Richard Dawkins:

‘The products of evolutionprocesses may give you  the illusion of a design and the illusion of a designer’

 

De volgende teksten die het gedrag van zelf regulerende systemen en emergent gedrag illustreren, zijn ontleend aan de sciencefiction roman “PROOI” van Michael Crichton ISBN 90-245-4801-2 (Luitingh Sijthoff)

 

1. Pagina. 61  Voorbeeld van een normale menselijke interpretatie van op het beeldscherm zichtbare gedragspatronen van zelfregulerende systemen (agents) in computer programma’s

 

“Wanneer je jarenlang met multi-agent systems hebt gewerkt, ga je na verloop van tijd het hele leven bekijken in de termen van zo’n programma.

 

In feite kun je een multi-agent omgeving zien als een soort schaakbord, met de agents als schaakstukken. De agents werken samen op het bord om een doel te bereiken, net zoals de schaakstukken worden verplaatst om het spel te winnen. Het verschil is alleen dat niemand de agents verplaatst. Dat doen ze zelf.

 

Als je de agents zo ontwikkelt dat ze een geheugen hebben, kunnen ze dingen te weten komen over hun omgeving. Ze herinneren zich waar ze op het schaakbord gestaan hebben) en wat daar gebeurd is. Ze kunnen terug naar bepaalde plekken en hebben bepaalde verwachtingen. Uiteindelijk zeggen programmeurs dat de agents bepaalde opvattingen hebben over hun omgeving, en dat ze handelen op basis van die opvattingen. Dat is natuurlijk niet letterlijk waar, maar het zou waar kunnen zijn. Het ziet er in ieder geval wel zo uit.

 

Maar het interessante is dat sommige agents na verloop van tijd misvattingen krijgen. Ze beginnen verkeerd te handelen, of dat nu komt door een motivatieconflict of om andere redenen. De omgeving is veranderd, maar dat lijken zij niet te merken. Ze herhalen patronen die intussen achterhaald zijn[1]. Hun gedrag is geen weerspiegeling meer van de realiteit van het schaakbord. H et lijkt wel of ze vastzitten in het verleden.

 

In evolutionaire programma’s worden dergelijke agents afgemaakt. Ze krijgen geen kinderen. In andere multi-agent programma’s worden ze gewoon voorbijgestreefd) aan de kant geduwd) terwijl de hoofdmassa van de agents verder gaat. Sommige programma's hebben een 'Magere Hein'-module die deze agents van tijd tot tijd uitselecteert en van het bord verwijdert.

 

Maar waar het om gaat is: ze zitten vast in hun eigen verleden. Soms vermannen ze zich en zien ze kans de draad weer op te pikken. Soms niet.

 

Dat soort gedachten bezorgde me een akelig gevoel…”

 

2. Pagina. 74 Voorbeelden gedistribueerde verwerking en neurale netwerken.

 

De afgelopen paar jaar had kunstmatig leven het idee van kunstmatige intelligentie verdrongen als lange termijndoel voor de informatica. Het idee was dat er programma's moesten worden geschreven met kenmerken van levende wezens - de mogelijkheid zich aan te passen) samen te werken, te leren) zich aan te passen aan veranderingen. Een groot aantal van die kwaliteiten was met name in de robotica van belang. en met gedistribueerde verwerking begon een deel hiervan haalbaar te worden.

 

Gedistribueerde verwerking betekende dat je het werk verdeelde over een aantal processoren, of over een netwerk van virtuele agents dat je in de computer kon aanleggen. Hiervoor bestonden een aantal methodes. Je kon bijvoorbeeld een grote populatie agents met beperkte mogelijkheden maken, die samenwerkten om een gemeenschappelijk doel te bereiken - net zoals een mierenkolonie samenwerkt om een doel te bereiken. Mijn eigen team had op dat gebied veel werk verzet. Maar je kon ook een zogeheten neuraal netwerk creëren, dat het netwerk van neuronen in het menselijk brein imiteerde. Het was gebleken dat zelfs simpele neurale netwerken verbazingwekkend goed werkten. Dergelijke netwerken konden dingen bijleren. Ze konden voortbouwen op eerdere ervaring. Ook op dat gebied hadden we enig werk verricht.

