Percorso: L’Informazione Biologica
Modulo 5
Prerequisiti:
Modulo 4
Guida alla lettura
Disclaimer
1. Una promessa che il computer non riesce a mantenere
Da quando i computer hanno raggiunto potenze di calcolo sufficienti, i sostenitori dell’evoluzione darwiniana hanno avuto a disposizione uno strumento nuovo per rispondere alle critiche del Disegno Intelligente: il simulatore. Se il problema è dimostrare che processi casuali guidati dalla Selezione possono generare complessità biologica, perché non costruire un programma che lo mostri direttamente?
Questo approccio ha prodotto una serie di programmi diventati celebri: il programma Weasel di Richard Dawkins, il simulatore Avida di Chris Adami, il programma Ev di Tom Schneider, e molti altri. Sono stati presentati come prove computazionali che l’evoluzione darwiniana può generare complessità specificata senza alcun intervento intelligente.
Robert Marks, William Dembski e Winston Ewert — matematici, ingegneri e informatici con pubblicazioni peer-reviewed in riviste IEEE — hanno esaminato questi programmi con strumenti analitici precisi. La loro conclusione, sviluppata nel campo che hanno chiamato informatica evolutiva, è univoca: ogni simulatore che produce risultati complessi e funzionali lo fa perché il programmatore intelligente ha inserito informazione nel sistema prima che la simulazione iniziasse. I computer non dimostrano che l’evoluzione genera informazione dal nulla. Dimostrano il contrario: che senza informazione pre-programmata, non emerge nulla di funzionale.
È utile contestualizzare questo campo di ricerca nella storia più ampia dell’informatica. L’idea di simulare la vita al computer affonda le radici nell’alba stessa della disciplina. Nel 1936 Alan Turing formulò la nozione di «macchina di Turing», fondamento teorico di ogni computazione; negli ultimi anni della sua vita si dedicò anche a modelli matematici per la morfogenesi biologica (il suo articolo del 1952 The Chemical Basis of Morphogenesis è un classico). Negli anni Quaranta e Cinquanta John von Neumann sviluppò la teoria degli «automi autoreplicanti», esplorando matematicamente le condizioni minime per cui un sistema può riprodursi. Nel 1975 John Holland, informatico dell’Università del Michigan, pubblicò Adaptation in Natural and Artificial Systems — l’opera che introdusse formalmente gli algoritmi genetici, tecniche ispirate all’evoluzione biologica usate per risolvere problemi complessi di ottimizzazione in ingegneria. È da questa tradizione accademica seria che nascono i simulatori successivi. Ma negli anni Ottanta e Novanta, quando i personal computer si diffusero, le simulazioni evolutive uscirono dall’ambito strettamente tecnico per entrare nella divulgazione scientifica, diventando strumenti retorici nelle mani di autori darwinisti che volevano mostrare «visivamente» al grande pubblico il potere creativo di mutazione e selezione.
Il programma di ricerca di Marks, Dembski ed Ewert nasce come risposta analitica a questa stagione di simulazioni divulgative. I tre studiosi hanno fondato nel 2007 l’Evolutionary Informatics Lab (con sede virtuale su evoinfo.org), un’iniziativa che merita di essere inquadrata istituzionalmente. Robert J. Marks II è Distinguished Professor di ingegneria elettrica e informatica presso la Baylor University, Fellow dell’Institute of Electrical and Electronics Engineers (IEEE) — la più importante associazione mondiale di ingegneri e informatici — e autore di oltre 300 pubblicazioni peer-reviewed in campi come reti neurali, elaborazione del segnale, teoria dell’informazione. William A. Dembski, come abbiamo visto nei Moduli precedenti, è matematico con PhD all’Università di Chicago e filosofo con PhD all’Università dell’Illinois a Chicago. Winston Ewert è ingegnere informatico con PhD alla Baylor. Il gruppo ha pubblicato numerosi studi peer-reviewed sulle IEEE Transactions on Systems, Man, and Cybernetics — una delle riviste più prestigiose al mondo nel campo dei sistemi computazionali — e in atti di conferenze IEEE come l’International Conference on Systems, Man, and Cybernetics. Questo è un punto importante da fissare: l’informatica evolutiva dell’ID è una disciplina accademica pienamente inserita nelle riviste ingegneristiche mainstream, non un’iniziativa divulgativa ai margini del dibattito scientifico.
2. Il teorema «No Free Lunch»: nessun algoritmo è gratuito
Nel 1997, i matematici David Wolpert e William Macready dimostrarono un risultato noto come «No Free Lunch» — «nessun pranzo gratis»: considerando la media su tutti i possibili problemi di ricerca, nessun algoritmo di ricerca funziona meglio di una ricerca casuale cieca.
Per capire cosa significa, immaginiamo di dover trovare un oggetto nascosto in una stanza. Se non sappiamo nulla sulla struttura della stanza, qualsiasi strategia vale quanto qualsiasi altra in media. Solo se abbiamo informazioni sulla struttura dello spazio di ricerca — se sappiamo che l’oggetto è probabilmente vicino alla finestra — una strategia intelligente supera la ricerca casuale.
Il teorema formalizza questa intuizione: un algoritmo può superare la ricerca casuale in un problema specifico solo se contiene, incorporata nella sua struttura, informazione sulla struttura del problema stesso. I vantaggi in certi problemi sono esattamente compensati da svantaggi in altri. Non esiste un algoritmo universalmente superiore.
La conseguenza è immediata: chi vuole un algoritmo che funzioni bene su problemi specifici deve pagare il prezzo di incorporare conoscenza specifica. E quella conoscenza deve venire da qualche parte.
L’articolo originale di Wolpert e Macready — No Free Lunch Theorems for Optimization — fu pubblicato sulle IEEE Transactions on Evolutionary Computation nel 1997 ed è oggi uno dei risultati fondamentali della teoria dell’ottimizzazione. La dimostrazione è puramente matematica: non dipende da assunzioni biologiche o filosofiche, vale per qualsiasi algoritmo iterativo che esplori uno spazio di soluzioni. I due autori hanno mostrato formalmente che mediando le prestazioni su tutti i possibili paesaggi di fitness, le prestazioni di qualunque algoritmo di ricerca — inclusi gli algoritmi genetici, inclusi gli algoritmi evolutivi con selezione — coincidono esattamente con le prestazioni della ricerca casuale cieca. Non c’è vantaggio possibile «in media». Se un algoritmo eccelle su certe classi di paesaggi, deve necessariamente essere peggiore della media su altre classi — in modo che il bilancio complessivo si azzeri. Questo risultato tecnico ha implicazioni profonde che i suoi stessi autori hanno esplicitato: perché un algoritmo di ottimizzazione funzioni meglio del caso su un problema specifico, deve contenere informazione a priori sulla struttura del problema. L’informazione non può essere estratta dal nulla: deve essere immessa dal progettista dell’algoritmo.
