in English | suomeksi neokybernetiikastaluentoja – keskustelu

Pohdintoja (13)

  • On oikeastaan hyvä periaate myös elämässä, että jos ei tiedä, mitä haluaa, niin sitten on aivan sama, mihin suuntaan lähtee. Kyllä sieltä aina jotakin löytyy. Miksipä gradienttimenetelmää ei voisi soveltaa omassa elämässään. Minusta tuntuu, että moni jumittaa elämässään paikallaan, kun eivät tiedä mitä haluavat. Fiksuinta voisi jumittamisen sijaan lähteä vain tekemään jotakin.

    Olen ollut viime aikoina huomaavinani, että reduktionistinen lähestymistapa asioiden oppimiseen ei toimi minulla oikein hyvin. Olenkohan sitten kiinnostuneempi kokonaisuuksista? Tykkään myös yksityiskohdista, mutten taida sietää sitä, että kadotetaan metsä puilta. Miksi opetella yksittäisiä fysikaalisia yhtälöitä, kun voi opetella periaatteet, joilla voi mallintaa fysikaalista maailmaa?

    Jääkaappiesimerkki demonstroi hyvin, kuinka vähällä mallinnuksessa voidaan päästä. Periaatteessa ongelma voidaan jakaa pienempiin ja pienempiin osiin, mutta esimerkissä riitti, että järjestelmään tulee ulkopuolelta energiaa 1000 W, ja se lähtökohtaisesti muuttuu välivaiheiden kautta lämmöksi. Ei tarvitse tietää, miten jääkaappi olomuotomuutosten avulla siirtää lämpöä sisältä ulos.

    Oli jännittävä ajatus, että emergenssi olisi se, mitä tulee, kun aika ja määrä lähestyvät ääretöntä. Tämä muistuttaa säätötekniikasta tuttua loppuarvoteoreemaa. Näillä asioilla lienee yhteys. Sikäli, kun järjestelmä on stabiili, niin se konvergoituu johonkin arvoon äärettömyydessä. Maailmankaikkeuden laajentuessa koittaa lämpökuolema, jossa siis maailmankaikkeuden lämpötila lähestyy absoluuttista nollapistettä eli lämpökuolemaa. Ilmeisesti tällaisesta yhteydestä on kyse.

    Myös se tuntui käyvän järkeen, että emergenssi olisi melkolailla sama asia kuin keskiarvo: Kappaleen lämpötila emergoituu sen hiukkasten keskimääräisestä kineettisestä energiasta.

    Maailma muuttuu ympärillä koko ajan, joten sopeutuvuus uuteen ympäristöön lienee ollut tärkeämpää täydellinen loksahtaminen johonkin tiettyyn staattiseen ekologiseen lokeroon. Evoluution kannalta robustisuus ja adaptiivisuus onkin tainnut olla hyödyllisempää kuin optimaalisuus hetkellisessä ja paikallisessa toimintapisteessä. Tästäkin syystä lienee ollut keskeisempää koko populaatio ja sen perimä kuin yksittäisten yksilöiden perimä. Kun populaatiosta löytyy monenlaista perimää, pystyy se ympäristön muuttuessa sopeutumaan nopeammin.

    Erään onnellisuusteorian mukaan onnellisuutta löytyy kolmelta tasolta: hedonismin, itselle merkityksellisyyden ja kaikille merkityksellisyyden kautta. Kaksi ensimmäistä onnellisuuden tasoa ovat egoistisia ja kolmas utilitaristinen. Hedonismissa onnellisuutta tarkkaillaan pelkästään hetkessä. Kyseessä on tavallaan pelkkä mittaus. Itselle merkityksellisyyden kannalta on järkevämpää tarkkailla onnellisuutta pidemmällä aikajaksolla ja optimoida kumulatiivista onnellisuutta eli hyötyfunktiota. Optimoidakseen pitää mallintaa, miten eri asiat vaikuttavat onnellisuuteen pitkällä aikajänteellä. Koska ennusteen paikkansapitävyys heikentyy kauempana tulevaisuudessa, voidaan hyödyllisyysfunktio diskontata suosimaan tämänhetkistä ja lähitulevaisuuden onnellisuutta. Sama koskee myös kaikille merkityksellisyydestä syntyvää onnellisuutta. Jos oletetaan, että ihmisen onnellisuus on vahvasti riippuvainen ympärillä olevista ihmisista, niin mielenkiintoinen kysymys onkin, että kun aika lähestyy ääretöntä, niin olisiko itselle merkityksellisyydestä ja kaikille merkityksellisyydestä koituva onnellisuus kuitenkin sama asia.

