder neuromorphen Chips. Die simulierten Neuronen sind durch simulierte Synapsen miteinander verbunden, die Verbindungsgewichte genannt werden, weil sie die simulierten Neuronen mathematisch miteinander verbinden. Eingaben in diese ANNs führen zunächst nicht zu sinnvollen, gewünschten Ausgaben, da die simulierten Synapsen noch nicht auf ihr optimales Niveau eingestellt sind. Gleichungen werden verwendet, um biologische erfahrungsabhängige Plastizitätsmechanismen zu simulieren. Sie werden verwendet, um die Verbindungsgewichte während der simulierten Lernversuche schrittweise zu verändern und zu optimieren, so dass das ANN schließlich effektiv funktioniert, wie die oben erwähnten Computer-Meisterschaften zeigen. Der zentrale Punkt, der hier von Interesse ist, ist, dass die Fähigkeit eines vollständig trainierten „erwachsenen“ ANN, all die wunderbaren Funktionen, die es ausführen kann, direkt von den endgültigen Erregungs-/Hemmungsstufen abhängt, die die simulierten Synapsen charakterisieren. Das Problem, alle Verbindungsgewichte auf optimale Werte einzustellen, ist viel zu kompliziert, um es direkt zu programmieren. Es ist ein durch Erfahrung gesteuerter Rückkopplungsprozess erforderlich, damit sich diese simulierten synaptischen Ebenen in optimale Zustände einpendeln. In der Regel ist ein umfangreiches Training erforderlich, bevor ein ANN auf hohem Niveau arbeiten kann. Ein ähnlicher Prozess der erfahrungsgesteuerten synaptischen Modifikation ermöglicht jede kognitive und motorische Fähigkeit, die Menschen durch Lernen erwerben.
Der Instinkt scheint die synaptischen Verbindungen während der Embryologie auf „erwachsene“ Werte vorzubereiten. Das heißt, die Gene, die für den Aufbau der Synapsen als Teil der neuronalen Netzwerke, die den Instinkt vermitteln, verantwortlich sind, scheinen auch deren funktionelle Eigenschaften auf optimale Erregungs- oder Hemmungsniveaus einzustellen, die das wiedergeben, was erreicht worden wäre, wenn das Netzwerk eine strenge und umfassende Entwicklungslernphase durchlaufen hätte. Im Fall von Spinnen, bei denen der Instinkt ihr Verhalten zu dominieren scheint, scheint die DNA für die endgültigen „erwachsenen“ synaptischen Werte zu kodieren. Einen geringeren, aber immer noch bemerkenswerten Einfluss scheint die Genetik bei den sogenannten biologisch vorbereiteten Verhaltensweisen auszuüben, wie z.B. unseren Ängsten vor Höhen und der Dunkelheit.
Die Fähigkeit der DNA, Eigenschaften einzelner Synapsen über komplexe neuronale Netzwerke hinweg darzustellen, erklärt, wie Verhaltensweisen vererbt werden können. Das erklärt, wie Spinnen kurz nach dem Schlüpfen komplexe Netze weben können. Es erklärt auch, warum sich Hunde und Katzen unterschiedlich verhalten. Genetische Variation erklärt individuelle Verhaltensunterschiede – oder mit anderen Worten, warum sich Spinnen derselben Art etwas anders verhalten können oder warum sich einzelne Hunde und Katzen im Temperament unterscheiden.