L’estensione del NFL al problema dell’evoluzione biologica è l’operazione compiuta da Dembski e Marks nei loro libri — No Free Lunch (2002) e Introduction to Evolutionary Informatics (2017). Se consideriamo l’evoluzione darwiniana come un algoritmo di ricerca che esplora lo spazio delle sequenze genomiche alla ricerca di sequenze proteiche funzionali, il NFL ha una conseguenza diretta: l’evoluzione non può essere un algoritmo efficiente «in generale». Può funzionare bene solo se opera in un paesaggio di fitness strutturato in modo favorevole — e la struttura favorevole è essa stessa informazione immessa nel sistema. Dembski e Marks osservano che la selezione naturale cumulativa — quel meccanismo che in uno scenario darwiniano dovrebbe trasformare variazioni casuali in complessità specificata — funziona solo in presenza di un paesaggio di fitness che premia i passaggi graduali verso una funzione. Ma quel paesaggio è una risorsa informativa: non è dato gratis.
Alcuni critici hanno contestato l’applicazione del NFL alla biologia. Il matematico svedese Olle Häggström, tra i più noti, ha argomentato che i teoremi NFL assumono una media uniforme su tutti i paesaggi di fitness matematicamente possibili, mentre la natura opera su un sottoinsieme ristretto di paesaggi «fisicamente realistici»: non tutti i paesaggi matematici sono realizzabili in natura, e il NFL non si applicherebbe quindi in senso stretto alla biologia reale. La risposta di Dembski e Marks, sviluppata nei loro paper IEEE, è un esempio elegante di come rovesciare un’obiezione. Ammettere che l’evoluzione operi solo in certi paesaggi favorevoli — scrivono — significa ammettere che lo spazio di ricerca è stato ristretto. Ma restringere lo spazio è esattamente immettere informazione a monte: richiede di specificare quali paesaggi sono «fisicamente realistici» e quali no, e questa specificazione è una fonte di informazione attiva. L’obiezione di Häggström, lungi dal dissolvere il problema, lo sposta semplicemente a un livello diverso — dal paesaggio iniziale alla sua restrizione — e il deficit informativo riappare a quel livello. Questo stesso tipo di «spostamento» è oggetto del problema della «ricerca della ricerca» che vedremo nella sezione 8.
3. L’informazione attiva: misurare l’intelligenza nascosta
Marks e Dembski hanno sviluppato un concetto preciso per quantificare la conoscenza che un programmatore incorpora in un algoritmo evolutivo: l’informazione attiva.
L’idea di base: confrontiamo una ricerca casuale cieca con un algoritmo evolutivo che usa mutazione e Selezione. Se l’algoritmo ha più successo, questa differenza deve avere una causa — l’informazione che il programmatore ha inserito: la definizione dell’obiettivo di fitness, la struttura delle mutazioni ammesse, i parametri di Selezione.
Matematicamente: I+ = −log2(p/q), dove p è la probabilità di successo della ricerca casuale e q quella dell’algoritmo assistito. Più l’algoritmo supera la ricerca casuale, maggiore è l’informazione attiva — e quindi maggiore è l’informazione che il progettista ha dovuto inserire.
Il punto cruciale: l’informazione attiva non emerge durante la simulazione. Deve essere inserita prima. È il progettista del programma che decide quale sequenza costituisce un risultato migliore, quali mutazioni sono ammesse, come funziona la Selezione. Quella conoscenza è la fonte dell’informazione che il simulatore produce. Il simulatore non crea informazione: la esprime.
Il concetto di informazione attiva ha ricevuto la sua formulazione peer-reviewed nel paper del 2009 di Dembski e Marks, Conservation of Information in Search: Measuring the Cost of Success, pubblicato sulle IEEE Transactions on Systems, Man, and Cybernetics. L’articolo è una derivazione rigorosa dalla teoria dell’informazione di Shannon. La formula I+ = −log2(p/q) ha una struttura familiare a chi conosce Shannon: è un logaritmo di un rapporto di probabilità, identico nella forma a come Shannon misurava l’informazione. Il significato è il seguente. Se p è la probabilità di successo di una ricerca cieca e q è la probabilità di successo di un algoritmo informato, allora I+ misura quanti bit di informazione l’algoritmo ha dovuto ricevere per raggiungere la sua performance superiore. Se q = p (l’algoritmo non fa meglio del caso), I+ = 0: nessuna informazione attiva. Se q >> p (l’algoritmo ha successo garantito dove il caso non potrebbe), I+ diventa grande — quantifica in bit la conoscenza che il programmatore ha dovuto incorporare.
Il gruppo dell’Evolutionary Informatics Lab ha applicato questa metrica sistematicamente ai principali simulatori evolutivi presentati come «dimostrazioni» del darwinismo. Le analisi — Ev di Schneider, Avida di Lenski-Adami, il programma di ottimizzazione alberi di Steiner di David Thomas, gli algoritmi genetici di varie implementazioni — rivelano sempre lo stesso pattern: l’informazione attiva misurata è esattamente pari (o superiore) all’informazione apparentemente «prodotta» dal simulatore. Non c’è mai un guadagno netto. Il simulatore ridistribuisce informazione pre-esistente; non ne crea di nuova. Questa osservazione, ripetuta su decine di casi, è il fondamento empirico della Legge di Conservazione dell’Informazione — un principio che gli autori considerano analogo, nel dominio della teoria dell’informazione, alla conservazione dell’energia in termodinamica. Così come non si può costruire una macchina a moto perpetuo che produca energia dal nulla, non si può costruire un algoritmo che produca informazione specificata dal nulla.
Marks e Dembski formalizzano questo nella Legge di Conservazione dell’Informazione: i processi fisici e computazionali non possono generare informazione complessa specificata dal nulla. Possono trasmettere, elaborare, riorganizzare o degradare informazione già esistente, ma non crearne di nuova.
4. Il programma Weasel: l’evoluzione verso un bersaglio segreto
Il caso più celebre è il programma Weasel di Dawkins, descritto in L’orologiaio cieco (1986). Si parte da una sequenza casuale di ventotto caratteri. A ogni generazione, la sequenza viene «mutata» producendo varianti, tra cui viene selezionata quella più simile a una frase bersaglio: «METHINKS IT IS LIKE A WEASEL» — una citazione da Amleto di Shakespeare. Il processo raggiunge il bersaglio in poche decine di generazioni, mentre un tentativo puramente casuale avrebbe una probabilità di circa 1 su 1040.
La critica è chirurgica. Il programma incorpora informazione attiva in due modi. Il primo: la definizione del bersaglio — il programma «sa» qual è la frase obiettivo. Il secondo: il criterio di Selezione premia la vicinanza a un obiettivo futuro predefinito — teleologia pura, non darwinismo.
La Selezione naturale non ha memoria del futuro: conserva solo ciò che produce un vantaggio immediato. Nel programma Weasel, ogni variante con una lettera giusta nella posizione giusta viene premiata, anche se le lettere sbagliate nelle altre posizioni la renderebbero biologicamente inutile. Il programma non genera informazione: esprime l’informazione che Dawkins ha già inserito.
