A类 20世纪60年代，随着太空探索的加速，科学家们面临着新的两难境地。 他们怎么能识别出其他行星上的生命，而这些行星上的生物可能进化得非常不同，因此具有与地球上不同的化学特征？ 盖亚理论之父詹姆斯·洛夫洛克给出了这样的建议：寻找秩序。 每一个生物体都是从混乱中短暂上升的结构，是一个自我组装的奇迹，必须小心翼翼地捍卫自己的秩序，直到死亡。 复杂的信息处理是维持和传承维持秩序规则所必需的，然而生命是由最混乱的材料构成的：翻滚的化学物质、软细胞和缠结的聚合物。 因此，生物系统中的信息不应该被乱七八糟地处理和浪费吗？ 事实上，许多生物计算都是如此完美，以至于它们碰到了效率的数学极限； 天才是我们的遗产。
DNA 从硬盘到量子全息，DNA以超过任何其他已知介质的单位体积密度存储信息。 它的密度如此之大，以至于世界上所有的数字数据都可以存储在一个DNA点上，这个DNA点的重量相当于八个回形针。 这种非凡的存储密度与同样出色的读取机制相结合。 发育中的胚胎必须根据DNA中存储的信息，自我引导其组成细胞的快速分裂、迁移和特化。 细胞彼此分化，以不同的方式生长，这取决于它们在胚胎中的位置。 这意味着精确控制基因表达在空间和时间上都是必要的。 即使是微小的错误也可能导致有机体死亡或畸形。
问题是，空间信息能够以多快和多有效的速度进行传播，以便发展得以适当展开？ 现代计算之父阿兰·图灵（Alan Turing）着迷于生命可以简化为数学定律的想法，并于20世纪50年代初解决了这个问题。 他预测，胚胎发育期间组织的空间模式可以通过称为形态原的化学信号物的浓度来控制。 他推导出的方程表明，激活和抑制彼此基因表达的形态素之间的相互作用可以建立形态素浓度的驻波，并控制胚胎模式。 只有四个变量——产生和降解速率、扩散速率和相互作用强度——图灵可以重现生物学上看似合理的自我导向模式形成。
几十年后，他在果蝇中首次发现了一种称为二倍体的形态素，这证明了他对信息管理化学系统的预测是正确的（尽管他的方程式太简单了）。 高二倍体浓度果蝇胚胎中的细胞成为果蝇的头部，低浓度的细胞成为其身体。 然而，值得注意的是这些细胞分化的速度和准确性。 2007年，普林斯顿大学生物物理学家托马斯·格雷戈领导的一个团队测量了果蝇胚胎中二倍体的浓度梯度和扩散率。 他们估计，胚胎细胞需要大约两个小时才能测量出形态原浓度，测量精度足以使相邻细胞不同程度地成熟（测量精度随着测量时间的增加而增加）。 但这几乎是果蝇从受精到细胞化的整个发育期。 胚胎的发育速度更快，也更精确。
格雷戈提出，多个细胞可以使用第二种信号化学物质相互共享信息：一种候选物质是一种称为驼背的形态发生素。 这将允许他们计算空间 平均的 而不是完全依赖单个读数。 平均过程将不太容易受到变化和噪声的影响，并且允许在大约三分钟而不是两小时内达到所需的图案精度。
这个过程不仅巧妙，而且高效。 为了找出效率如何，物理学家威廉·比亚莱克（William Bialek）利用核-核测量法对果蝇胚胎中的形态发生素进行了测量，以研究驼背浓度与二倍体浓度变化的关系。 他发现这种信息传递的保真度是理论最大值的90%。
作者凯利·克兰西的视频采访。
分形网络 当胚胎发育成成人时，它面临着新的信息处理挑战。 其机构必须学会如何采集和整合外部和内部信息。 气味分子发出捕食者的信号，促使啮齿动物逃跑。 夕阳引发褪黑激素释放，在全身产生连锁反应，导致睡眠。 体内化学感受器测量高二氧化碳水平，使运动员呼吸更快。 由不同传感器采集的显微测量信息必须进行整合，并用于作出宏观决策，从而有效地传回相关身体部位。
在这里，大自然也发现了一种最佳的解决方案，其细节可以从我们的解剖结构的形状中读出。 对生物学中数学关系的最早观察之一是，地球上每个生态系统中的几乎所有生物，从单细胞到多细胞，大小都超过20个数量级，其特征与生物体的质量成正比，包括心率、寿命、主动脉大小、树干大小、， 和代谢率。 这被称为异速缩放。
亿万年前，英特尔大厅里常见的一条经验法则被编入了我们的身体。
奇怪的是，这些特征与生物体质量之间的关系通常遵循幂律。 这意味着，例如，新陈代谢率取决于生物体的质量，提高到一定的恒功率。 更奇怪的是，大多数这些特性的常数是四分之一的倍数。 物理学家杰弗里·韦斯特（Geoffrey West）认为，这种缩放是由于生物体内普遍存在分形网络所致。 分形是在非常不同的空间尺度上具有相似结构的结构——一个常见的例子是叶子的脉管系统，其分支几何形状在叶子表面上以微型形式复制。 它们存在于各种令人眼花缭乱的系统中，包括我们的神经系统、血管、植物叶片中的毛细血管、肺细支气管、肾的花萼、神经元、根系和线粒体嵴。