 

Een derde techniek was om virtuele genen te maken in de computer en deze in een virtuele wereld te laten evolueren totdat een bepaald doel was bereikt.

En er waren nog andere procedures. Allemaal samen vertegenwoordigden die procedures een enorme verandering ten opzichte van eerdere opvattingen over kunstmatige intelligentie. Voorheen probeerden programmeurs regels te schrijven die iedere situatie ondervingen. Ze probeerden hun computers bijvoorbeeld te leren dat mensen moesten betalen als ze iets in een winkel kochten. Maar dit soort normale logica bleek bijzonder moeilijk te programmeren. De computer maakte vergissingen. Dan werden er nieuwe regels toegevoegd om die vergissingen in de toekomst te voorkomen. Daarna volgden er meer fouten en meer regels. Uiteindelijk werden de programma's logge monsters met miljoenen regels code en begonnen ze te falen omdat ze te ingewikkeld werden. Ze waren zo groot dat het onmogelijk werd om de fouten er nog uit te halen. Je kon niet eens verzinnen waar die fouten vandaan kwamen.”

 

3. Pagina .75 Uitwerking van noodzaak tot bottom-up programmeren in complexe systemen.

 

Dus begon het erop te lijken dat kunstmatige intelligentie op regelbasis nooit een succes zou worden. Massa's mensen deden sombere voorspellingen over het einde van de kunstmatige intelligentie. De jaren tachtig waren een prettige periode voor Engelse hoogleraren die van mening waren dat computers nooit zouden kunnen tippen aan menselijke intelligentie.

 

Maar gedistribueerde netwerken van agents boden een compleet nieuwe benadering van het probleem. En ook de programmeerfilosofie was nieuw. De vroegere programmeerwijze op basis van regels werkte van boven naar beneden. Het hele systeem kreeg van bovenaf gedragsregels opgelegd.

 

Maar de nieuwe manier van programmeren verliep van onder naar boven. Het programma definieerde het gedrag van afzonderlijke agents op het laagste structurele niveau. Maar het gedrag van het systeem als geheel werd niet voorgeschreven. In plaats daarvan kwam er vanzelf een zeker soort gedrag van het systeem naar boven, het resultaat van honderden kleine interacties die op een lager niveau plaatsvonden.

 

Aangezien het systeem niet geprogrammeerd was, kon het tot verrassende resultaten leiden. Resultaten die de programmeurs onmogelijk hadden kunnen voorzien. Daarom leken ze ook zo ‘levensecht’. En daarom was dit zo'n belangrijke ontwikkeling, …..”

 

4. Pagina.82-83 Werken naar voorbeelden van emergent gedrag in natuurlijke systemen.

 

..een voorsprong toen programmeurs begonnen biologische systemen na te bootsen. Er waren zelfs programmeurs die heen en weer pendelden tussen computersimulaties en de studie van diergroepen in het wild~ zodat ze de lessen van de ene studie konden toepassen op de andere.

 

Maar verder had ik gewerkt met populatiebiologie, de studie van groepen levende organismen. En de computerwetenschap had zich ontwikkeld in de richting van netwerkstructuren die op enorme schaal parallel werkten: de programmering van populaties van intelligente agents. Er was een speciale manier van denken nodig voor het werken met agentpopulaties, en ik had een jarenlange training in die manier van denken achter de rug.

 

Ik was dus bijzonder geschikt voor de ontwikkeling op dit gebied) en ik maakte een schitterende carrière toen deze lijn zich voortzette. Ik was op het juiste moment op de juiste plek geweest.

 

Dat was waar.