    Lopuksi lopuksi tartun terminologiaan. Onko mutkikkuus, monimutkaisuus ja kompleksisuus sama asia eli englanniksi “complexity” ja mikä todella tekee järjestelmästä sellaisen?

    — Juho

  • Luennolla käsiteltiin emergenssiä ja sen mallintamista. Itse määrittelisin emergentin ilmiön siten, että sitä ei voida ennustaa tarkastelemalla systeemien osia yksittäin tai olettamalla systeemi homogeeniseksi ja tarkastelemalla osien keskiarvoa. Sen sijaan on mallinnettava koko systeemin osien kirjo sekä se, miten osat vuorovaikuttavat keskenään. Tämän jälkeen voidaan simuloida ja toivoa, että tarkasteltava emergentti ilmiö havaitaan.

    Luennolla kuitenkin puhutaan top-down-lähestymistavan puolesta, kun taas yllä esitetty tapa on oleellisesti bottom-up. Itselleni jäi hieman epäselväksi, millaisia nämä top-down-mallit käytännössä voivat olla, mutta se selvinnee tulevilla luennoilla.

    Yhtenä esimerkkinä bottom-up-lähestymistavasta, joka ei toimi, annetaan ruoho vs. jänikset -malli. Kun havaitaan, että malli ei käyttäydy järkevästi, sitä säädetään hieman. Tämä kuitenkin toistuu ja on loputon prosessi, joka johtaa hyvin monimutkaisiin malleihin, mikä ei ole toivottavaa. Itse kuitenkin näkisin kuvatun differentiaaliyhtälöpohjaisen mallin pikemminkin top-down-lähestymistapana. Bottom-up-tapa ratkaista ongelma olisi mallintaa erilaisten jänisten käyttäytyminen ja rakentaa näiden yksittäisten käyttäytymismallien pohjalta agenttisimulaatio.

    Tunnistan kuitenkin kuvatunlaisen iteratiivisen mallinrakennuksen ongelman esimerkiksi omassa lähestymistavassani shakinpeluuseen. Yritän monesti löytää shakkia pelatessani hienolta näyttäviä uhrausjatkoja ja käytän paljon aikaa niiden laskemiseen. Kun huomaan, että jatko ei toimi, koitan muuttaa sitä hieman ja laskea entistä syvemmälle. Lopputuloksena olen käyttänyt huomattavasti aikaa epätoivoisen uhrausjatkon analysointiin, kun järkevämpää olisi ollut valita alunperin jokin suoraviivainen ja yksinkertaisempi pelivaihtoehto.

    Toinen luennolla esitetty asia, joka ei vastannut ennakkokäsitystäni emergenssin mallintamisesta, oli rajautuminen lineaarisiin malleihin. Itse olen yhdistänyt kompleksiset systeemit vahvasti epälineaarisiin dynamiikkoihin. Esimerkiksi luennoitsijan aiemmin mainitsemat neuroverkothan ovat epälineaarisia malleja. Väite siitä, että takaisinkytkennällä voidaan kaapata monia epälineaariselta vaikuttavia ilmiöitä, vaikuttaa kuitenkin uskottavalta. Jäänkin mielenkiinnolla odottamaan millaisia takaisinkytkentää hyödyntäviä lineaarisia malleja kurssilla tullaan käsittelemään.

    Viimeisenä mieleeni jäi luennolla mainittu hahmomalli. Hahmomalli perustuu luonnosta saataviin havaintoihin sekä luonnon pohjalta tehtyyn fysikaaliseen malliin. Tällainen lähestymistapa assosioituu minulla vahvasti Bayesilaiseen mallintamiseen; tarkastelemalla ilmiötä yleisesti valitaan ensin jokin malliperhe (fysikaalinen malli) sekä määritetään malliperheen parametreille jonkinlaiset priorijakaumat. Tämän jälkeen muodostetaan lopullinen (hahmo)malli päivittämällä parametrien arvoja luonnosta saaduilla havainnoilla.

