Η μαθηματική απλότητα μπορεί να οδηγήσει στην ταχύτητα της εξέλιξης

Οι δημιουργιστές λατρεύουν να επιμένουν ότι η εξέλιξη έπρεπε να συγκεντρώσει πάνω από 300 αμινοξέα με τη σωστή σειρά για να δημιουργήσει μόνο μία ανθρώπινη πρωτεΐνη μεσαίου μεγέθους. Με 20 πιθανά αμινοξέα να καταλαμβάνουν καθεμία από αυτές τις θέσεις, φαινομενικά θα υπήρχαν περισσότερες από 20 πιθανότητες να κοσκινιστεί, μια ποσότητα που καθιστά τον αριθμό των ατόμων στο παρατηρήσιμο σύμπαν ασήμαντο. Ακόμα κι αν υποτιμήσουμε τις απολύσεις που θα έκαναν μερικές από αυτές τις ακολουθίες ουσιαστικά ισοδύναμες, θα ήταν εξαιρετικά απίθανο η εξέλιξη να είχε σκοντάψει στον σωστό συνδυασμό μέσω τυχαίων μεταλλάξεων μέσα σε δισεκατομμύρια ακόμη χρόνια.

Το μοιραίο ελάττωμα στο επιχείρημά τους είναι ότι η εξέλιξη δεν δοκίμασε απλώς τις ακολουθίες τυχαία:Η διαδικασία της φυσικής επιλογής κέρδισε το πεδίο. Επιπλέον, φαίνεται πιθανό ότι η φύση βρήκε κατά κάποιο τρόπο και άλλες συντομεύσεις, τρόπους για να περιορίσει τον τεράστιο χώρο των δυνατοτήτων σε μικρότερα, εξερευνήσιμα υποσύνολα που είναι πιο πιθανό να δώσουν χρήσιμες λύσεις.

Οι επιστήμονες υπολογιστών αντιμετωπίζουν παρόμοιες προκλήσεις με προβλήματα που περιλαμβάνουν την εύρεση βέλτιστων λύσεων ανάμεσα σε αστρονομικά τεράστια σύνολα δυνατοτήτων. Μερικοί έχουν κοιτάξει τη βιολογία για έμπνευση — ακόμα κι όταν οι βιολόγοι εξακολουθούν να προσπαθούν να καταλάβουν πώς ακριβώς το κάνει η ζωή.

Οι γενετικοί αλγόριθμοι, οι μέθοδοι βελτιστοποίησης που είναι δημοφιλείς εδώ και δεκαετίες, χρησιμοποιούν τις αρχές της φυσικής επιλογής για να κατασκευάσουν νέα σχέδια (για ρομπότ, φάρμακα και συστήματα μεταφοράς, μεταξύ άλλων), να εκπαιδεύσουν νευρωνικά δίκτυα ή να κρυπτογραφήσουν και να αποκρυπτογραφήσουν δεδομένα. Η τεχνική ξεκινά αντιμετωπίζοντας τις τυχαίες λύσεις σε ένα πρόβλημα ως «οργανισμούς» που έχουν ορισμένα χαρακτηριστικά ή στοιχεία «γενετικά» που περιγράφονται στον κώδικά τους. Αυτές οι λύσεις δεν είναι ιδιαίτερα καλές, αλλά στη συνέχεια υφίστανται συνδυασμούς τυχαίων μεταλλάξεων (και μερικές φορές άλλες αλλαγές που μιμούνται τις διαδικασίες ανακάτεψης γονιδίων) για να παράγουν μια δεύτερη γενιά οργανισμών, οι οποίοι με τη σειρά τους ελέγχονται για την «καταλληλότητά» τους στην εκτέλεση των επιθυμητών έργο. Τελικά, πολλές επαναλήψεις αυτής της διαδικασίας οδηγούν σε ένα άτομο ή μια λύση με υψηλή προσαρμογή.