Agent-based programma's die waren gebaseerd op biologische populaties werden steeds belangrijker in de echte wereld. Net als mijn eigen programma~s) die grote communicatienetwerken aanstuurden op de manier waarop mieren voedsel vergaren. Of programma's die de werkverdeling binnen een termietenkolonie nabootsen om de thermostaten in een wolkenkrabber te regelen. En nauw verwant daaraan waren de programma>s die genetische selectie simuleerden; die werden voor een groot aantal toepassingen gebruikt. In een van de programma's kregen getuigen van een misdaad negen gezichten te zien met de vraag welk gezicht het meest leek op dat van de misdadiger, ook al was het geen van die negen. Daarna liet het programma weer negen gezichten zien en moesten de getuigen nogmaals kiezen; en nadat dat een groot aantal malen gedaan was, genereerde het programma zelf langzaam een bijzonder accurate compositietekening van het gezicht, veel beter dan een politietekenaar ooit zou kunnen. De getuigen hoefden nooit te zeggen wat ze nu precies herkenden in een bepaald gezicht; ze maakten een keuze, en op basis daarvan werkte het programma verder.

 

En dan waren er de biotechnische bedrijven, die erachter waren dat ze er niet goed in slaagden om nieuwe eiwitten te maken omdat eiwitten rare vormen aannemen. Nu gebruikten ze dus genetische selectie om de nieuwe eiwitten te laten “evolueren” A1 die procedures waren de afgelopen paar jaar standaard geworden. En de programma’s konden steeds meer en werden steeds belangrijker.”

 

4.Pagina 89-90 Voorbeeld van problemen met besturing van zelfregulerende systemen.

 

“Het systeem van doel zoeken was ontregeld want we hadden geen systeem van beloningen opgegeven. Beloningen werden binnen het programma gegeven als een bepaalde taak goed verricht was; daarmee werd een bepaald soort gedrag gestimuleerd. Je had dat systeem nodig omdat de agents in het netwerk nieuwe dingen konden leren, zodat ze uiteraard ook kennis konden opdoen waardoor ze hun oorspronkelijke doel uit het oog verloren. Je moest op de een of andere manier dat doel vastleggen, zodat het niet verloren ging. Soms zou je programma's met agents haast beschouwen als kinderen: ze vergaten dingen, raakten dingen kwijt) lieten dingen vallen.

 

Het was allemaal emergent gedrag: niet als zodanig geprogrammeerd en dus ook niet voorspelbaar, maar in feite wel een resultaat van de manier waarop de software was geprogrammeerd.”

 

5. Pagina 127 Voorbeeld van illusies van leiderschap en intelligente communicatie bij zelfregulerende automatische systemen.

 

“Het werd al snel duidelijk dat we een probleem hadden met gedistribueerde intelligentie. Daar kon ik me alles bij voorstellen. De nanopartikels in de wolk moesten voorzien zijn van een soort rudimentaire intelligentie, zodat ze met elkaar konden communiceren om een zwerm te vormen die door de lucht cirkelde. Dit soort gecoördineerd gedrag ziet er misschien tamelijk intelligent uit, maar het kwam zelfs voor bij soorten waarvan de afzonderlijke individuen weinig intelligentie bezaten. Vogels en vissen konden het, en dat waren niet de slimste schepselen op aarde.

 

De meeste mensen die een zwerm vogels of een school vissen zagen) gingen ervan uit dat er een leider was en dat alle andere dieren die leider volgden. Dat kwam doordat mensen, zoals de meeste groepsdieren, groepsleiders hadden.”

 

Maar vogels en vissen hadden geen leiders. Hun groepen waren niet op die manier georganiseerd. Gedetailleerd onderzoek naar zwermgedrag”

 

6. Pagina128-129 Voorbeelden van illusies van leiderschap en intelligente communicatie onder kunstmatige en natuurlijke omstandigheden.