I dettagli tecnici del programma aiutano a vedere quanto esso sia teleologico. Dawkins partiva da una sequenza casuale di 28 caratteri — scelta tra le 26 lettere maiuscole dell’alfabeto inglese più lo spazio, per un totale di 27 simboli possibili per posizione. A ogni generazione il programma produceva circa 100 «copie» della sequenza corrente, ciascuna con piccole mutazioni casuali. Di queste 100 varianti, il programma selezionava quella più simile alla frase bersaglio «METHINKS IT IS LIKE A WEASEL» e la usava come «genitore» per la generazione successiva. Il criterio di somiglianza era la distanza di Hamming: si contavano quante posizioni della variante coincidono con le posizioni corrispondenti del bersaglio. Partendo da stringhe di completo nonsenso — del tipo «WDLTMNLT DTJBKWIRZREZLMQCO P» — Dawkins riportava tipicamente una convergenza sulla frase target in 40-43 iterazioni. La probabilità di ottenere la frase per puro caso al primo tentativo, senza selezione cumulativa, è invece di 1 su 2728, ovvero circa 1 su 1040 — un salto astronomico che Weasel sembrava coprire senza sforzo.
L’analisi di Dembski, Marks ed Ewert identifica con precisione dove si nasconde l’inganno. L’intero successo del programma dipende dalla distanza di Hamming come funzione di fitness — cioè da un oracolo che misura costantemente, a ogni generazione, quanto la sequenza corrente si avvicini alla frase target. Senza quell’oracolo, senza la conoscenza preventiva del bersaglio finale, Weasel non funziona: la selezione cumulativa non avrebbe un criterio per distinguere una variante «migliore» da una «peggiore». L’informazione attiva — quella contenuta nella distanza di Hamming — spiega interamente il successo dell’algoritmo. Non c’è creazione di informazione: c’è estrazione di informazione che il programmatore ha inserito.
Posto di fronte a queste critiche ripetute negli anni, Dawkins stesso ha finito per ammettere che Weasel era «fuorviante in modi importanti» e che serviva «solo a scopo didattico» — come illustrazione della differenza tra selezione a singolo passaggio e selezione cumulativa, non come simulazione fedele dell’evoluzione biologica. Ha riconosciuto che la selezione naturale reale non ha un obiettivo a lungo termine predefinito. Ma questa ammissione, notano gli autori ID, non salva la tesi originale — la svuota. Se Weasel funziona solo perché il bersaglio è pre-impostato, l’esperimento non dimostra che processi ciechi possono generare informazione specificata. Dimostra l’opposto: per far convergere una simulazione verso la complessità, serve un progettista che imposti il traguardo. L’Evolutionary Informatics Lab ha analizzato anche numerose varianti di Weasel proposte nel dibattito pubblico (la «Weasel Ware 2.0» tra queste), varianti che cercavano di nascondere il target esplicito o di camuffarlo come «funzione di fitness naturale». Il risultato è sempre lo stesso: rimuovendo il target esplicito, i programmatori hanno dovuto introdurre informazione attiva a gradini — premi per stadi intermedi, vincoli sui tassi di mutazione, manipolazione delle probabilità di sopravvivenza — che nascondono il target ma non lo eliminano. Il bersaglio latente rimane, solo viene mascherato dentro i parametri del sistema. È uno spostamento, non una soluzione.
5. Il programma Avida: l’evoluzione in un ambiente artificiale
Avida simula «organismi digitali» — piccoli programmi auto-replicanti che competono per risorse di calcolo e accumulano mutazioni. Gli organismi vengono premiati quando acquisiscono la capacità di eseguire operazioni logiche (NOT, AND, OR, fino a EQU). Nel Percorso di migliaia di generazioni, producono organismi con funzioni che i loro antenati non avevano.
Due problemi fondamentali. Il primo: Avida premia esplicitamente le operazioni logiche intermedie — premi artificiali inseriti dal programmatore per guidare l’algoritmo. Quando i ricercatori dell’ID hanno rimosso questi premi intermedi, Avida non ha mai prodotto la funzione complessa EQU. L’intera «evoluzione» dipende dall’informazione attiva inserita sotto forma di premi a gradini.
Il secondo: Avida presuppone già l’auto-replicazione — il sistema di copia del codice operativo è incorporato nel programma prima della simulazione. Ma l’origine di un sistema di replicazione basato su informazione specificata è esattamente il problema più profondo dell’origine della vita. Avida comincia dall’altro lato del problema, dopo che il problema più difficile è già stato risolto — da un programmatore intelligente.
Vale la pena conoscere la storia e il contesto accademico di Avida, perché è stato il più influente dei simulatori evolutivi usati nel dibattito pubblico. Il progetto nacque nel 1993 al California Institute of Technology (Caltech), sviluppato dagli informatici Christoph Adami, Charles Ofria e Titus Brown nel contesto della ricerca sulla vita artificiale. Successivamente il gruppo si trasferì alla Michigan State University, dove Ofria fondò il Digital Evolution Lab (DevoLab) e si unì al biologo evoluzionista Richard Lenski — celebre per il suo Long-Term Evolution Experiment con E. coli — e al filosofo della scienza Robert Pennock. Il progetto ha ricevuto finanziamenti massicci della National Science Foundation, incluso un grant che, sommato ai contributi successivi, ha portato a circa 25 milioni di dollari di sostegno pubblico per la ricerca sulla vita digitale presso la MSU. La rilevanza di Avida è stata anche politica: Pennock testimoniò come «esperto» sulla simulazione al celebre processo Kitzmiller v. Dover del 2005, usando Avida come evidenza contro l’ID.
Il paper chiave che consacrò Avida come «dimostrazione» del darwinismo è di Lenski, Ofria, Pennock e Adami, pubblicato su Nature nel 2003 con il titolo The Evolutionary Origin of Complex Features. L’esperimento descritto era concettualmente semplice. Gli organismi digitali — piccoli programmi eseguibili che processano stringhe di input binarie — venivano messi in competizione in un «ambiente» virtuale, con la capacità di replicarsi (con errori, cioè mutazioni) e di consumare risorse. Il programmatore premiava con risorse extra gli organismi che sviluppavano la capacità di eseguire operazioni logiche: prima le più semplici (NOT, NAND, AND, OR, NOR, XOR), poi quella complessa EQU (XNOR, cioè l’operazione «equivalenza» tra due bit). La scala dei premi era graduale: chi sviluppava NOT prendeva una piccola ricompensa, chi sviluppava NAND una un po’ maggiore, e così via fino alla ricompensa massima per chi sviluppava EQU. Dopo alcune decine di migliaia di generazioni, una frazione significativa delle simulazioni produceva organismi capaci di eseguire EQU — una funzione che, ottenuta per puro caso nello spazio di tutte le configurazioni possibili, avrebbe probabilità circa 1 su 1012. L’articolo di Nature presentava questo risultato come dimostrazione sperimentale che mutazioni casuali e selezione naturale possono superare la «complessità irriducibile» e originare funzioni complesse.