  • Luennolla käsiteltiin emergenssiä ja erilaisia näkökulmia kompleksisien systeemien mallintamiseen. Luennon alussa käytiin läpi, miten insinöörimäinen tapa eli alhaalta ylöspäin suuntautuva mallintaminen ei välttämättä sovellu kompleksisten systeemien mallintamisen lähtökohdaksi. Todettiin, että tälläinen lähestymistapa voi johtaa loputtomaan korjaamisen tarpeeseen ja malli ei välttämättä anna informaatiota sen enempää, mitä lähtöoletuksetkaan. Sen sijaan tavoitteeksi asetettiin ylhäältä alaspäin suuntautuva mallintaminen.

    Vaikka palikkojen asetteleminen isommaksi kokonaisuudeksi on kieltämättä teknisillä aloilla tyypillistä, on mielestäni silti ihmisen luonnollinen tutkimusjärjestys yleensä ylhäältä alaspäin. Perustan tämän siihen, että nähdäkseni virike tutkia jotakin asiaa tulee usein jostain aistitusta asiasta ja aistien avulla pääsee käsiksi systeemin kerrokseen, jonka alapuolella on toisia kerroksia. Tai näin ainakin tunnen itseni kohdalla menevän.

    Koen, että systeemin tutkimuksen ja mallintamisen vaikeus kumpuaa paljolti emergenssistä. Jonkin kiinnostavan systeemin pintakuvioon taikka ylemmällä tasolle saattaa päästä käsiksi pelkällä aistihavainnolla, mutta emergenssi vaikeuttaa alemmille tasoille pääsemistä. Miten itse ymmärrän emergenssin tässä kohtaa on, että se on uuden asian syntymä, mikä johtaa systeemin ylemmälle tasolle. Luennoilla kuunnelun perusteella näen lisäksi, että emergenssi vaatii tapahtuaakseen joko aikaa, yksilöiden (tarkasteltavan) määrän lisääntymistä tai vuorovaikutusta yksilöiden välillä tai edellä mainittujen seikkojen kombinaatiota. Ymmärsin lisäksi, että emergenssi tapahtuu tasapainopisteessä, paikallisessa minimissä. Miksi taas emergenssi vaikeuttaisi alemmille tasoille pääsemistä, johtuu mielestäni siitä, että sen myötä/sen tapahduttua alemman tason prosesseista voi olla vaikea ellei jopa mahdoton saada informaatiota. Tietenkin luennoillakin otettiin esille kysymys, että tarvitseeko prosesseja ymmärtää vai riittäisikö lopputilat/tasapainotilat itsessään. Oikeastaan olen valmis allekirjoittamaan, että lopputilat voivat olla systeemin kannalta kaikkein relevanteimpia, mutta en näe miten kyseiset lopputilat pysyttäisiin löytämään ilman dataa ja dynaamisten vuorovaikutussuhteiden ymmärtämistä.

    Toisaalta en koe, että datan olemassaolokaan välttämättä takaisi mallin löytymistä. Vaikka dataa olisi olemassa niin eikö siitä pitäisi saada muodostettua jonkin lainen tulkinta, että se todella toisi lisää ymmärystä? Toisaalta tulkinnan muodostaminen tuntuu itsessään vaikealta ongelmalta, jos tietoa alemman tason prosesseista ei ole. Luennoilta toisaalta ymmärsin, että esimerkiksi luonnon toiminta ei välttämättä perustu optimiin vaan erilaisiin hyviin ratkaisuihin, jota sitten muodostava spektrin. Vaihtoehtojen olemassaolo vaikeuttaa silmissäni entisestään tulkinnan muodostamista.

    Itse en tiedä, onko kompleksisten systeemien teoriaa välttämättä olemassa “Pallas Athene Hypothesin” mukaisesti. Toisaalta ajatus siitä, että kaikki olisi mallinnettavissa matematiikalla on kiehtova, mutta toisaalta koen sen hieman surulliseksi. Mielelläni nimittäin uskoisin, että vapaa tahto ei ole vain illuusio.