Μερικοί ειδικοί πηγαίνουν τη μέθοδο ένα βήμα παραπέρα, σε αυτό που είναι γνωστό ως γενετικός προγραμματισμός, για να εξελίξουν λογισμικό που θα μπορούσε να γράφει προγράμματα και να βρίσκει λύσεις αποτελεσματικά (τα «γονίδια» εδώ μπορεί να είναι οδηγίες προγραμματισμού). Αυτός ο στόχος αποδείχθηκε ιδιαίτερα δύσκολος, καθώς οι ερευνητές έπρεπε να λάβουν υπόψη συγκεκριμένους τύπους και δομές δεδομένων, καθώς και άλλες συνθήκες.

Ωστόσο, είναι ενδιαφέρον ότι αυτοί οι τρόποι σκέψης που βασίζονται στην εξέλιξη (ειδικά ο γενετικός προγραμματισμός) επικαλύπτονται εννοιολογικά με μια μαθηματική θεωρία που βρίσκεται σε μεγάλο βαθμό στο περιθώριο τόσο της βιολογίας όσο και της επιστήμης των υπολογιστών. Μια χούφτα επιστημόνων προσπάθησαν πρόσφατα να το χρησιμοποιήσουν για να αποκτήσουν γνώσεις σχετικά με το πώς η εξέλιξη, φυσική και τεχνητή, μπορεί να είναι αποτελεσματική, να δημιουργήσει καινοτομία και να μάθει να μαθαίνει. Το κλειδί:μια συγκεκριμένη έννοια πολυπλοκότητας, τυχαίας και πληροφοριών που δεν είχε πολύ πρακτική εφαρμογή — μέχρι τώρα.

Μαϊμούδες σε πληκτρολόγια

Αυτή η θεωρία, που αναπτύχθηκε τη δεκαετία του 1960, ασχολείται με αυτό που είναι γνωστό ως αλγοριθμική πληροφορία. Λαμβάνει ως αφετηρία έναν διαισθητικό τρόπο σκέψης σχετικά με την πιθανότητα και την πολυπλοκότητα:την ιδέα ότι, τουλάχιστον για ορισμένες εξόδους, είναι υπολογιστικά πιο εύκολο να περιγράψει κανείς πώς να δημιουργήσει κάτι παρά να το δημιουργήσει πραγματικά. Πάρτε την πολύ φορεμένη αναλογία μιας μαϊμούς που πιέζει τυχαία πλήκτρα σε έναν υπολογιστή. Οι πιθανότητες να πληκτρολογήσει τα πρώτα 15.000 ψηφία του pi είναι παράλογα μικρές — και αυτές οι πιθανότητες μειώνονται εκθετικά καθώς αυξάνεται ο επιθυμητός αριθμός ψηφίων.

Αλλά αν τα πλήκτρα του πιθήκου ερμηνευθούν ως τυχαία γραμμένα προγράμματα υπολογιστή για τη δημιουργία pi, οι πιθανότητες επιτυχίας ή «αλγοριθμική πιθανότητα» βελτιώνονται δραματικά. Ένας κωδικός για τη δημιουργία των πρώτων 15.000 ψηφίων του pi στη γλώσσα προγραμματισμού C, για παράδειγμα, μπορεί να είναι τόσο σύντομος όσο 133 χαρακτήρες.

Με άλλα λόγια, η αλγοριθμική θεωρία πληροφοριών ουσιαστικά λέει ότι η πιθανότητα παραγωγής ορισμένων τύπων εξόδων είναι πολύ μεγαλύτερη όταν η τυχαιότητα λειτουργεί στο επίπεδο του προγράμματος που το περιγράφει παρά στο επίπεδο της ίδιας της εξόδου, επειδή αυτό το πρόγραμμα θα είναι σύντομο. Με αυτόν τον τρόπο, πολύπλοκες δομές — φράκταλ, για παράδειγμα — μπορούν να παραχθούν πιο εύκολα τυχαία.