Nel 2009, Winston Ewert, William Dembski e Robert Marks pubblicarono negli atti della IEEE International Conference on Systems, Man, and Cybernetics un paper dal titolo chirurgico: Evolutionary Synthesis of Nand Logic: Dissecting a Digital Organism. L’analisi smonta la pretesa del lavoro originale su Nature. Ewert e colleghi hanno riprodotto Avida e modificato un parametro cruciale: hanno rimosso la scala di premi intermedi, lasciando solo la ricompensa finale per EQU. Il risultato è stato inequivocabile: rimuovendo i premi a gradini, la funzione EQU non emerge mai, neppure dopo un numero arbitrariamente grande di generazioni. L’intera «evoluzione» di EQU dipende dalla struttura graduale dei premi, un’architettura esplicitamente progettata dai programmatori per guidare l’algoritmo dalle funzioni semplici a quella complessa. Quantificando in bit l’informazione attiva contenuta nella scala dei premi, Ewert-Dembski-Marks hanno dimostrato che essa eccede l’informazione prodotta dalla simulazione — non c’è guadagno netto, c’è ridistribuzione di informazione pre-esistente. Avida non mostra che la complessità emerge da processi ciechi; mostra che la complessità emerge quando il programmatore struttura attentamente l’ambiente per guidare l’algoritmo verso la soluzione desiderata.
C’è poi il secondo problema, spesso trascurato perché più sottile. Gli organismi digitali di Avida sono già dotati, dall’inizio della simulazione, di un anello di istruzioni autoreplicante: il codice per fare copie di sé stessi è scritto nel programma prima che la simulazione cominci. Ma il problema più profondo dell’origine della vita è precisamente l’origine di un sistema di replicazione basato su informazione specificata. Presupporre tale sistema significa saltare il problema, non risolverlo. Avida inizia dopo che il problema difficile è stato già risolto — e lo ha risolto un programmatore intelligente, non un processo naturale. In questo senso, la simulazione non è un modello dell’origine della vita, ma al più un modello della microevoluzione adattativa di organismi già viventi. Un modello utile in certi limiti, ma che non può essere presentato come dimostrazione dell’emergere spontaneo della complessità biologica dal nulla.
6. Il programma Ev: la nascita apparente dei siti di legame
Il programma Ev di Tom Schneider simula l’evoluzione dei siti di legame dei fattori di trascrizione. Schneider afferma che dimostra come l’informazione biologica possa emergere spontaneamente, senza obiettivi predefiniti.
L’analisi smonta questa affermazione. Ev usa un «oracolo di Hamming»: un meccanismo interno che misura la distanza tra la sequenza in evoluzione e una sequenza bersaglio predefinita. È la conoscenza dell’obiettivo finale, incorporata dal progettista, che permette la convergenza.
La dimostrazione è quantitativa: l’informazione attiva in Ev è esattamente uguale all’informazione prodotta dalla simulazione. Non c’è guadagno netto. Il programma redistribuisce informazione già esistente senza generarne di nuova.
Vale la pena leggere Ev con qualche dettaglio in più, perché nella comunità scientifica è considerato il più «sofisticato» dei tre simulatori principali. Thomas Schneider, biologo computazionale del National Cancer Institute, pubblicò il programma nel 2000 con un articolo dal titolo eloquente: Evolution of Biological Information, apparso sulla rivista peer-reviewed Nucleic Acids Research (volume 28, numero 14). Il modello simula l’evoluzione dei siti di legame sul DNA per fattori di trascrizione — regioni specifiche che le proteine regolatorie riconoscono per attivare o inibire la trascrizione dei geni. Schneider affermò nel paper che il suo programma parte da «zero informazioni» e mostra inequivocabilmente come la selezione naturale generi nuova informazione biologica — misurata nel senso di Shannon — rapidamente, senza alcun obiettivo predefinito. Questa rivendicazione è ciò che ha reso Ev il simulatore più citato dai critici dell’ID: se Ev avesse davvero ciò che Schneider affermava, sarebbe un controesempio decisivo.
Dembski e Marks, in diversi paper peer-reviewed, hanno dimostrato analiticamente che l’affermazione di Schneider non regge a un esame quantitativo. L’analisi ha identificato due fonti principali di informazione preesistente nel codice. La prima è un calcolatore numerico pre-strutturato che computa continuamente una misura di «qualità» delle sequenze evolute. La seconda, ben più decisiva, è l’oracolo di Hamming: una funzione che misura, a ogni iterazione, quanto la sequenza corrente sia vicina alla sequenza target biologicamente valida. È questo oracolo a fornire all’algoritmo il feedback necessario per convergere: premia mutazioni che avvicinano al bersaglio e penalizza quelle che se ne allontanano. Ma la nozione stessa di «bersaglio» presuppone la conoscenza preventiva del risultato finale. Calcolando rigorosamente l’informazione attiva contenuta nell’oracolo, Dembski e Marks hanno dimostrato che essa è esattamente uguale o superiore all’informazione prodotta dalla simulazione — nessun guadagno netto di informazione, solo ridistribuzione.
Schneider ha difeso il suo programma rispondendo che l’oracolo di Hamming sarebbe «biologicamente realistico» — un’approssimazione legittima di come la selezione naturale operi in natura, premiando sequenze che si avvicinano a una configurazione funzionale. Dembski e Marks hanno contestato l’analogia. In natura, sottolineano, la selezione naturale non ha alcun accesso a una «sequenza target futura»: non premia la vicinanza a un obiettivo a lungo termine, ma solo il vantaggio funzionale immediato di una variante rispetto alle altre. Una variante che sia «genericamente più vicina» a un sito di legame futuro non produce alcun vantaggio se, oggi, non conferisce alcuna funzione biologica misurabile. L’oracolo di Hamming è un artefatto del programmatore, non un’approssimazione della biologia. Rimuoverlo significa rimuovere l’intero motore della convergenza — e Ev senza oracolo di Hamming non funziona. Il programma non dimostra che l’informazione biologica può emergere «da zero»: dimostra che l’informazione biologica può essere redistribuita da una fonte pre-esistente, la quale resta — anche in Ev — il programmatore intelligente.
7. Altri simulatori: uno schema che si ripete
L’analisi si estende ad altri programmi: la sintesi degli alberi di Steiner di David Thomas (incorpora un criterio di ottimalità), le simulazioni di Wilf ed Ewens (presuppongono decomponibilità dello spazio di ricerca), il modello di Metabiologia di Gregory Chaitin (presuppone un oracolo). Il pattern è costante: quando producono risultati funzionali, estraggono informazione attiva inserita nel codice tramite funzioni target, pesi specifici e oracoli. La quantità prodotta non supera mai quella immessa.