为什么大自然如此频繁地使用分形几何？ 数学上，分形被解释为具有比其所在空间更高的分数维：例如，在二维纸上绘制的分形具有更高的维数，即2.1。 这是一个有用的功能，允许大自然将第四维度的某些部分压缩到三维空间中。
为了了解它为什么有用，我们可以求助于半导体行业中一个众所周知的结果，即波拉克法则。 它指出，通过向处理器中添加计算元素可以实现的加速与添加元素的数量成正比，增加到（1-1的幂/ D类 )，其中 D类 是处理器的排列尺寸。 比方说，100个处理器的三维布局将比同样的处理器的二维布局带来更大的提升，因为减少了信号延迟。 在我们的神经和循环系统中，使用 D类 大于三。 很久以前，英特尔大厅里常见的一条经验法则被编入我们的身体； 我们的生物传感器和连接它们的神经的分形排列是为了速度而设计的。
最强大脑 大脑代表着生物信息处理和传输的高度。 但多年来，它一直被认为是一种噪音很大的乐器。 神经元用称为尖峰的二元电事件来编码信息，就像微型电池一样相互冲击。 一旦一个神经元接收到足够的输入，其电压超过某个阈值，它就会依次出现峰值，向下游神经元发送信号。 根据脑电图（EEG）的测量，大脑1000亿个神经元总输出的波动远小于单个峰值的振幅，长期以来被认为是副现象：指向各种大脑状态的指针，但本身不是一个信息传递信号。 换句话说，噪音。
大脑中的缓慢振荡在很大的解剖距离上是一致的，就像你能从邻居的音响系统中听到比高音更好的低音一样。
然而，正如我们在基因表达方面所看到的，许多离散元素之间的相互作用可能非常有用。 越来越清楚的是，在脑电图中看到的所谓噪声实际上是一个重要的信号，对神经计算至关重要。 大脑神经元总输出量的波动会反馈，影响这些神经元的静息电位，使其接近或远离峰值阈值。 缓慢的振动（如睡意朦胧或熟睡的动物）在很大的解剖距离上是连贯的，就像你能从邻居的音响系统中听到比高音更好的低音一样。 这就是大脑如何促进不同大脑区域之间的交流：如果一个单独的峰值与缓慢振幅波动的峰值同时出现，那么它在下游的影响将大于与波谷同时出现的影响。 神经元正在以某种方式协调自己，以产生自我导向的全球反馈，从而自适应地增强甚至是亚可检测信号：没有信息信号被浪费。
事实上，“浪费”的概念能否在大脑的上下文中得到正确的定义，这是一个悬而未决的问题。 理论神经科学家托尼·贝尔（Tony Bell）认为，生物计算的特点是信息在复杂的多个层次上流动，从微观到宏观不断涌现，然后又回落。
较简单的结构（如神经元）与较复杂的结构（例如大脑区域）进行通信，反之亦然。 从分子到细胞再到整个有机体，每一个层面都在进行计算。 有大量证据表明，即使是神经元内的亚细胞隔室也在进行自己的计算。 最近，一项研究 1 发布于 自然 2013年10月的研究表明，树突（代表神经元“输入”的隔室）内的活动决定了该神经元处理的信息。 考虑到这种多层次的信息流，贝尔认为噪音根本无法定义：与预期的偏差应该被解释为在复杂性层次的另一个层次上进行有意义的交流。
这种信息流不仅限于大脑，也可以在表观遗传学中观察到。 贝尔说，这种动态的多向信息流定义了生命。 人工智能，当它到来时，可能不是由硅构成的，而是重新利用生物学。 然而，在我们到达那里之前，我们需要一种截然不同的科学方法，以了解自然界自组织结构的高阶、突发能力。 虽然仿生学有着令人难以置信的前景，但也许在如此刻苦地模仿系统的物理设计时，我们忽略了一点：形式在自然界是短暂的，为了满足特定利基中不断变化的需求而铸造。 首先，确定生物学对这些巧妙解决方案产生影响的规则，将引发真正的革命。
凯利·克兰西（Kelly Clancy）在麻省理工学院（MIT）学习物理，然后在土库曼斯坦和平队（Peace Corps）服役之前，曾做过几年的巡回天文学家。 她目前是美国国家科学基金会（National Science Foundation）研究员，在加州大学伯克利分校（UC Berkeley）学习神经科学。
参考
1.史密斯，S。， 等 树突状棘波增强皮层神经元的刺激选择性 体内试验。 自然 503 , 115-120 (2013).
获取Nautilus时事通讯 尖端科学，由最聪明的在世思想家揭开。