Αλλά γρήγορα προέκυψε ένα πρόβλημα με αυτήν την προσέγγιση:οι μαθηματικοί έμαθαν ότι η αλγοριθμική πολυπλοκότητα (επίσης γνωστή ως πολυπλοκότητα Kolmogorov, από τον Andrey Kolmogorov, έναν από τους ιδρυτές της θεωρίας) μιας δεδομένης εξόδου - η διάρκεια του συντομότερου δυνατού προγράμματος που απαιτείται για να το προσδιορίσει - είναι μη υπολογίσιμο. Επομένως, οι επιστήμονες υπολογιστών δεν μπορούσαν να προσδιορίσουν τον ιδανικό τρόπο συμπίεσης μιας συμβολοσειράς ή άλλου αντικειμένου.

Ως αποτέλεσμα, η αλγοριθμική θεωρία πληροφοριών υποβιβάστηκε ως επί το πλείστον στη σφαίρα των καθαρών μαθηματικών, όπου χρησιμοποιείται για την εξερεύνηση σχετικών θεωρημάτων και τον ορισμό των εννοιών της τυχαιότητας και της δομής. Οι πρακτικές χρήσεις έμοιαζαν απρόσιτες. «Μαθηματικά, είναι ένα απλό, όμορφο μέτρο πολυπλοκότητας», είπε ο διάσημος μαθηματικός Gregory Chaitin, πρώην στο Κέντρο IBM Thomas J. Watson και στο Ομοσπονδιακό Πανεπιστήμιο του Ρίο ντε Τζανέιρο, και ένας άλλος από τους ιδρυτές της θεωρίας. "Αλλά φαινόταν απρόσιτο για εφαρμογές του πραγματικού κόσμου."

Αυτό δεν τον εμπόδισε να προσπαθήσει. Ήλπιζε ότι η θεωρία θα μπορούσε να χρησιμοποιηθεί για να επισημοποιήσει την ιδέα ότι το DNA λειτουργεί ως λογισμικό. Το 2012, δημοσίευσε ένα βιβλίο που περιγράφει πώς η εξέλιξη θα μπορούσε να θεωρηθεί ως ένας τυχαίος περίπατος στον χώρο του λογισμικού. Οι μεταλλάξεις κατά τη διάρκεια αυτής της διαδρομής, υποστήριξε, δεν ακολουθούν μια στατιστικά τυχαία κατανομή πιθανοτήτων. Αντίθετα, ακολουθούν μια διανομή που βασίζεται στην πολυπλοκότητα του Kolmogorov. Αλλά δεν είχε τρόπο να το δοκιμάσει.

Τώρα, ορισμένοι επιστήμονες ελπίζουν να αναβιώσουν τη θεωρία σε αυτό το πλαίσιο — για να την κάνουν σχετική με τομείς τόσο στη βιολογία όσο και στην επιστήμη των υπολογιστών.

Μια προκατάληψη προς την απλότητα

Ο Έκτορ Ζενίλ, ένας επιστήμονας υπολογιστών στο Ινστιτούτο Καρολίνσκα στη Σουηδία, είναι ένας από τους ανθρώπους που επιχειρούν να αναστήσουν τη θεωρία. Συνεργάζεται με άλλους ερευνητές για να χρησιμοποιήσει την πολυπλοκότητα Kolmogorov ως μέτρηση για την ανάλυση της πολυπλοκότητας των βιολογικών δικτύων, όπως αυτά που μοντελοποιούν τη ρύθμιση των γονιδίων ή τις πρωτεϊνικές αλληλεπιδράσεις στα κύτταρα. Οι ερευνητές προσεγγίζουν το περιεχόμενο αλγοριθμικών πληροφοριών ενός δικτύου (καθώς η πραγματική τιμή δεν μπορεί να υπολογιστεί), στη συνέχεια εισάγουν μια μετάλλαξη στο δίκτυο και δοκιμάζουν την επίδρασή της στην πολυπλοκότητα του Kolmogorov. Ελπίζουν ότι αυτή η μέθοδος θα αποκαλύψει τη σχετική σημασία των διαφόρων στοιχείων του δικτύου, καθώς και πώς το δίκτυο μπορεί να ανταποκριθεί λειτουργικά σε σκόπιμες αλλαγές.

