复杂性中的思维物质-第16部分
按键盘上方向键 ← 或 → 可快速上下翻页，按键盘上的 Enter 键可回到本书目录页，按键盘上方向键 ↑ 可回到本页顶部！
————未阅读完？加入书签已便下次继续阅读！
岢隽搜抢锸慷嗟麓车闹种中禄盍β壑髡拧Ｋ钦绲溃厥獾纳镅Ч媛赏沟梦锢硌Ш突Ч媛墒А４友抢锸慷嗟碌礁璧潞托涣忠辉偬岬降氖牵踊钕赴骄哂凶跃跻馐兜娜说挠心康牡淖宰橹院妥苑⑿员砻鳎锢硌Щ乖饕迨遣豢赡艿摹Ｕ逍允怯谢囊桓龌咎卣鳎豢赡鼙换乖浣ㄖ橹汀Ｊ艿侥岫埂げ６降牧孔恿ρУ母绫竟馐偷墓奈瑁恍┪锢硌Ъ沂酝加貌６幕ゲ剐愿拍罾疵趾衔锢碇饕搴突盍β邸２６没ゲ剐岳次孔恿ρе械幕コ庑愿拍钊缌Ｗ樱ǘ鞅缁ぁＲ虼耍蝗衔遣豢赏ㄔ嫉奈锢硌ВШ蜕镅Я嚼喙媛桑筒扇×嘶ゲ剐越馐汀Ｎ颐潜匦胍亲。ゲ剐圆皇且恢治锢砉媛桑且恢侄粤孔恿ρУ恼苎Ы馐停６摹ぱΧㄚ淌遣辉蕹烧庵纸馐偷摹Ｋ�20世纪30年代和40年代间的物理主义和活力主义之间的斗争并没有得到解决，而互补性仅仅是一种描述所论状态的概念。薛定谔在《生命是什么？》一书中写道：
总之，只要我们涉及活物质的结构，我们就必须面对这样一个事实：它是以不能还原成通常的物理学定律的方式起作用的。原因不在于某种“新的力”或某种类似的东西支配着活的机体中的一个个原子，而是其结构不同于任何我们已从试验室研究中认识的东西。
薛定谔使人想起一位熟悉蒸汽机并希望探索新的电动机的工程师的形象。由于两种发动机以颇为不同的方式工作，他会产生这样的念头：电动机是某种幽灵推动的。薛定谔采取了莱布尼茨传统，期望把活的有机体理解为“按照上帝的量子力学基本原理产生的最精致的杰作”。
薛定谔面对的问题是：他和莫诺都力图按照波耳兹曼热力学框架来描述有序和生命的出现。他正确地批评了目的论的力或有序的妖，它们是物理学家在上一个世纪末就提出来的。虚构出来的小妖能够逆转封闭系统中按照第二定律的熵增，而没有任何外部效应，因此它如同第二类永动机一样地起作用，这要追溯到詹姆士·克里克·麦克斯韦。1879年，威廉姆·汤姆逊（后来叫卡尔文勋爵）引入了“麦克斯韦分类妖”，它可以使封闭容器中处于静态平衡和均匀速度分布的气体分子自发地分离开来，成为快分子和慢分子两部分。
显然，“分类妖”是一种先验的假设，不可能在19世纪的物理学框架中加以解释。波耳兹曼热力学以及牛顿力学都不足以为复杂有序的形成，从而为活系统的起源和生长建立模型。热力学第一定律和第二定律都有重要的条件，它们并不一般地适用于所有自然。这些定律假定，所有的能量交换都是发生在封闭和孤立的系统中。随着能量和物质疏通过宇宙中的大部分区域，自然系统很少是封闭的。由于太阳能量辐射在地球上，它不可能被看成是一个封闭的和孤立的系统。
尽管热力学第一定律和第二定律并没有错，但是它们在经验上局限于近似孤立的微观子系统、宇宙系统或实验室中制备的条件。这一情形可以与牛顿的经典力学相比拟。在爱因斯坦提出了狭义相对论以后，它并不就是错了，而是不再成为物理学的普遍框架了，现在只适用于相对光速较慢的运动。自然界的绝大部分现象，都必须用动力系统来建模，动力系统并不存在于波耳兹曼的一般平衡条件中，因为它们只存在于能量流和物质流之中。