    – Rosa

  • Mikä on emergentti ilmiö?

    Pienemmistä osista muodostuvan emergentin ilmiön ominaisuudet lisääntyvät näiden pienten osien muodostaessa suuremman kokonaisuuden. Emergentillä ilmiöllä on siis kaksi tai useita tarkkuustasoja, jotka muuttavat ilmiön mallin ominaisuuksia tarkkuuden pienentyessä ja lisääntyessä.

    Luennoilla käsiteltiin esimerkkinä emergentistä ilmiöstä tehtaan reaktoria. Sitä voidaan mallintaa kvarkki-, atomi-, atomiryhmä-, mikroskooppisella-, …, mikseri- ja tehdastasolla. Eri tasoilla voidaan käyttää tällöin eri tasoille soveltuvia fysiikan kaavoja.

    Kuinka emergenttiä ilmiötä voi mallintaa?

    Emergenttiä ilmiötä tulisi mallintaa siten, että pyritään kaaoksesta löytämään järjestys. Emergentin ilmiön mallintaminen on siis tehtävä vastakkaisessa järjestyksessä normaaliin nykyajan mallinnusmenetelmiin verrattuna. Nykyään yksinkertaisia malleja parantamalla löydetään lopulta malli, joka kuvaa systeemia tarpeeksi tarkasti.

    Emergentin ilmiön mallintaminen tapahtuu ymmärtämällä ilmiön emergenttisyys, jonka jälkeen kuvataan ne matemaattisesti. Tämä tapahtuu siis suunnassa: kaaoksesta järjestykseen.

    — Lassi

  • Kolmannella luennolla pohdittiin emergenssiä hieman tarkemmin. Luentokysymykset kuuluivat: ”Mikä sinusta on emergentti ilmiö ja miten lähestyisit ja mallintaisit sitä?” Aluksi jaettiin mallinnustavat bottom-up ja top-down -kategorioihin, joista varsinkin edellinen tuntui olevan melko hedelmätön lähestymistapa. Bottom-up -tyyliin luodut mallit rakennetaan siten, että ne mallintavat jo havaittuja ilmiöitä. Tämä on hyödyllinen lähestymistapa, jos tutkitaan tavallisia ilmiöitä (ei nyt mietitä, mitä ”tavalliset” ilmiöt ovat). Tähän tapaan laaditut mallit eivät kuitenkaan sovellu emergenttien ominaisuuksien mallintamiseen, sillä mallin ei oleteta käyttäytyvän arvaamattomalla tavalla. Jos tulokset ovat yllättäviä, se yleensä kertoo siitä, että mallissa on jotain vikaa ja että sitä on säädettävä. Mistä siis voimme tietää, että yllättävä käyttäytyminen onkin emergentti ominaisuus, eikä ainoastaan virhe? Väittäisin, että oikeanlaista emergenttiä ilmiötä ei olekaan, vaan kaikki yllättävä on määritelmällisesti emergenttiä.

    Emergenssin tutkimuksessa kuitenkin ilmeisesti lähdetään siitä oletuksesta, että emergenssiä on mahdollista jotenkin mallintaa. Top-down -lähestymisessä pyritään ongelma ymmärtämään holistisesti ja sitä kautta mallintamaan sitä, sen sijaan että lähdettäisiin liikkeelle yksinkertaisista palikoista kasaamalla. Minulle jäi hieman epäselväksi, että mitä se käytännössä tarkoittaa. Kekkosesimerkissä puhuttiin yleistämisestä ja abstraktioiden muodostamisesta, mutta minusta se ei eroa tavanomaisesta mallinnuksesta. Ehkä tämäkin selvenee matkan varrella. Seuraavaksi esiteltiin erilaisia neokybernetiikkaan liittyviä vastakkaisia intuitioita. Erityisen mielenkiintoinen oli kaavio stokastisten ja determinististen tasojen vaihtelu fysiikan eri hierarkiatasoilla. Tämä liittyy mielestäni siihen symmetrian rikkoutumiseen, josta mainitsin jo aiemmassa luentopohdinnassa.