Σε ένα πρόσφατο αποτέλεσμα που δημοσιεύτηκε στον ιστότοπο προεκτύπωσης arxiv.org, για παράδειγμα, διαπίστωσαν ότι η μετακίνηση του δικτύου προς μεγαλύτερη πολυπλοκότητα Kolmogorov — με την εισαγωγή μεταλλάξεων που προκάλεσαν την επιμήκυνση του περιγραφικού προγράμματος του δικτύου — έτεινε να αυξήσει τον αριθμό των λειτουργιών που θα μπορούσε το σύστημα εκτελούν ενώ το καθιστούν πιο ευαίσθητο στις διαταραχές. Εάν ωθούσαν το δίκτυο προς μεγαλύτερη απλότητα, προέκυψαν λιγότερες αλλά πιο σταθερές λειτουργίες.

Αλλά αν η πολυπλοκότητα του Kolmogorov θα μπορούσε να λειτουργήσει ως κάτι περισσότερο από ένα εργαλείο - ως η κινητήρια δύναμη της αλλαγής που πίστευε ο Chaitin - έμεινε να φανεί. Παρά τα προβλήματά τους, οι αλγοριθμικές πληροφορίες έχουν κάποια ελκυστικότητα στον τομέα της βιολογίας. Παραδοσιακά, το μαθηματικό πλαίσιο που χρησιμοποιείται για την περιγραφή της εξελικτικής δυναμικής είναι η πληθυσμιακή γενετική — στατιστικά μοντέλα για το πόσο συχνά μπορεί να εμφανίζονται τα γονίδια σε έναν πληθυσμό. Αλλά η γενετική πληθυσμού έχει περιορισμούς:δεν μπορεί να εξηγήσει την προέλευση της ζωής και άλλες σημαντικές βιολογικές μεταβάσεις, για παράδειγμα, ή την εμφάνιση εντελώς νέων γονιδίων. «Μια ιδέα που χάθηκε κάπως σε αυτή την υπέροχη μαθηματική θεωρία είναι η έννοια της βιολογικής δημιουργικότητας», είπε ο Chaitin. Αλλά αν λάβουμε υπόψη αλγοριθμικές πληροφορίες, είπε, «η δημιουργικότητα ταιριάζει φυσικά».

Το ίδιο κάνει και η ιδέα ότι η ίδια η εξελικτική διαδικασία βελτιώνεται με την πάροδο του χρόνου και γίνεται πιο αποτελεσματική. «Είμαι αρκετά πεπεισμένος ότι η εξέλιξη μαθαίνει εγγενώς», είπε ο Daniel Polani, επιστήμονας υπολογιστών και καθηγητής τεχνητής νοημοσύνης στο Πανεπιστήμιο του Hertfordshire στην Αγγλία. "Και δεν θα εκπλαγώ αν αυτό θα μπορούσε να εκφραστεί από την αλγοριθμική πολυπλοκότητα που μειώνεται ασυμπτωτικά."

Ο Zenil και η ομάδα του ξεκίνησαν να εξερευνήσουν πειραματικά τις βιολογικές και υπολογιστικές επιπτώσεις του πλαισίου αλγοριθμικής πολυπλοκότητας. Χρησιμοποιώντας την ίδια τεχνική προσέγγισης πολυπλοκότητας που είχαν αναπτύξει για να αναλύσουν και να διαταράξουν δίκτυα, «εξέλιξαν» τεχνητά γενετικά δίκτυα προς ορισμένους στόχους - μήτρες μονάδων και μηδενικών που προορίζονταν να αντιπροσωπεύουν τις αλληλεπιδράσεις μεταξύ γονιδίων - ωθώντας τις μεταλλάξεις υπέρ αυτών που παρήγαγαν πίνακες με χαμηλότερη αλγοριθμική πολυπλοκότητα. Με άλλα λόγια, επέλεξαν για μεγαλύτερη δομή.