 

“- videoanalyse van vijfentwintig beeldjes per seconde - liet zien dat er in feite geen leider was. Vogels en vissen reageerden op een aantal eenvoudige stimuli binnen de groep, en die leidden tot gecoördineerd gedrag. Maar dat werd door niemand gestuurd. Er was geen leider. Niemand stond aan het hoofd.

 

En afzonderlijke vogels waren ook niet genetisch voorgeprogrammeerd voor zwermgedrag. Het zwermen zat niet ingebakken. Er was niets in het vogelbrein dat zei: Als zus of zo gebeurt, ga je zwermen. Integendeel, dit gedrag ontstond spontaan binnen de groep als gevolg van veel eenvoudiger, veel basalere regels. Regels in de trant van: Blijf dicht bij de vogels in je buurt, maar vlieg niet tegen ze aan. Op basis van die regels vormde de hele groep een keurige zwerm.

 

Omdat het zwermgedrag voortkwam uit basale regels) werd het emergent gedrag genoemd. De technische definitie van emergent gedrag was gedrag dat voorkwam in een groep maar niet in afzonderlijke groepsleden was in geprogrammeerd. Emergent gedrag kon optreden in iedere populatie waaronder computerpopulaties. Of robotpopulaties. Of een nano zwerm.

 

En dat probleem was emergent gedrag van de zwerm?' zei ik tegen Ricky.

 

'Precies.'

 

Dat was onvoorspelbaar?' Dat is mild uitgedrukt.’

 

In de afgelopen decennia had dit besef van emergent groepsgedrag bijna een revolutie veroorzaakt in de computerwetenschappen. Wat dit voor programmeurs betekende, was dat je gedragsregels kon voorschrijven voor afzonderlijke agents7 maar niet voor de samenwerkende agents.

 

Afzonderlijke agents - of dit nu programmeermodules waren, of processors, of zoals in dit geval werkelijke microrobots - konden worden geprogrammeerd om onder bepaalde omstandigheden samen te werken, terwijl ze elkaar onder andere omstandigheden zouden beconcurreren. Je kon ze een doel geven. Ze konden de instructie krijgen om uitsluitend dat doel na te streven en niets anders, of om beschikbaar te zijn om andere agents te helpen. Maar het resultaat van die interacties viel niet te programmeren. Dat ontstond gewoon) vaak met verrassende resultaten.

 

In zeker opzicht was dit absoluut fascinerend. Voor het eerst kon een computerprogramma resultaten opleveren die onmogelijk door de programmeur konden worden voorspeld. Die programma’s gedroegen zich eerder als levende organismen dan als door de mens geschapen automaten. Programmeurs vonden dat boeiend - maar tegelijkertijd frustrerend.

 

Want er viel geen peil te trekken op het emergente gedrag van een programma. Soms vochten de concurrerende agents tot het hele programma stillag zonder dat er enig resultaat geboekt was. Andere keren werkten de agents zo sterk op elkaar in dat ze hun doel uit het oog verloren en in plaats daarvan iets anders deden. In dat opzicht was het programma net een kind, onvoorspelbaar en gemakkelijk afgeleid. Zoals een programmeur het ooit zei: 'Een poging om gedistribueerde intelligentie te programmeren is niet veel anders dan wanneer je een vijfjarige opdraagt om naar zijn kamer te gaan en iets anders aan te trekken. Misschien zal hij dat doen, maar de kans is even groot dat hij iets anders gaat doen en voorlopig niet terugkomt.)

 

Omdat de programma's zich gedroegen alsof ze leefden, begonnen de programmeurs analogieën te ontdekken met het gedrag van levende organismen in de levende wereld. In feite begonnen ze het gedrag van levende organismen te modelleren als manier om enige greep te krijgen op de uitkomst van hun programmering.