    Seuraavaksi esiteltiin hahmomallia (pattern model), joka yhdistettiin dynaamiseen tasapainoon. Tässä vaiheessa putosin hieman kärryiltä. Kalvoissa puhuttiin niin paljon abstraktioista, tasapainosta ja integroinnista aika-akselin yli lopputuloksiin, etten oikein lopulta ymmärtänyt oliko tarkoitus korostaa ilmiöiden stabiiliutta vai dynaamisuutta. Joka tapauksessa neokyberneettisen mallin on ilmeisesti tarkoitus kuvata balanssia sekä eräänlaista käyttäytymisjakaumaa, joka esittää systeemin mahdollisia reaktioita ympäristöönsä. Mielenkiintoisin määritelmä koski lokaaleja minimejä. Luonnossa on harvoja systeemejä, joita ohjataan keskusjohtoisesti. Suuri osa mielenkiintoisista ilmiöistä on hajautettuja ja lokaalisti ohjautuvia systeemejä. Esimerkiksi evoluutio on vain lokaaleja interaktioita, joiden kautta tietyt geenit yleistyvät populaatioissa. Neokyberneettisen mallin sanottiin olevan myös tapa päästä entropian maksimiin. Tämä on minusta ehkä hieman ristiriidassa sen kanssa, että ensimmäisellä luennolla mainittiin, ettei entropia aina kasva kyberneettisissä systeemeissä.

    — Antti

  • Holismi kuvaa sitä, että kokonaisuus on suurempi kuin osiensa summa. Emergenssin on tämän kokonaisuuden ikään kuin uusi ominaisuus, jota ei yksittäisissä osissa ilmennyt. Kompleksista järjestelmän osien alemmilta tasoilta ei voida suoraan nähdä miten tämä osio tulee toimimaan kokonaissysteemissä. Näitä ongelmia voidaan ratkaista tilastollisesti ylemmällä tasolla historian perusteella ja tehdä näistä tilastoista iteroiden johtopäätöksiä, joilla sitten voidaan yrittää paremmin ennustaa näiden osien tulevaa käytöstä. Lähestymistavan tulisi siis olla ylhäältä alaspäin – kaaoksesta järjestykseen.

    Luentoesimerkin Simulink-mallissa, jossa mallinnettiin jänisten kantaa suhteessa ruoan määrään, kuvaaja räjähti vielä usean korjausyrityksen jälkeen ja oli täysin parametreista riippuva vielä stabiilinakin. Vapailla parametreilla voidaan siis saada malli vastaamaan sitä ennakko-oletusta, mitä haluttiinkin, mutta toisilla parametreilla tulos voisi olla esimerkiksi täysin vastakkainen. Kummatkin tulokset kuitenkin samanarvoisia eli siis yhtä rajoittuneita.

    Ongelma karkeistamalla ylätason ilmiöitä yksilöllisiksi lainalaisuuksiksi alatasoille, on tiedon hukkaaminen. Kaava, joka on saatu, voi olla liian yksinkertainen. Tietystikin voi miettiä, onko hyötyä tietää kuinka tarkasti paljonko jossain yksittäisessä puussa on lehtiä, kun tiedetään, että puitakin on metsässä jo satoja. Näiden puiden tai lehtien pitkän tähtäimen keskinäisellä korrelaatiolla on suurin merkitys.

    — Jarkko

    • – Sikäli kuin tein yhteenvetoa, näyttää siltä, että sinänsä radikaalit lähtökohtaolettamukset on suurelta osin hyväksytty, tai ainakin ymmärretty. Tästä on hyvä jatkaa, koska neljännellä luennolla juna lähtee liikkeelle!

      Heikki

  • Hei,

    Luento vaikutti kokonaisuudessaan kiehtovalta. Fiddlerin paratiisi vaikuttaa hyvin intuitiiviselta.. on helppoa löytää uusia malleja huomioimalla jotakin uutta. Forresterin tekemään virhepäätelmään viitaten sanoisin maailmaa koskevien simulaatioiden yleensä menevän pieleen johtuen virheellisistä odotuksista. Luin muutama kuukausi sitten Neuvostoliitossa tehdystä 2010 ennusteesta, joka osui vain kamerakännyköiden osalta oikeaan. Tämä liittyy vahvasti odotuksiin ja siihen, että ihmiset olettavat nykyisen maailman etenevän jotakuinkin samalla tavoin kuin aina aiemmin. Luin vastaavan ennusteen Suomen tilanteesta. Ennuste meni täysin pieleen johtuen tietotekniikka-alan räjähdysmäisestä kasvusta, jota ei kukaan osannut ennustaa muutama vuosikymmen sitten.