Πρόσφατα ανέφεραν στο Royal Society Open Science ότι, σε σύγκριση με τις στατιστικά τυχαίες μεταλλάξεις, αυτή η μεταλλακτική προκατάληψη προκάλεσε τα δίκτυα να εξελιχθούν προς λύσεις σημαντικά πιο γρήγορα. Προέκυψαν επίσης και άλλα χαρακτηριστικά, συμπεριλαμβανομένων των επίμονων, κανονικών δομών - τμήματα εντός των πινάκων που είχαν ήδη επιτύχει έναν βαθμό απλότητας που οι νέες γενιές ήταν απίθανο να βελτιώσουν. «Ορισμένες περιοχές ήταν πιο επιρρεπείς ή λιγότερο επιρρεπείς σε μετάλλαξη, απλώς και μόνο επειδή μπορεί να είχαν εξελιχθεί σε κάποιο επίπεδο απλότητας», είπε ο Zenil. «Αυτό έμοιαζε αμέσως με γονίδια». Αυτή η γενετική μνήμη, με τη σειρά της, απέδωσε μεγαλύτερη δομή πιο γρήγορα – υπονοώντας, προτείνουν οι ερευνητές, ότι αλγοριθμικά πιθανές μεταλλάξεις μπορούν επίσης να οδηγήσουν σε εκρήξεις και εξαφανίσεις ποικιλομορφίας.

«Αυτό σημαίνει», είπε ο Ζενίλ, «ότι είναι γόνιμο να εξετάζουμε τις υπολογιστικές διαδικασίες όταν μιλάμε για εξέλιξη». Ελπίζει να χρησιμοποιήσει αυτή την κατανόηση της τυχαιότητας και της πολυπλοκότητας για να εντοπίσει μονοπάτια που μπορεί να είναι πιο επιρρεπή σε μετάλλαξη ή για να καταλάβει γιατί ορισμένες γενετικές αλληλεπιδράσεις μπορεί να σχετίζονται με ασθένειες όπως ο καρκίνος.

Εξελισσόμενο λογισμικό

Η Zenil ελπίζει να διερευνήσει εάν η βιολογική εξέλιξη λειτουργεί σύμφωνα με τους ίδιους υπολογιστικούς κανόνες, αλλά οι περισσότεροι ειδικοί έχουν τις αμφιβολίες τους. Δεν είναι σαφές ποιος φυσικός μηχανισμός θα μπορούσε να είναι υπεύθυνος για την προσέγγιση της αλγοριθμικής πολυπλοκότητας ή την εφαρμογή αυτού του είδους της μεταλλακτικής προκατάληψης. Επιπλέον, «η σκέψη της ζωής που είναι πλήρως κωδικοποιημένη με τέσσερα γράμματα είναι λάθος», είπε ο Giuseppe Longo, μαθηματικός στο Εθνικό Κέντρο Επιστημονικής Έρευνας στη Γαλλία. «Το DNA είναι εξαιρετικά σημαντικό, αλλά δεν έχει νόημα αν [δεν βρίσκεται] σε ένα κύτταρο, σε έναν οργανισμό, σε ένα οικοσύστημα». Άλλες αλληλεπιδράσεις παίζονται και αυτή η εφαρμογή αλγοριθμικών πληροφοριών δεν μπορεί να καταγράψει την έκταση αυτής της πολυπλοκότητας.

Ωστόσο, η ιδέα έχει κεντρίσει κάποιο ενδιαφέρον — ιδιαίτερα επειδή αυτός ο τρόπος σκέψης για την εξέλιξη και τις υπολογιστικές διαδικασίες φαίνεται να έχει κάτι κοινό, τουλάχιστον θεματικά, με τον στόχο του γενετικού προγραμματισμού για την εξέλιξη του λογισμικού.