 

Je had dus programmeurs die zich bezighielden met uitvliegende mieren, of met termietenbergen, of met zwermende bijen, om bijvoorbeeld programma's te kunnen schrijven voor de besturing van landingsschema~s voor vliegtuigen, of pakkettracering, of vertalingen. Deze programma's werkten vaak schitterend, maar er kon van alles misgaan, vooral als de omstandigheden drastisch veranderden. Dan zouden ze hun doel uit het oog verliezen.

 

Daarom was ik, vijf jaar geleden) begonnen met de studie van roofdier -prooirelaties als manier om het doel voor ogen te houden. Want een hongerig roofdier laat zich niet afleiden. Het kan door omstandigheden gedwongen worden om nieuwe jachtmethodes te bedenken) en misschien zijn er vele pogingen nodig voordat een roofdier slaagt in zijn opzet maar het doel blijft ongewijzigd.

 

Ik werd dus expert op het gebied van roofdier - prooirelaties. Ik kreeg verstand van groepen hyena's, van Afrikaanse jachthonden, van leeuwinnen die hun prooi besluipen en van aanvallende kolonies soldatenmieren. Mijn team had de literatuur van veldbiologen bestudeerd en de bevindingen hadden we gegeneraliseerd in een programmamodule die we PREDPREY noemden. Daarmee konden we ieder systeem van agents aansturen en van doelgericht gedrag voorzien. Zodat het programma op zoek zou gaan naar zijn doel.”

 

7. Pagina.145 Analyse van mogelijkheden voor het uit de hand lopen van een zelfregulerend systeem.

 

“Het was, bedacht ik, een probleem waarmee niemand zich ooit had beziggehouden. In al die jaren dat ik agents had geprogrammeerd hadden we ons steevast geconcentreerd op interactie die bruikbare resultaten opleverde. Het was nooit bij ons opgekomen dat er kwesties van bestuurbaarheid op een hoger niveau konden komen;  dat een zwerm zich onafhankelijk kon maken. Want dat kon gewoonweg niet. Afzonderlijke agents waren te klein om zelf aan energie te komen; die moesten ze uit een externe bron betrekken, bijvoorbeeld een aangeleverd elektromagnetisch of microgolfveld. Zodra je dat veld uitschakelde, gingen de agents dood. Een zwerm was niet moeilijker te bedienen dan een huishoudelijk apparaat als een mixer. Stekker eruit en de hele zaak hield op.”

 

8. Pagina 147. Voorbeelden van zwermgedrag (swarming)

 

'Zwermen was een term voor het gedrag van bepaalde groepsinsecten als mieren of bijen die zwermden wanneer de korf naar een nieuwe plek verhuisd werd. Een wolk bijen vliegt eerst de ene kant uit, dan de andere, en vormt een donkere rivier in de lucht. De zwerm kan pauzeren en zeg een uur lang in een boom blijven hangen, daar misschien overnachten voordat hij verder vliegt. En uiteindelijk beslissen ze waar de nieuwe locatie van de korf is, en houden op met zwermen.

 

De afgelopen jaren waren er programma~s geschreven die gebaseerd waren op dit gedrag van insecten. De algoritmen voor zwermintelligentie waren een belangrijke rol gaan spelen in computerprogramma.

 

Voor een programmeur betekende een zwerm een populatie van computer agents die samenwerkte om een probleem op te lossen middels gedistribueerde intelligentie. Zwermen was een populaire manier geworden om agents zo te organiseren dat ze samenwerkten. Er waren professionele organisaties en conferenties die zich uitsluitend bezighielden met programma's voor zwermintelligentie. De afgelopen tijd was dit een soort standaardoplossing geworden: als je niets anders kon verzinnen liet je je agents zwermen.”

 

9. Pagina. 151-152 Voorbeelden van verschijnselen als “hangen” en daar weer uitkomen, in geprogrammeerde systemen en bij natuurlijk (menselijk) gedrag.

