← Библиотека

Биология и мотивация

Vitaly Vanchurin · Yuri I. Wolf · Mikhail I. Katsnelson · Eugene V. Koonin

Toward a Theory of Evolution as Multilevel Learning

2022

Теоретическая работа сопоставляет эволюцию с обучением на нескольких уровнях.

В книгеИзменяемые способности, предпочтения и эволюция

Выборочное чтение

Разобраны выбранные контексты; сплошное чтение источника не заявлено.

4 карточки

Тезисы пересказывают выбранные места источников; применение — мысль редакции. Объём чтения указан у каждого источника. Цитаты приведены только там, где сверены с текстом.

Показано 4 из 4

  1. 01

    Обучение в этой теории не подразумевает сознание

    Авторы используют learning как максимально общее приспособление посредством оптимизации и обратной связи; отдельно оговаривают, что observer и learning не требуют ума или сознания.

    Для книги

    Это позволяет обсуждать распределённую адаптацию без необоснованного перехода к субъективному опыту системы.

    Контекст и границы
    • Принципы статьи — основания предлагаемой теории, не экспериментальная проверка каждого носителя.
    • Педагогическое развитие человека не тождественно минимизации произвольной функции потерь.
    Место в источнике

    Abstract; 1. Fundamental Principles of Evolution; Фрагменты электронной редакции: VANCHURIN2022:P00023, VANCHURIN2022:P00024, VANCHURIN2022:P00028, VANCHURIN2022:P00029, VANCHURIN2022:P00030, VANCHURIN2022:P00031, VANCHURIN2022:P00032, VANCHURIN2022:P00033, VANCHURIN2022:P00034

    Ссылка на мысль

  2. 02

    Оптимизация на разных уровнях порождает несовместимые требования

    В предложенной рамке локальные, глобальные и временные критерии могут конфликтовать: изоляция повышает устойчивость единицы, но ограничивает обмен со средой.

    Для книги

    Для организации это вопрос о том, чья функция результата улучшается и за счёт какого уровня или горизонта.

    Контекст и границы
    • Биологическая формализация не определяет справедливое распределение полномочий людей.
    • Общественная аналогия редакционная, а не эмпирический вывод статьи.
    Место в источнике

    Abstract; E2. Frustration.; Фрагменты электронной редакции: VANCHURIN2022:P00019, VANCHURIN2022:P00046, VANCHURIN2022:P00047, VANCHURIN2022:P00048, VANCHURIN2022:P00049

    Ссылка на мысль

  3. 03

    Многообразие локальных решений совместимо с оптимизацией

    Авторы описывают ландшафт со множеством сравнимых локальных решений: стохастическое обучение не гарантирует глобального оптимума или сохранения достигнутой конфигурации.

    Для книги

    Оптимизация не позволяет заранее объявить единственную форму будущего необходимой; альтернативы сравнивают по явно выбранным критериям.

    Контекст и границы
    • Это теоретический аргумент об устройстве задач оптимизации.
    • Разнообразие биологических траекторий не означает равноценность всех общественных решений.
    Место в источнике

    E4. Near Optimality.; E5. Diversity of Near-Optimal Solutions.; Фрагменты электронной редакции: VANCHURIN2022:P00055, VANCHURIN2022:P00056, VANCHURIN2022:P00057, VANCHURIN2022:P00059, VANCHURIN2022:P00060, VANCHURIN2022:P00061

    Ссылка на мысль

  4. 04

    Разделение быстрых и медленных переменных зависит от масштаба времени

    Статья различает быстрые условия, адаптируемые переменные и почти постоянные параметры; при смене горизонта одна переменная может перейти в другой класс.

    Для книги

    В сценарии полезно указать, что фиксировано на срок проекта, а что допускает обучение или перестройку.

    Контекст и границы
    • Пример генотипа и фенотипа зависит от выбранного временного масштаба.
    • Это различение не является готовой моделью обучения организации или человека.
    Место в источнике

    3. Optimization and Scale Separation in Evolving Systems; Фрагменты электронной редакции: VANCHURIN2022:P00089, VANCHURIN2022:P00090, VANCHURIN2022:P00091, VANCHURIN2022:P00092, VANCHURIN2022:P00093, VANCHURIN2022:P00094, VANCHURIN2022:P00095

    Ссылка на мысль
← Вернуться к источникам