历史上，诸如麦克斯韦或吉布斯的基本贡献，只是适用于处理平衡的情形或无限地接近平衡的情形。非平衡热力学的先驱性工作是由例如皮埃尔·杜恒在本世纪初开创的。但是他的工作直到昂萨格（1931）以后才引起人们的注意，后来还有普里戈金学派，哈肯学派，以及其他人开始研究远离热平衡的复杂系统行为。从历史的观点看，此情形可以与混沌理论和复杂哈密顿系统的发展相比较（参见2．3节）。彭加勒、麦克斯韦和其他人都已经发现并熟知了混沌现象。但是与非线性系统相联系的数学问题阻碍了绝大多数科学家去研究相应的模型。
3．3复杂系统和有机物的进化
开放系统不仅具有熵产生的内部来源，还有外部的伴随着能量或物质转化进入（或来自）其环境的熵产生来源。这些系统通过耗散和消耗能量而保持其结构，被伊利亚·普里戈金称作“耗散结构”。我们已经了解了非生命的耗散系统如流体、激光和云彩，它们都是依赖于外部的能量流来保持其结构和组织的。非平衡系统与其环境交换能量和物质，保持自己一段时间处于远离热力学平衡态，并在局部出现熵减的状态。小的不稳定性和涨落导致不可逆的分叉，从而增加了可能行为的复杂性。
对于亚里士多德的生长着和消亡着的“月下”世界，非线性演化方程的耗散结构数学理论为此提供了建模框架。人们惊奇地承认，亚里士多德的循环自然的思想，与作为相应微分方程的解的吸引子或极限环相对应。这些系统的循环本性，不仅仅适用于发展起稳定性，而且还适用于发展起其中的复杂结构等级。一个古代已经描述过的活系统循环，已成为借助进化反馈的自催化循环。
其要点已被斯宾塞和波耳兹曼表述过，他们假定了前生物系统的进化，即可以通过一系列的转化而引起越来越复杂状态的等级。但是，与波耳兹曼的假设相反，这些转化只可能出现在远离热平衡态的非线性系统中。超过了一定的临界值，定态方式就变得不稳定，系统将演化到某种新的构型。通过一系列的不稳定性而进化，一个活系统必定要发展起某种程序，以增加其非线性作用和离开平衡态的距离。换言之，每一转化都必然使系统增加其熵产生。伊利亚·普里戈金、曼弗雷德·艾根以及其他人的进化反馈意味着，系统控制参量变化到超过一定的阈值，就会引起某种通过涨落的不稳定性，使耗散增加，从而又对阈值产生影响。
随之而来的是，生命并非从某种简单的极其不可能的事件中起源，生命的进化并不违反物理学规律。正如我们已经知道的，波耳兹曼和莫诺的极大地超过生物进化的时间的巨涨落的思想，来自平衡态热力学。在平衡统计力学中发生耗散结构的几率（例如贝纳德问题的周期性时间过程）是微小的，而在远离平衡态时其发生的几率却等于1。因此，普里戈金争辩道：
生命的出现遵从适合于特定运动学框架和远离平衡的条件的物理学规律，远不是麦克斯韦妖军队所为。
在非线性复杂系统的数学框架中，人们提出了许多模拟生命的分子起源的模型。分子尺度上的复杂性是以大量潜在状态数为标志的，它居于现实的时间和空间的限度之中。
例如，一个典型的小蛋白质分子包含的肽链大约有10＇2＇个 氨基酸基。自然的氨基酸有20种，这种长度的可能性序列为20100或10130种。构成细菌细胞的基因组的DNA分子，代表了从101000000种可能序列中的一种或为数不多的几种选择。显然，自然界只可能检验了其中的一小部分。数学上，一条包含了人类v个残基的序列，允许有种可能拷贝在k个位置被取代。图3．2示意一个基因，它是对129个氨基酸编码的序列。
某些微观态可能会强烈地影响宏观行为。这样的涨落可能放大并引起先前的稳定态被打破。非线性通过远离热平衡的过程加入进来。