Conviene guardare da vicino questi tre casi, perché ciascuno illustra una variante specifica dell’informazione attiva mascherata.
Il caso degli alberi di Steiner è particolarmente istruttivo per la sua trasparenza polemica. Il fisico David Thomas ha sviluppato un algoritmo genetico per risolvere il classico problema dell’albero di Steiner euclideo — trovare la rete di connessione di lunghezza minima per collegare un insieme dato di punti (per esempio, l’infrastruttura stradale più efficiente per connettere un certo numero di città). Thomas presentò il programma come un controesempio esplicito alla nozione di complessità specificata e lanciò una sfida pubblica ai teorici dell’ID: trovate, se potete, il «frontloading» (il caricamento a monte dell’informazione) nel mio codice. Ewert, Dembski e Marks accolsero la sfida e analizzarono il codice sorgente. Trovarono il passaggio chiave — contrassegnato peraltro dallo stesso Thomas con il commento esplicito «over-ride!!!» — in cui il programma scartava i valori generati casualmente per imporre parametri specifici: un numero predefinito di interscambi tra nodi, un’inizializzazione limitata a un’area ristretta della soluzione, vincoli di popolazione. Queste manipolazioni — che Thomas stesso aveva annotato come «override» dei valori casuali — costituivano l’informazione attiva iniettata nel fitness landscape. Senza queste scorciatoie, l’algoritmo non avrebbe convergito sulla soluzione ottimale. Il caso è esemplare perché mostra come anche un programmatore esperto, convinto di aver costruito una simulazione «pulita», in realtà inserisca — consapevolmente o meno — il proprio intento nel codice.
Un caso più sofisticato è quello del paper del matematico Herbert Wilf e del genetista delle popolazioni Warren Ewens, pubblicato nel 2010 nei Proceedings of the National Academy of Sciences con il titolo There’s Plenty of Time for Evolution. Il modello proponeva un argomento quantitativo contro le critiche degli autori ID sui tempi evolutivi: l’evoluzione avrebbe avuto tempo più che sufficiente per generare la complessità biologica, e il paper forniva un calcolo matematico che sembrava dimostrarlo. Per rendere intuitiva la tesi, Wilf ed Ewens ricorrevano all’analogia della «Ruota della Fortuna»: come nel gioco televisivo, si indovinano le lettere di una frase una alla volta, e ogni lettera indovinata correttamente viene «fissata» in posizione, mentre si continuano a provare lettere solo sulle posizioni ancora sbagliate. Con questa strategia, anche frasi molto lunghe richiedono tempi sorprendentemente brevi per essere indovinate. Ewert, Dembski e Marks hanno demolito il modello identificando un presupposto decisivo e mai giustificato: Wilf ed Ewens assumevano uno spazio di ricerca decomponibile, in cui ogni «posizione» del problema può essere risolta indipendentemente dalle altre. Questa assunzione è implementata tecnicamente come un «oracolo di ricerca partizionata»: un meccanismo che a ogni iterazione indica all’algoritmo quali lettere (o bit) sono già corrette — così da congelarle in posizione — mentre continua a mutare solo quelle errate. Si tratta di un’enorme iniezione di informazione attiva che non ha alcun corrispettivo nel meccanismo darwiniano biologico reale. La selezione naturale non ha modo di sapere «quali parti della sequenza sono già corrette e quali no»: tale informazione presuppone già la conoscenza del target. Wilf ed Ewens, in sostanza, hanno dimostrato che l’evoluzione ha tempo sufficiente se viene dotata di un oracolo magico che le dice a ogni passo quali parti della soluzione sono già trovate. Ma l’oracolo magico è esattamente ciò che la biologia reale non possiede.
Il caso più esotico è quello della «Metabiologia» di Gregory Chaitin, matematico di origine argentina-americana noto per i suoi contributi alla teoria algoritmica dell’informazione. Nel libro Proving Darwin del 2012, Chaitin ha proposto un programma di ricerca ambizioso: rendere la biologia «matematica» modellando l’evoluzione come un processo di mutazione di programmi software, la cui fitness corrisponde a quanto i programmi sono capaci di calcolare funzioni complesse. Per rendere praticabile il modello, Chaitin si è servito di un costrutto teorico chiamato «oracolo dell’arresto» (Halting oracle): un dispositivo ipotetico capace di decidere, per ogni programma e ogni input, se quel programma si fermerà o continuerà a girare all’infinito. Con l’aiuto di questo oracolo, Chaitin dimostra che i suoi organismi matematici possono evolvere per calcolare numeri estremamente grandi — i cosiddetti numeri di «Busy Beaver», sequenze di numeri che crescono più velocemente di qualsiasi funzione calcolabile. La critica di Ewert, Dembski e Marks ha due livelli. Il primo è tecnico e radicale: gli oracoli dell’arresto non esistono. Alan Turing ha dimostrato nel 1936 — nel celebre problema della fermata — che nessun algoritmo può decidere in generale se un programma si fermerà o no. Basare un modello dell’evoluzione biologica su un dispositivo la cui inesistenza è matematicamente provata significa costruire un modello di plausibilità fisica nulla: qualunque cosa sia «dimostrata» usando un oracolo dell’arresto non può essere considerata una dimostrazione circa processi reali. Il secondo livello è più generale: quando si analizza la Metabiologia di Chaitin nei termini dell’informazione attiva, tutto il successo dell’algoritmo deriva dall’estrazione di informazione dall’oracolo pre-programmato — non dal processo evolutivo in sé. Chaitin non ha costruito una teoria matematica dell’evoluzione darwiniana: ha costruito una teoria matematica di quanto un algoritmo possa imparare da un oracolo onnisciente. Sono due cose completamente diverse.
Il pattern, come si vede, è costante. Ogni simulatore evolutivo di una certa sofisticazione, quando analizzato con gli strumenti dell’informatica evolutiva, rivela la stessa architettura profonda: un oracolo, una funzione target, una scala di ricompense — in ogni caso una forma di informazione attiva pre-inserita. La quantità prodotta non supera mai quella immessa, e la struttura dell’algoritmo tradisce regolarmente la mano del progettista.
8. Il problema della ricerca della ricerca
Di fronte alle critiche, alcuni propongono che l’evoluzione trovi da sola gli spazi di ricerca più favorevoli — la coevoluzione del paesaggio di fitness. Marks e Dembski rispondono con il problema della ricerca della ricerca (Search for a Search, S4S).
L’argomento è elegante: trovare uno spazio di ricerca favorevole è esso stesso un problema di ricerca. Lo spazio degli spazi di ricerca è ancora più grande dello spazio originale. Trovare casualmente uno spazio favorevole è almeno tanto difficile quanto trovare direttamente la sequenza funzionale. Il deficit informativo riappare ad ogni livello. Non importa quanti livelli di meta-evoluzione si postulino: l’eliminazione del deficit richiede una causa esterna al sistema materiale.