    Luennolla annettiin esimerkiksi emergenssistä tunnetuissa teorioissa kaasujen käyttäytyminen. Vaikuttaa kiehtovalta miten tasot ovat muotoutuneet, eivätkö tuskin mallien suunnittelijat koskaan tulleet ajatelleeksikaan tätä.

    Mainittu stationaarisuus ajan ja paikan suhteen vaikuttaa mielestäni järkevältä. Yksityiskohtien häviäminen ”keskiarvoistaessa” on mielestäni kiehtova tapa mitata emergenssiä. Minua alkoi mietityttämään entropian suhtautuminen emergenssiin (tämähän luonnollisesti riippuu käytetystä mitasta). Mikäli kompleksiset järjestelmät olisivat lähinnä keinoja vauhdittaa entropiaa (tämä oletus voi olla virheellinen), niin ehkä olisi mahdollista ajatella keskiarvon olevan vakio, joka määrää järjestelmän aiheuttaman entropian kasvun. Tässä tehdään nyt varsin paljon oletuksia järjestelmien luonteesta, sillä malli olettaa hyvin kompleksisen järjestelmän muodostavan automaattisesti hyvin paljon entropiaa. Mikäli ihmistä tarkastelisi kompleksisena järjestelmänä, niin väittäisin tämän oletuksen pitävän varsin hyvin paikkaansa tässä rajatussa tapauksessa…

    Kuten luennolla todettiinkin, myös minun mielestäni interaktioiden tutkiminen on ainut mielekäs tapa tutkia emergenssiä; mikäli hiukkaset olisivat riippumattomia, ei kokonaisuus olisi osien summaa suurempi, eikä yhden ainoan käyttäytyjän mallintaminen ei olisi mielekästä. Otankin esimerkiksi jo aiemmin mainitsemani Ising-mallin, jossa tietyssä lämpötilassa on havaittavissa tiettyjä ominaisia piirteitä. Joukon kokonaisenergia ja käyttäytyminen on mallinnettavissa, mutta yksittäisten alueiden tilaa ei voida ennustaa.

    Gaia-hypoteesi vaikuttaa todella kiehtovalta. Oletuksessa on aistittavissa jonkinlaista röyhkeyttä, toisaalta myös jonkinlaista mielekkyyttä. Tämä toi minulle mieleen Julian Brownin kirjan Kvanttitietokone, jonka ensimmäisissä kappaleissa mainittiin multiversumiteoria. Tietyllä tavoin Gaia-hypoteesia voitaisiin pitää teorian ilmentymänä; me olemme täällä yhä havaitsemassa elämän tasapainon. Teorian mukaanhan oma universumimme olisi välttynyt luennolla kuvatuilta luonnonmullistuksilta, mutta on äärettömästi universumeita, joissa luonnonmullistukset olisivat tapahtuneet.

    Tällä kertaa viesti jäikin hieman lyhyemmäksi ja pohdinnat edelliskertoja irrallisemmiksi, mutten rohjennut epävarmimpia ja epäselkeimpipä pohdiskelutynkiä jättää mukaan.

    — Nexton

    • Ehkä turhankin raflaavan esimerkin mallien rakentamisen ongelmallisuudesta tarjoaa ”ilmastoalarmismi”: ilmastomallit tuottavat juuri sellaisia tuloksia, joita niihin on ohjelmoitu — suuri määrä ilmiöitä jätetään huomiotta, ja parametrit on sovitettu antamaan uskottavia tuloksia.

      – Entropian osalta olet mielestäni oikeilla jäljillä …! Kuitenkin termodynaaminen entropia on konkreettisine lämpömuuttujineen liian kapeasti määritelty: esimerkiksi tiedemaailman kompleksisena järjestelmänä ei suoraan voi nähdä kasvattavan entropiaa … ja erityisesti ”law of maximum entropy production” (Swenson) on liiaksi pelkistetty. — Tähän palataan.