生命的经典的必要条件是：（1）自复制（以保持物种，而不致被稳步解体），（2）变异和选择（以放大和完善物种的可能性，偏爱某种价值标准），（3）代谢（以补偿稳定的熵产生）。
曼弗雷德·艾根提出了一种方案，可以通过数学优化过程来实现这些标准。在此模型中，自复制的成核和进一步进化的系统，在诸如蛋白质和核酸这样的随机大分子序列的分布中，以一定的期待值出现。自复制的起始拷贝的选择是偶然的，但是后继的进化优化到独特效率水平是受物理原理引导的。在此模型中，无论何地，只要物理的和化学的条件得到满足，就可能发现生命，尽管某些分子结构表现出与我们所知的系统没有多少相似性。
最后的结果是一种独特的结构，例如，某种优化了的分子序列。达尔文的适者生存原理进行了数学处理，即对可能的分子序列的微观态进行优化。这里假定，在简单的情形下，生物分子通过自催化而倍增。例如，两种生物分子A和B，从底物GS通过自催化而倍增，但是一种分子除了倍增以外，它还得到另一种的支持，且反之亦然（图3．3a）。在更复杂的有多种生物大分子的情形下，后一种采取了循环催化的方式进行倍增（艾根的“超循环”）（图3．3b）。这种伴随着突变的机制能够实现进化过程。
艾根提出了一个进化优化的简化模型：生物细胞的机制在某一个有4种构成基因的化学物质A、T、G、C的序列中编码。每一基因都代表了一个功能单元，它是优化地适应了其环境的特定目的。自然界的基因的长度一般很少超过1000个序列位置。因此，对于4种符号，长度为1000，就有41000种可能的基因（“突变”）。在科学记法中，这大约是10600种可能性。为了获得对这种巨大数目的印象，我们应该记住，整个宇宙中的物质量相当于1074个基因，宇宙的年龄小于1018秒。
因此，如果所有的宇宙物质从其一开始（“大爆炸”）就用来进行替换，从而每秒钟产生出一种新的长度为1000的基因，那么至今也仅应检验了1093种突变。艾根得出结论：代表优化功能单元的基因不可能是在随机过程中产生出来的，而必定是通过自优化过程发展起来的。
数学上，适应过程可以设想为一系列的位置置换，其目标是获得最后的（“优化的”）序列。这是一种典型的计算机科学中的问题求解方式的解释。为了成功地求解一个问题，我们必须找到一种合适的自优化策略的空间表象。因为对于大量的数目，一个三维空间显然是不合适的。策略的长度，即从基因到其优化变异体的距离，是太长了。人们会误入歧途。进一步，高度相似的序列不可能在三维空间的邻域中得到适当的表示。因此，人们提出以如下方式来改变维数。
一条具有n个位置的序列定义为n维空间的一个点。对于两个符号0和1，有2n种可能的序列，它们是此空间的点。每一点具有n个近邻，它们代表了仅有一个位置不同的突变（“1个误差突变”）。在两个仅仅为0或仅仅为1的端点之间，有n！个可能的关联。在图3．4a－d中，对此二元情形有一些n维序列空间的例子。这些空间的巨大优点在于其非常短的距离和密集的可能关联的网络。举一个例子，在1000维空间中最长的距离仅仅是1000个单元，在1014个点的23维空间中仅仅是23个单元。
以米为单位，二十三维空间足以代表地球表面所有的点。在这个空间，优化策略可以设计为在地球上的某个区域中找到最高的山峰。为做到这一点，我们引入价值函数，它与每一点以一个数值“高度”相联系。设想一下去阿尔卑斯山的旅游。你没有一个目标（例如去某一特定的山