La formalizzazione matematica rigorosa dell’argomento è contenuta nel paper del 2010 di Dembski e Marks, The Search for a Search: Measuring the Information Cost of Higher Level Search, pubblicato sul Journal of Advanced Computational Intelligence and Intelligent Informatics. L’articolo stabilisce un risultato matematico preciso: cercare uno spazio di ricerca favorevole (cioè scegliere tra tutti i possibili paesaggi di fitness quello che permetterà a un algoritmo evolutivo di convergere efficientemente sulla soluzione) è esponenzialmente più costoso, in termini computazionali e informativi, della ricerca originale. Il motivo intuitivo è semplice: lo spazio dei paesaggi di fitness possibili è astronomicamente più grande dello spazio delle soluzioni. Se lo spazio delle sequenze proteiche ha dimensione N, lo spazio di tutti i possibili paesaggi di fitness definiti su quelle sequenze ha dimensione dell’ordine di 2N o superiore. Scegliere casualmente un paesaggio favorevole è, matematicamente, un problema di ricerca più difficile dell’originale.
L’applicazione alla coevoluzione biologica è diretta. I critici dell’ID osservano talvolta che il paesaggio di fitness biologico non è statico: gli organismi modificano il loro ambiente (costruzione di nicchia), che a sua volta modifica le pressioni selettive, generando un processo di «coevoluzione» tra organismi e paesaggio. Forse, suggeriscono, questo processo bidirezionale aggira il problema del NFL e produce da solo i paesaggi favorevoli alla complessità. Dembski e Marks rispondono che anche la transizione tra paesaggi di fitness successivi è essa stessa un processo di ricerca, e deve essere vincolata per produrre complessità. Se le transizioni sono prive di vincoli, il processo non farà meglio di una ricerca cieca. Perché la coevoluzione generi complessità specificata, i vincoli sui passaggi da un paesaggio al successivo devono essere stati attentamente orchestrati — e questa orchestrazione è, di nuovo, informazione. Il deficit non scompare: si sposta semplicemente dal paesaggio di partenza alla sequenza dei paesaggi, senza essere ridotto. Questo argomento matematico è decisivo: nessuna forma di meta-evoluzione, coevoluzione, o evoluzione di ordine superiore può generare informazione dal nulla. La ricerca della ricerca è un problema di ricerca, e la teoria del NFL si applica anche a lei.
9. L’evoluzione come algoritmo di ricerca cieca
Il meccanismo darwiniano — mutazione casuale più Selezione naturale — è formalmente analizzabile come un algoritmo di ricerca nello spazio delle sequenze proteiche. Come algoritmo, è più efficiente della ricerca casuale cieca — ma solo se lo spazio di ricerca ha la struttura giusta: funzioni distribuite in modo continuo e graduale, con ogni piccolo passo verso una funzione migliore che produce un vantaggio selettivo misurabile.
Ma come abbiamo visto Nel Modulo 4, il lavoro di Axe mostra che le sequenze funzionali sono isole isolate in un oceano di non-funzione. Tra un’isola e un’altra non ci sono percorsi graduali. Il meccanismo darwiniano può ottimizzare le sequenze all’interno di un’isola — microevoluzione reale e documentata — ma non può attraversare l’oceano tra le isole. E l’ingresso nella prima isola è fuori dalla portata sia della ricerca casuale sia della Selezione naturale.
È utile vedere la tesi nei suoi termini più forti. Mutazione più selezione è un algoritmo di tipo hill-climbing, di salita della collina: parte da un punto nello spazio delle sequenze e si sposta iterativamente verso punti vicini con fitness più alta. Come tutti gli algoritmi di hill-climbing, è efficiente quando il paesaggio ha la struttura di una collina liscia con un picco chiaro da raggiungere. Ma fallisce sistematicamente in paesaggi con picchi separati da valli profonde — come un arcipelago di isole separate da un oceano. In quei paesaggi, l’algoritmo non può lasciare un’isola locale per cercarne un’altra, perché ogni passo verso l’oceano è un passo verso una fitness più bassa, e la selezione elimina le varianti che scendono. L’algoritmo darwiniano è prigioniero dell’isola su cui si trova. Per spostarsi su un’altra isola servirebbe un salto coordinato attraverso l’oceano — e il processo darwiniano, per costruzione, non fa salti coordinati. I dati empirici di Axe mostrano che la struttura dello spazio proteico è precisamente ad arcipelago, non a collina. La conclusione è forzata: il meccanismo darwiniano può ottimizzare all’interno di un’isola — e infatti osserviamo microevoluzione adattativa ovunque — ma non può costruire nuove isole né saltare da una all’altra.
10. I limiti dell’argomento: cosa l’ID afferma e cosa no
I ricercatori dell’ID non negano che l’evoluzione darwiniana avvenga né che produca risultati reali. Riconoscono la Selezione naturale come meccanismo reale, la resistenza agli antibiotici, i becchi dei fringuelli, gli adattamenti locali.
Ciò che negano è che il meccanismo sia sufficiente a spiegare l’origine di nuova informazione biologica complessa specificata al di sopra di certe soglie probabilistiche. Il limite si applica alla macroevoluzione creatrice — nuovi piani corporei, nuove famiglie di proteine, nuovi sistemi molecolari integrati. Non si applica alla microevoluzione adattativa all’interno di un dato piano corporeo.
Questa distinzione è cruciale. I critici dell’ID confutano spesso le sue tesi mostrando esempi di microevoluzione. Questi esempi non toccano l’argomento centrale, che riguarda l’origine de novo di informazione complessa specificata — non la variazione o degradazione di informazione già esistente.
Vale la pena articolare la distinzione con maggiore precisione, perché è fonte di malintesi ricorrenti. Autori come Meyer, Axe e Behe tracciano un confine netto tra ciò che i processi darwiniani possono fare e ciò che non possono fare. Il darwinismo opera microevoluzione adattativa: ottimizza funzioni preesistenti, seleziona varianti entro popolazioni, modula fenotipi in risposta a pressioni ambientali. Il tutto entro i confini di un’isola di funzionalità già esistente nello spazio delle sequenze. Esempi reali e ben documentati sono il classico melanismo della falena Biston betularia, la resistenza agli antibiotici in E. coli, le variazioni del becco dei fringuelli di Darwin alle Galápagos, la diversità delle razze canine ottenute per allevamento selettivo. Tutti questi processi sono reali e nessun autore ID li contesta. Ma tutti operano all’interno di un repertorio informativo preesistente: modulano l’espressione di geni già presenti, selezionano alleli già disponibili, rompono o disattivano funzioni esistenti per adattarsi a un nuovo ambiente. Come Behe documenta in Darwin Devolves (v. Modulo 4), la maggior parte di questi adattamenti microevolutivi avviene per degradazione funzionale — non per costruzione.