      Heikki

  • Äärettömän havaitseminen luonnossa on siis vaikeaa, koska epästabiilina tilana se tuhoaa itsensä. Oma mahdollisesti virheellinen näkemykseni nykyparadigmasta on se, että järjestys ja kaaos syntyvät samojen yksinkertaisten luonnon”lakien” seurauksena, mutta kumpaakaan ei lähtökohtaisesti ole olemassa. Omalla kohdalla emergenssin olemassaolon tunnustaminen vaatii aika valtavan älyllisen harppauksen tyhjyyteen, mutta jos oletettaisiin, että se olisi olemassa niin melkein kaikki tapahtumat, joissa on useampi hiukkasia/osia tulevat näyttämään ainakin jollain tapaa emergenttiä käytöstä.

    Linearisointi tietysti ratkaisee ongelmia, kun pysytään linearisointipisteen lähettyvillä, mutta minun on vähän vaikea hahmottaa mitä uutta se tuo. Keskiarvoistaminen tarkoittaa sitä, että informaatiota menetetään ja kuitenkin ilmeisesti pitäisi intuitiivisesti ymmärtää mikä informaatio on olennaista? Kytkentöjen osalta olisin huolissani erityisesti kertoimista, joita on jokseenkin vaikea saada kohdilleen siten, että malli kykenee kuvaamaan muutakin kuin menneisyyttä. Vaikka ei tässä mitään helppoa ratkaisua odotakaan, niin tämä vaikuttaa aika vaikealta tieltä eteenpäin, kun pelkästään kvanttimekaniikka kertoo, että intuitio ei ole välttämättä oikeassa.

    Wikipedian mukaan Lovelock et al pitää jo Gaia hypoteesia teorian tasolle päässeenä. Puuttumatta sen oikeellisuuteen, vaikka se on tietysti oikein hieno ajatuskehitelmä, niin se ei tietääkseni tuo mitään lisäarvoa tai tietoa ja siksi tieteellisessä mielessä ole hyödyllinen. Determinismi meni itseltä vähän ohi, mutta havaintojen perusteella se on kuollut. Toisaalta itseorganisoituminen viittaisi siihen, että vapaata tahtoakaan ei ole.

    — Ilari

    • – Toivottavasti et kuitenkaan ole pettynyt yksinkertaisista lähtökohtaolettamuksista niin, että jättäisit kurssin kesken?! Kyllä se tästä vielä iloksi muuttuu (?). Linearisointi ja keskiarvoistaminen – niinpä. Mutta jotta kohinaisesta datasta saataisiin jotakin irti, sitä täytyy keskiarvoistaa, ja jotta johtopäätökset olisivat yleistettävissä, tarvitaan lineaarisuutta. Nämä vaatimukset on hyvä pitää mielessä, ne ovat välttämättömiä jos halutaan kehittää käyttökelpoista teoriakehystä! Tähän eri kohteisiin sovellettavuuteen liittyy myös se, että teorian ON oltava ymmärrettävä ja intuitiivinen. – Lisäolettamus: jotta menneisyyden data koskisi myös tulevaisuutta, vaaditaan prosessilta stationaarisuutta ja stabiilisuutta. – Keskiarvoistaminen muuten ei hävitä (näillä määritelmillä) informaatiota vaan pelkkää dataa.

      Heikki

  • Emergenssi on ehkä hohdokkain yksittäinen sana kognitiotieteissä nykypäivänä. Jos joku kysyy minulta ”mitä emergenssi on?”, tulevat minulle ensimmäisenä mieleen soluautomaatit, joissa erittäin yksinkertaisista säännöistä syntyy kiehtovan monimutkaista käytöstä.

    Taisinkin jo mainita tutustuneeni Wolframin kirjoituksiin aiheesta, ja mielestäni hänen valotuksensa asiaan ovat erittäin mielenkiintoisia. Näyttää siltä, että tällaisia erittäin yksinkertaisia, mutta monimutkaista käytöstä synnyttäviä ”säännötyyppejä” on monenlaisia. Esimerkkeinä mainittakoon substitution systems, register machines ja tag systems (en viitsinyt ruveta keksimään suomennoksia).