Πράγματι, υπήρξαν μερικές ενδιαφέρουσες υποδείξεις για μια πιθανή σχέση μεταξύ των ιδεών Chaitin και Zenil σχετικά με την πολυπλοκότητα του Kolmogorov και τις μεθόδους γενετικού προγραμματισμού. Το 2001, για παράδειγμα, μια ομάδα ερευνητών ανέφερε ότι η πολυπλοκότητα της παραγωγής ενός γενετικού προγράμματος μπορεί να περιοριστεί από την πολυπλοκότητα Kolmogorov του αρχικού προγράμματος.

Αλλά ως επί το πλείστον, η πολυπλοκότητα του Kolmogorov δεν έπαιξε ρόλο στην κατανόηση αυτών των ιδεών από τους επιστήμονες υπολογιστών. Αντίθετα, έχουν δοκιμάσει άλλους τρόπους τροποποίησης της γενετικής και των μεταλλάξεων που εμπλέκονται. Ορισμένες ομάδες έχουν παραμορφώσει τα ποσοστά των μεταλλάξεων. Άλλοι προκατέλαβαν το σύστημα να ευνοήσει τις μεταλλάξεις που αντικαθιστούν μεγαλύτερα κομμάτια κώδικα. «Υπάρχουν δεκάδες, ίσως και εκατοντάδες, διαφορετικές εκδοχές μεταλλάξεων και crossover που έχουν βρει οι άνθρωποι», δήλωσε ο Lee Spector, επιστήμονας υπολογιστών στο Hampshire College στη Μασαχουσέτη. Ο Spector ηγήθηκε πρόσφατα μιας ομάδας που έδειξε τα πλεονεκτήματα της προσθήκης και της διαγραφής μεταλλάξεων σε όλο το γονιδίωμα των οργανισμών τους, αντί να αντικαθιστά πάντα άμεσα ένα γονίδιο με ένα άλλο. Αυτό το νέο είδος γενετικού χειριστή κατέληξε να επεκτείνει εκθετικά τον αριθμό των μονοπατιών μέσω του χώρου γονιδιωματικής αναζήτησης και οδήγησε σε καλύτερες λύσεις.

Τούτου λεχθέντος, πολλοί ερευνητές έχουν προχωρήσει προς την αντίθετη κατεύθυνση, αναζητώντας έξυπνους τρόπους για να επιταχύνουν τη διαδικασία περιορίζοντας τον χώρο αναζήτησης, χωρίς να τον περιορίζουν τόσο πολύ ώστε η αναζήτηση να χάνει τα βέλτιστα αποτελέσματα. Μια ιδέα ήταν να γίνει στόχος η απλότητα:Ακριβώς όπως ο Eugene Wigner σημείωσε την «παράλογη αποτελεσματικότητα των μαθηματικών στις φυσικές επιστήμες» το 1960, οι επιστήμονες υπολογιστών ανακάλυψαν ότι τα απλούστερα, πιο κομψά μοντέλα συχνά αποδεικνύονται πιο γενικά εφαρμόσιμα και αποτελεσματικά. «Και το ερώτημα είναι», είπε ο Spector, «μας λέει κάτι βαθύ για το σύμπαν ή όχι; Και σε κάθε περίπτωση, φαίνεται να είναι χρήσιμο;»

Προειδοποιεί επίσης ότι οι προσπάθειες προκατάληψης των εξελισσόμενων προγραμμάτων προς την απλότητα μπορεί επίσης να είναι καταστροφικές:Η ανταμοιβή για κάτι σαν μικρότερη διάρκεια προγράμματος, για παράδειγμα, θα μπορούσε να περιορίσει υποτιθέμενα σκουπίδια που θα μπορούσαν να ήταν χρήσιμα στις επόμενες γενιές, θυσιάζοντας τις βέλτιστες λύσεις στη διαδικασία . «Έτσι κολλάς», είπε.