La macroevoluzione creatrice, invece, è un’operazione qualitativamente diversa: richiede la costruzione di nuovi piani corporei, di nuove famiglie di proteine funzionali, di nuovi sistemi molecolari integrati — cioè l’origine di sequenze che non esistevano prima nello spazio informativo dell’organismo. È qui, e solo qui, che gli autori ID sostengono l’insufficienza del meccanismo darwiniano. La differenza non è di grado ma di natura: un conto è ottimizzare una proteina già funzionale, un altro è attraversare l’oceano tra due isole funzionali per costruire una nuova famiglia proteica. Questa distinzione spiega anche perché gli esempi di microevoluzione frequentemente citati dai critici non siano pertinenti al dibattito: non toccano la tesi centrale che è sotto discussione.
Un caso particolare merita attenzione: l’esperimento a lungo termine su E. coli di Richard Lenski presso la Michigan State University — il famoso LTEE, che ha seguito per oltre 70.000 generazioni l’evoluzione di dodici popolazioni di batteri. Uno dei risultati più pubblicizzati è stata la comparsa, dopo circa 31.000 generazioni, della capacità di metabolizzare il citrato in condizioni aerobiche — una funzione che il ceppo ancestrale non possedeva. L’esperimento è stato presentato come prova della capacità creativa del meccanismo darwiniano. Ma l’analisi successiva ha chiarito che la novità era dovuta alla duplicazione e al riarrangiamento di geni già presenti nel genoma batterico, non all’origine de novo di nuove proteine. Il risultato è notevole, ma resta all’interno dello spazio informativo preesistente di E. coli: è microevoluzione, non macroevoluzione. Esempi di questo tipo non invalidano l’argomento dell’informatica evolutiva; lo confermano per contrasto.
11. La risposta all’obiezione del bersaglio mobile
Un’obiezione sofisticata — e che merita risposta onesta — è che la Selezione naturale non ha un obiettivo fisso predefinito, a differenza dei simulatori. Forse il NFL non si applica a questa ricerca «senza bersaglio»?
La risposta opera su due livelli. Il primo è tecnico: il NFL si applica anche agli algoritmi senza bersaglio fisso. Ciò che conta è la struttura del paesaggio di fitness. Se il paesaggio ha la struttura di isole isolate, la Selezione non può fare meglio della ricerca casuale nel tentativo di attraversare l’oceano tra le isole.
Il secondo è biologico: gli organismi complessi richiedono sistemi altamente integrati — come le reti dGRN — che non producono vantaggi selettivi fino a che non sono sufficientemente completi. Una Selezione che opera solo su vantaggi immediati non può guidare la costruzione di questi sistemi. I simulatori che ci riescono lo fanno inserendo surrettiziamente teleologia — il che è palesemente un atto intelligente, non cieco.
L’argomento biologico merita un’espansione, perché le reti regolatrici di sviluppo — developmental Gene Regulatory Networks, o dGRN — costituiscono oggi uno degli ostacoli più seri al gradualismo darwiniano, e la ricerca che le riguarda è relativamente recente. Eric Davidson, biologo molecolare del California Institute of Technology scomparso nel 2015, ha dedicato decenni allo studio di come gli embrioni di animali come il riccio di mare trasformino l’informazione genetica in struttura corporea. Il suo lavoro, consolidato nei libri Genomic Regulatory Systems (2001) e The Regulatory Genome (2006), ha rivelato un’architettura di una complessità prima inimmaginabile. Il piano corporeo di un animale non è specificato dai geni singoli: è specificato da reti di regolazione — insiemi di geni regolatori interconnessi in circuiti logici che controllano quando, dove e con quale intensità altri geni vengono attivati nello sviluppo embrionale. Queste reti sono organizzate gerarchicamente, con un nucleo centrale (chiamato kernel) che definisce l’identità del piano corporeo, e con strati periferici che differenziano tessuti e organi.
Il punto critico per il dibattito evolutivo è stato documentato in un paper di Davidson e Douglas Erwin pubblicato nei Proceedings of the National Academy of Sciences nel 2008-2009. Davidson ed Erwin hanno mostrato che il kernel delle dGRN è altamente integrato: i geni regolatori al cuore della rete sono collegati in modo che una mutazione in uno qualsiasi di essi produce effetti a cascata sull’intero sistema. Il risultato pratico, come osservato empiricamente, è che mutazioni nei geni kernel non producono nuovi piani corporei, ma producono invariabilmente difetti catastrofici dello sviluppo — embrioni malformati o letali. Il kernel è, in termini sistemici, refrattario al cambiamento: non tollera mutazioni incrementali. Stephen Meyer ha integrato questa osservazione nel suo libro Darwin’s Doubt (2013), dedicato all’esplosione cambriana. Il problema è diretto: se la comparsa improvvisa dei maggiori piani corporei animali nell’esplosione cambriana richiedeva la costruzione di nuove reti regolatrici di sviluppo, e se il nucleo di queste reti è mutazionalmente refrattario, allora il meccanismo darwiniano standard non può costruirle gradualmente. Ogni piccola mutazione nel kernel rompe il sistema prima che possa emergere una funzione nuova. È un argomento empirico di peso, che rafforza il punto generale: i sistemi biologici complessi sono fragili rispetto al cambiamento incrementale — proprio come le proteine lo sono rispetto alle mutazioni, secondo i dati di Tawfik visti nel Modulo 4.
Lo stesso principio vale per la complessità irriducibile di sistemi integrati più piccoli ma ugualmente significativi, come il flagello batterico descritto da Behe in La scatola nera di Darwin. Il flagello è una macchina molecolare costituita da circa quaranta proteine distinte che cooperano in un’architettura funzionale — motore rotante, statori, asta, gancio, filamento — dove la rimozione di una sola parte distrugge l’intera funzione. Un sistema del genere non può emergere gradualmente per selezione darwiniana, perché ogni stato intermedio privo anche di una sola delle quaranta proteine non conferisce alcun vantaggio selettivo, ma solo un costo energetico. La selezione naturale, che opera su vantaggi immediati, non può preservare intermedi non funzionali in vista di un obiettivo completo lontano nel tempo. Questa struttura — sistemi integrati che richiedono la presenza simultanea di molte parti per funzionare — è l’equivalente biologico di una ricerca in uno spazio con paesaggio a isole. La selezione può ottimizzare il flagello una volta che esista, ma non può costruirlo da zero per via graduale. I simulatori che «riescono» a costruire sistemi analoghi lo fanno inserendo scale di ricompense intermedie — come abbiamo visto in Avida, con la scala NOT → NAND → AND → OR → EQU — e queste ricompense intermedie sono pure teleologia programmata, non cecità darwiniana. Il teorema NFL, combinato con la struttura a isole dello spazio delle sequenze e con l’integrazione irriducibile dei sistemi biologici, chiude la tenaglia analitica: il darwinismo non può essere il motore dell’innovazione macroevolutiva.