    Voidaanko jonkinlaisella päättelyllä päästä kulkemaan tätä tapahtumaketjua toiseen suuntaan. Tarkoitan siis, voidaanko keksiä jokin menetelmä, joka selvittäisi kompleksisen käytöksen takana mahdollisesti piilevät yksinkertaiset säännöt. Monista luonnon muodostelmistahan on löydetty säännönmukaisuuksia jotka noudattavat matemaattisia säännönmukaisuuksia (esim. lukuisat fibonaccin jonon tapaan järjestyneet muodot ja käyttäytymiset), mutta käsittääkseni nämä yhteydet on huomattu ikäänkuin ”vahingossa”, kun on esimerkiksi lähdetty piirtelemään graafista esitystä jonkin sarjan käyttäytymisestä tms.

    Koska emergenssi käyttäytyminen on usein intuition vastaista, ihmisen on kovin vaikea kulkea tätä ajatteluketjua ”väärään suuntaan”. Jos ihminen haluaa mallintaa jotain monimutkaista systeemiä, myös mallista tulee usein monimutkainen ja se on rakennettu asteittain kuvaamaan kyseistä systeemiä (”bottom-up”).

    Luennolla käsiteltyä kaasuesimerkkiä ajatellessani tulee mieleen, että joissain fysikaalisissa ongelmissa ihminen on eräällä tavalla onnistunut lähestymään ongelmaa ”top-down”. Ehkä meillä olisi siis jotain opittavaa fyysikoilta…?

    — Tommi

  • Emergenssi on vähän niin kuin asioiden katsominen kauempaa. Lukuisat pienet yksityiskohdat katoavat näkyvistä ja nähdään se ns. “big picture”. Jos miettii esimerkiksi semmosia kuvia, jotka on koottu useista pienistä valokuvista. Läheltä kun katsoo, näkee vain yksittäisiä kuvia. Kauempaa katsottaessa niistä muodostuu uusi isompi kuva. Oleellista pienissä kuvissa on niiden keskimääräinen värisävy, (joka muuten saataisiin eräänlaisena keskiarvona, kuten emergenssi määriteltiin). Pienemmät kuvat muodostavat suuremman kuvan väripikselit. (Tästä muuten saa jonkinlaisen fraktaalin, kun ajattelee, että ne pienemmät kuvat on tehty samalla tavalla.)

    Kybernetiikassa pyritään siis etsimään tämmöisiä suurempia kuvia luonnosta ja hieman rajatummista kompleksisista systeemeistä. Tällä voidaan saavuttaa jotain yleisiä totuuksia ja suuria suuntaviivoja, miten asiat kehittyvät. Kyllä fysiikan peruslaitkin on alunperin löydetty havaintojen kautta. Monimutkaisissa systeemeissä havaintoja on vain niin paljon, että tarvitaan matemaattisia työkaluja, jotta päästään tarpeeksi kauaksi katsomaan sitä isompaa kuvaa.

    Noista isommista kuvista on paljon käytännön hyötyä mutta saadaanko sieltä sitten jotain syvällisempää? Jos lähdetään miettimään näitä fysiikan kaiken teorioita, niin löytyykö ne “totuudet” sieltä emergenssi-puun ylä- vai alapäästä? Jos mietitään sitä kaasuesimerkkiä luentokalvoista. Pitäisin mahdollisena, että fysiikan suurimmat lait löytyykin sieltä pohjalta. Jos vaikka kvanttimekaniikan alapuolella olevilla tasoilla kaikki emergoituu muutamaan “hiukkaseen” tai johonkin yksikköön ja muutamaan epälineaariseen kaavaan. Jos lähdetään yläpuolelta tarkastelemaan, niin meidän tulisi nähdä, mihin näiden kaavojen iterointi johtaa. Tämä voi olla paljon hyödyllisempi tieto kuin alle olevat lait ja yhtälöt varsinkin, jos niistä yhtälöistä ei pystytä moista laskemaan. Se, että onko siellä pohjalla joku muutama yhtälö, onkin sitten toinen juttu.

    — ADN

Kirjoita pohdinta

Vapaaehtoisia lisätietoja jotka eivät tule julkisesti näkyviin.
Kiitos! Viestisi näkyy ylläpidon toimien jälkeen.