 

“Dat was natuurlijk absurd. PREDPREY was een biologische analogie, meer niet. Terwijl ik naar de pulserende wolk keek, kwam de gedachte bij me op dat het programma misschien was blijven hangen, en dat daardoor dit gedrag veroorzaakt werd. Ik kon me niet exact herinneren wat voor regels we hadden geschreven voor afzonderlijke eenheden als het doel eenmaal bereikt was. Een echt roofdier zou uiteraard zijn prooi opeten, maar voor deze microrobots was geen analoog gedrag geschreven. Misschien bleef de wolk dus gewoon uit besluiteloosheid rondhangen. In dat geval moest hij binnenkort weer in beweging komen.

 

Meestal was het iets tijdelijks als een programma voor gedistribueerde intelligentie bleef hangen. Vroeg of laat zouden er voldoende eenheden onder invloed van willekeurige externe prikkels overgaan tot actie, waardoor ook de andere weer in beweging kwamen. Dan werd het programma opnieuw gestart en begonnen de eenheden weer met doel zoeken.

 

Dit gedrag was ruwweg wat je in een congreszaal zag na afloop van een lezing. Het publiek liep een tijdje rond, geeuwde wat) praatte met andere mensen) begroette vrienden, haalde jassen en tassen op. Slechts een paar mensen vertrokken met een en het merendeel van de aanwezigen negeerde de opstappers. Maar als er een bepaald percentage van het publiek weg was hielden de overige aanwezigen op met rondlopen en vertrokken ze korte tijd daarna. Het had iets te maken met groepsdynamiek.

 

Als ik gelijk had, moest ik weldra iets dergelijks te zien krijgen bij het gedrag van de wolk. Dan moesten de bewegingen minder gecoördineerd worden en zouden er rafels en pieken van partikels moeten opstijgen. En dan pas zou de wolk zelf in beweging komen.

 

Ik keek naar de klok in de hoek van het scherm. 'Hoe lang is dit nu gaande?'

 

'Een minuut of twee.’

 

Dat was niet bijzonder lang voor een programma dat bleef hangen dacht ik. Toen we PREDPREY aan het schrijven waren, hadden we de computer gebruikt om gecoördineerd agentgedrag te simuleren. Normaal gesproken startten we het programma nadat het was blijven hangen, maar uiteindelijk besloten we om gewoon eens te wachten om te kijken of het programma werkelijk permanent hing. We merkten dat het wel twaalf uur lang stil kon staan om dan plotseling weer in beweging te komen en aan de slag te gaan. Dat gedrag was bijzonder interessant gebleken voor de neurowetenschappers, ...”

 

10. Pagina 179-180  Voorbeeld van analogie met natuurlijke ontwikkelingsprocessen, met name leren. Verder een illustratie van de functie van selectiedruk d.w.z. de noodzaak tot overleven.

 

“Ik was er zo goed als zeker van dat het versnelde gedrag van de zwermen dat we gezien hadden, een functie was van een leerproces uit het verleden. Dit was een kenmerk van gedistribueerde systemen, en trouwens ook van evolutie; ook die kan beschouwd worden als een soort leren, als je het in die termen wilde uitdrukken. Hoe dan ook, het betekende dat een systeem een lange, trage beginperiode doormaakte en daarna steeds sneller bijleerde.

 

Die versnelling kon je ook zien in de evolutie van het leven op aarde. De eerste vorm van leven verschijnt vier miljard jaar geleden, als eencellige wezens. De daaropvolgende twee miljard jaar verandert er niets. Dan verschijnen er kernen in de cellen. Het gaat vooruit. En al een paar honderd miljoen jaar later komen de meercellige organismen. Weer een paar honderd miljoen jaar later vindt er een explosieve toename plaats van het aantal levensvormen. En meer diversiteit. Een paar honderd miljoen jaar nadien zijn er grote planten en dieren, complexe schepselen, dinosaurussen. Ve mens is een laatkomer: vier miljoen jaar geleden waren er rechtop lopende mensapen~ twee miljoen jaar later verschijnen de voorouders va de mens. Vijfendertig duizend jaar geleden ontstonden de grotschilderingen.