12. La Legge di Conservazione e la causa prima: una deduzione, non un dogma
Raccogliamo i fili dell’intera analisi.
Il teorema NFL e la Legge di Conservazione dell’Informazione stabiliscono un principio generale: i processi materiali non possono generare informazione complessa specificata dal nulla. Il problema della ricerca della ricerca dimostra che spostare il problema a livelli superiori non lo risolve. Se questo vale per i simulatori — e la dimostrazione matematica è rigorosa — vale anche per i processi biologici reali.
La domanda che rimane aperta è: da dove viene l’informazione originaria? La Legge di Conservazione stabilisce che non può venire da processi materiali. La matematica dello spazio delle sequenze stabilisce che non può venire dal caso. La logica dell’argomento prebiotico stabilisce che non può venire dalla Selezione naturale senza circolarità. Nella nostra esperienza causale uniforme, l’informazione complessa specificata ha una sola origine conosciuta: la mente intelligente.
In coerenza con la posizione editoriale di questo sito, questa è una deduzione logica e filosofica basata su evidenze empiriche e risultati matematici, non un argomento teologico. Non identifica chi sia il progettista né sostiene dottrine religiose. Il progettista postulato resta un’entità non osservabile con i metodi della scienza sperimentale — un limite reale dell’ID che va riconosciuto con la stessa onestà con cui si riconosce che il naturalismo — l’assunzione che solo cause non guidate possano essere invocate — è una posizione filosofica adottata prima dell’indagine, non una conclusione che emerge dai dati.
Ogni sistema informativo complesso e specificato che nella storia umana abbiamo analizzato e compreso — dai geroglifici egizi ai software, dai codici crittografici ai segnali di controllo delle reti neurali artificiali — ha sempre avuto come causa un agente intelligente. La biologia molecolare ha rivelato che il DNA è un sistema informativo di questa categoria, con una complessità specificata che supera di molti ordini di grandezza tutto ciò che l’ingegneria umana ha finora prodotto. La causa intelligente è, per la logica dell’inferenza alla miglior spiegazione, la migliore risposta disponibile
Prossimo Modulo
Nel Modulo 6 — Il progetto ENCODE e la rivoluzione del genoma — lasceremo la teoria per i dati sperimentali. Per decenni si è ritenuto che oltre il 90% del genoma umano fosse DNA «spazzatura», residuo inerte di una storia evolutiva cieca. I risultati del consorzio ENCODE hanno rovesciato quell’immagine, e con essa una delle previsioni più citate a favore dell’evoluzione non guidata. Vedremo che cosa hanno mostrato davvero quei dati, quali critiche hanno ricevuto e che cosa se ne può concludere onestamente.
Per approfondire
- La complessità specificata — la misura dell’informazione presupposta dall’argomento.
- L’enigma dell’origine dell’informazione biologica — il problema che gli algoritmi dovrebbero risolvere.
- Le obiezioni principali all’ID sull’informazione biologica — le critiche a questo argomento.
- La Prima Regola dell’Evoluzione Adattativa — lo stesso limite osservato sugli organismi reali.
- La genetica delle popolazioni e le barriere matematiche — i numeri della ricerca cieca in natura.
Riferimenti
Axe, D. (2016). Undeniable: How Biology Confirms Our Intuition That Life Is Designed. HarperOne.
Axe, D. D. (2004). “Estimating the Prevalence of Protein Sequences Adopting Functional Enzyme Folds.” Journal of Molecular Biology, 341(5), 1295–1315. DOI: 10.1016/j.jmb.2004.06.058.
Behe, M. J. (1996). Darwin’s Black Box: The Biochemical Challenge to Evolution. Free Press.
Chaitin, G. (2012). Proving Darwin: Making Biology Mathematical. Pantheon Books.
Davidson, E. H., e Erwin, D. H. (2006). “Gene Regulatory Networks and the Evolution of Animal Body Plans.” Science, 311(5762), 796–800. DOI: 10.1126/science.1113832.
Dawkins, R. (1986). The Blind Watchmaker. W. W. Norton & Company.
Dembski, W. A. (2002). No Free Lunch: Why Specified Complexity Cannot Be Purchased without Intelligence. Rowman & Littlefield.
Dembski, W. A., e Marks, R. J. II (2009). “Conservation of Information in Search: Measuring the Cost of Success.” IEEE Transactions on Systems, Man, and Cybernetics, 39(5), 1051–1061. DOI: 10.1109/TSMCA.2009.2025027.
Dembski, W. A., e Marks, R. J. II (2010). “The Search for a Search: Measuring the Information Cost of Higher Level Search.” Journal of Advanced Computational Intelligence and Intelligent Informatics, 14(5), 475–486.
Ewert, W., Dembski, W. A., e Marks, R. J. II (2009). “Evolutionary Synthesis of Nand Logic: Dissecting a Digital Organism.” Proceedings of the 2009 IEEE International Conference on Systems, Man, and Cybernetics, 3047–3053. DOI: 10.1109/ICSMC.2009.5346816.
Holland, J. H. (1975). Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence. University of Michigan Press.
Lenski, R. E., Ofria, C., Pennock, R. T., e Adami, C. (2003). “The Evolutionary Origin of Complex Features.” Nature, 423, 139–144. DOI: 10.1038/nature01568.
Marks, R. J. II, Dembski, W. A., e Ewert, W. (2017). Introduction to Evolutionary Informatics. World Scientific.
Meyer, S. C. (2009). Signature in the Cell: DNA and the Evidence for Intelligent Design. HarperOne.
Meyer, S. C. (2013). Darwin’s Doubt: The Explosive Origin of Animal Life and the Case for Intelligent Design. HarperOne.
Meyer, S. C. (2021). Return of the God Hypothesis: Three Scientific Discoveries That Reveal the Mind Behind the Universe. HarperOne.
Nagel, T. (2012). Mind and Cosmos: Why the Materialist Neo-Darwinian Conception of Nature Is Almost Certainly False. Oxford University Press.
Schneider, T. D. (2000). “Evolution of Biological Information.” Nucleic Acids Research, 28(14), 2794–2799. DOI: 10.1093/nar/28.14.2794.
Turing, A. M. (1936). “On Computable Numbers, with an Application to the Entscheidungsproblem.” Proceedings of the London Mathematical Society, 42(1), 230–265.
Turing, A. M. (1952). “The Chemical Basis of Morphogenesis.” Philosophical Transactions of the Royal Society of London, Series B, 237(641), 37–72.
Wilf, H. S., e Ewens, W. J. (2010). “There’s Plenty of Time for Evolution.” Proceedings of the National Academy of Sciences, 107(52), 22454–22456. DOI: 10.1073/pnas.1016207107.
Wolpert, D. H., e Macready, W. G. (1997). “No Free Lunch Theorems for Optimization.” IEEE Transactions on Evolutionary Computation, 1(1), 67–82. DOI: 10.1109/4235.585893. 67–82. DOI: 10.1109/4235.585893.