Αλλά η απλότητα παραμένει ένας δελεαστικός στόχος και ένας που αποδείχθηκε επίσης χρήσιμος. Σε μια εργασία που δημοσιεύθηκε πέρυσι, ο Spector και οι συνεργάτες του διαπίστωσαν ότι εάν μείωναν το μέγεθος των προγραμμάτων τους -μερικές φορές έως και 25% του αρχικού τους μεγέθους- αφού έκαναν τις τεχνικές γενετικού προγραμματισμού τους, τα προγράμματα είχαν καλύτερη απόδοση σε νέα δεδομένα και θα μπορούσαν μπορεί να χρησιμοποιηθεί για ένα ευρύτερο φάσμα γενικών προβλημάτων.

Αυτός είναι εν μέρει ο λόγος που παρακολουθεί τις εργασίες που γίνονται στην αλγοριθμική θεωρία πληροφοριών, αν και λέει ότι δεν έχει δει ακόμη πώς ακριβώς θα επηρεάσει το πεδίο.

Μαθαίνω από τη ζωή

Ίσως η ομάδα της Zenil να έχει κάνει ένα πρώτο βήμα προς την εύρεση αυτής της επιρροής — αλλά για να κάνει τις εφαρμογές της δουλειάς της γενικότερα ρεαλιστικές, θα πρέπει πρώτα να δοκιμάσει τη μέθοδό της σε άλλους τύπους προβλημάτων αναζήτησης.

Ωστόσο, «έχουν πολύ καλό σημείο στον περιορισμό με βάση τη δομή», είπε η Λάρισα Αλμπαντάκη, θεωρητική νευροεπιστήμονας στο Πανεπιστήμιο του Ουισκόνσιν, Μάντισον, η οποία έχει επίσης κάνει δουλειά για την επιτάχυνση των γενετικών αλγορίθμων περιορίζοντας τον χώρο αναζήτησης που πρέπει να διασχίσουν. . "Η φύση είναι δομημένη, με πολλούς τρόπους, και αν το λάβετε ως σημείο εκκίνησης, τότε είναι κάπως ανόητο να δοκιμάσετε όλες τις πιθανές ομοιόμορφες μεταλλάξεις."

Πρόσθεσε, "Οτιδήποτε έχει νόημα για εμάς είναι δομημένο με τον ένα ή τον άλλο τρόπο."

Ενώ ο Spector παραμένει δύσπιστος ότι η πρόσφατη δουλειά του Zenil έχει εφαρμογές πέρα ​​από το πολύ συγκεκριμένο πρόβλημα που διερεύνησε, «η θεωρία πληροφοριών πίσω από τις έννοιες εδώ είναι ενδιαφέρουσα και δυνητικά αρκετά σημαντική», είπε. «Το βρίσκω συναρπαστικό εν μέρει επειδή φαίνεται να βρίσκεται σε άλλο πλανήτη. Ίσως υπάρχουν ιδέες που οι άνθρωποι στην κοινότητά μας δεν γνωρίζουν». Οι αλγοριθμικές πληροφορίες, σε τελική ανάλυση, αξιοποιούν ένα ευρύ φάσμα εννοιών που ορισμένοι ειδικοί στον γενετικό προγραμματισμό μπορεί να μην ενσωματώσουν στην εργασία τους, συμπεριλαμβανομένης της φύσης της εξέλιξης χωρίς τέλος.

«Έχω ισχυρή αίσθηση ότι υπάρχουν σημαντικά πράγματα εδώ», είπε ο Spector. Ακόμα κι έτσι, πρόσθεσε, αυτή τη στιγμή «υπάρχει ακόμη τεράστια απόσταση μεταξύ αυτού που εργάζονται και των πρακτικών εφαρμογών».

«Η ιδέα να σκεφτόμαστε τη ζωή ως εξελισσόμενο λογισμικό είναι γόνιμη», είπε ο Chaitin, αν και μπορεί να είναι πρόωρο να κρίνουμε την αξία του. Είτε σκεφτόμαστε την τεχνητή είτε τη βιολογική ζωή, «πρέπει να δούμε πόσο μακριά θα φτάσουμε».