 

De ontwikkelingen verliepen dus steeds sneller. Als je de geschiedenis van het leven op aarde samenbalde in een etmaal, waren de meercellige organismen rond het middaguur ontstaan, dinosaurussen om elf uur 's avonds) de eerste mensen veertig seconden voor middernacht en de moderne mens nog geen seconde voor middernacht.

 

Het had twee miljard jaar geduurd voordat primitieve cellen een kern konden bevatten, de eerste stap in de richting van complexiteit. Maar het had slechts tweehonderd miljoen jaar geduurd - een tiende van die eerste periode - voordat er meercellige diertjes kwamen. En in slechts vier miljoen jaar waren we van mensapen met een klein brein en grove benen werktuigen overgegaan op de moderne mens en genetische manipulatie. Zo hard was die versnelling van de evolutie gegaan.

 

Dit patroon deed zich ook voor in het gedrag van computersystemen op basis van agents. Het duurde een hele tijd voordat de agents het grondwerk' hadden verricht en de eerste ontwikkelingen hadden doorgemaakt) maar als dat eenmaal gebeurd was) vond de verdere vooruitgang razendsnel plaats. Het grondwerk kon niet worden overgeslagen, net zoals een mens zijn kindertijd niet kan overslaan. Die eerste werkzaamheden moesten verricht worden.

 

Maar tegelijkertijd was het ook onmogelijk om die versnelling daarna tegen te houden. Die zat, zo gezegd ingebouwd in het systeem.

 

Door leerprocessen kon je de ontwikkelingen efficiënter maken) en ik wist zeker dat Julia's lessen een belangrijke rol hadden gespeeld bij het gedrag van de zwerm zoals we dat nu zagen. Simpelweg door middel van interactie had ze een zekere selectiedruk ingevoerd in een organisme met onvoorspelbaar emergent gedrag. Dat was verschrikkelijk dom.”

 

11. Pagina 202 Illustratie van een mogelijkheid tot versnelling van ontwikkelingen. In feite gebeurt dat door opeenstapeling van kleine productiefouten[2] in elke cyclus, gevolgd door selectie op succes.

 

“De mogelijkheid dat er zo snel nieuwe generaties ontstonden, betekende dat het evolutiemechanisme dat in de code was ingebouwd ook zeer snel vooruitging. Normaal gesproken duurt het vijfhonderd a vijfduizend generaties voordat een genetisch algoritme ~ dat gebaseerd is op reproductie om tot oplossingen te komen - de optimale vorm bereikte. Als deze zwermen zich om de drie uur vermenigvuldigden, betekende dat dat er de afgelopen twee weken al meer dan honderd generaties geweest waren. En na honderd generaties was het gedrag al heel wat intelligenter dan in het begin.”

 

12. Pagina 203 Voorbeeld van en argumentatie voor kuddegedrag (flocking).

 

”’Dan vormen we een kudde’, zei ik.

 

Charley barstte in cen schor gelach uit. Ja, ja. Dan vormen we een kudde en dan maar bidden!'

 

‘Ik meen het’ zei ik.

 

De afgelopen dertig jaar hadden wetenschappers de interactie bestudeerd tussen prooi en vele verschillende roofdieren: van leeuw tot hyena tot vechtmier. Daardoor was een veel beter begrip ontstaan van de manier waarop de prooi zich verdedigt. Dieren als zebra’s en kariboes leefden niet in kuddes omdat ze dat gezellig vonden maar omdat kuddevorming bescherming bood tegen roofdieren. Grote groepen betekenden grotere waakzaamheid. En een roofdier dat tot de aanval overging raakte vaak verward wanneer de kudde alle kanten uit vluchtte. Soms wist het dan letterlijk niet meer wat het doen moest. Wanneer je een roofdier te veel bewegende doelen laat ziens achtervolgt hij er meestal niet een…”

 

13. Pagina 204. Argumentatie voor de relatieve doeltreffendheid van kuddegedrag (flocking).

 

“ Datzelfde gold voor vluchten vogels en scholen vissen: dit soort gecoördineerde verplaatsingen van een groep maakte het voor roofdieren moeilijk om er een individu uit te pikken. Roofdieren vielen vaak een dier aan dat zich op de een of andere manier onderscheidde van de rest Dat was een van de redenen waarom kleine kinderen zo vaak werden aangevallen: niet omdat ze een gemakkelijker prooi waren, maar omdat ze er anders uitzagen. Om diezelfde reden werden er meer mannelijke dan vrouwelijke dieren gedood) want niet-dominante mannetjes bevonden zich vaak aan de rand van de kudde, waar ze meer opvielen.

 

Toen Hans Kruuk[3] dertig jaar geleden onderzoek deed naar het gedrag van hyena’s in de Serengeti woestijn, ontdekte hij dat een dier met een lik verf op zijn rug[4] bij de eerstvolgende aanval gegarandeerd gedood werd. Zo sterk was de invloed van de afwijking van het normale patroon.

 

De boodschap was dus simpel. Samen blijven. Hetzelfde doen. Dan maakten we de beste kans.”

 

14. Pagina.211 Extreem voorbeeld van kuddegedrag, flocking.

 

“Het is dat we zo bang waren) anders hadden we ons belachelijk gevoeld. Dicht op elkaar schuifelden we heen en weer door het vertrek. We probeerden onze bewegingen te coördineren. We probeerden een vlucht vogels na te doen. Mijn hart bonsde in mijn borstkas. Ik hoorde een brullend geluid in mijn oren. Het viel niet mee om ons op onze passen te concentreren. We begonnen wat onbeholpen, maar al gauw werden we beter. Als we bij een muur kwamen) draaiden we ons allemaal tegelijk om. Ik begon met mijn armen te zwaaien en bij iedere stap in mijn handen te klappen. De anderen deden me na. Daardoor werd onze coördinatie beter. En stuk voor stuk vochten we om onze doodsangst de baas te blijven.”

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 



[1] Dit verschijnsel heet “hangen”. Komt ook voor in biologische systemen. Vergelijk Skinner’s  voorbeeld van de bijgelovige duiven. Toen beloningen volkomen willekeurig werden gegeven nadat de duiven eerst het bestaan van een relatie tussen hun  gedrag (knopje aanpikken) en een beloning hadden aangeleerd, begonnen ze merkwaardig gedrag te vertonen. Omdat ze hun kopje een paar keer gedraaid hadden voordat er toevallig een beloning kwam, benaderden ze nu het knopje bij het voerbakje steeds met een gedraaid kopje.

[2]  Een aandachtspunt in elke organisatie is het voorkomen van fouten. Want: teveel fouten betekent snel  het einde van de onderneming. Maar bij het zeer strak organiseren van productie en management, waarbij alle fouten worden voorkomen, verdwijnt ook het aanpassingsvermogen en de creativiteit. Dat bedreigt het voortbestaan van de onderneming op langere termijn. Een balans tussen: geen fouten toestaan, tegenover enige ruimte voor fouten laten, is essentieel maar vaak ook zeer precair.

[3] Kruuk is o.a. de biograaf van de Nobelprijs winnaar –  etholoog   Nico Tinbergen .  Collega van Richard Dawkins.

[4] Zoals vrijwel iedereen heeft ondervonden:  profileren is gevaarlijk. Zeker  in organisaties.


U kunt reacties, vragen en tips over resultaatgericht werken en resultaatgerichte aansturing toezenden naar: Wim van Osch


Laatst bijgewerkt: 1 oktober 2009
Terug naar de home page van Li Po.
Terug naar Li Po web.
Terug naar Li Po web op de castelserver.