• Tweet

Modul în care protistul în formă de trompetă Stentor roeseli (foto) își poate modifica sistematic răspunsurile comportamentale la stimuli repetitivi - escaladând printr-o ierarhie de strategii de evitare, ca și cum și-ar „schimba părerea" - în ciuda faptului că nu are neuroni, sinapse și creier este de-a dreptul fasinant.

Organismele unicelulare, de la mucegaiurile Physarum până la bacterii, demonstrează comportamente autentice asemănătoare memoriei și susțin ideea că capacitățile cognitive nu sunt inovații evolutive târzii exclusive sistemelor nervoase complexe, ci mai degrabă proprietăți fundamentale, fără scară, ale organizării biologice - proprietăți care ar putea avea rădăcini în procesele cuantice subcelulare și în arhitectura spațiu-timpului însuși.

Poate că cel mai frapant progres recent vine de la grupul lui Sam Gershman de la Harvard. Într-o preimprimare publicată în februarie 2026, Gershman și colegii săi raportează ceva ce ar fi părut extraordinar cu doar câțiva ani în urmă: învățarea asociativă - condiționarea pavloviană - la ciliatul unicelular Stentor coeruleus.

Celulele Stentor se ancorează într-o cutie Petri și se contractă rapid într-o bilă atunci când sunt deranjate de o stimulare mecanică - un răspuns defensiv care le costă timp de hrănire. Cercetătorii au introdus o atingere slabă (care, singură, rareori declanșa contracția) asociată cu o secundă înainte de o atingere mai puternică (care o făcea în mod fiabil). După asocieri repetate, celulele au început să arate răspunsuri de contracție îmbunătățite doar la atingerea slabă. Experimentele de control au exclus explicațiile neasociative, precum sensibilizarea sau excitația, iar manipularea parametrică a sincronizării a relevat o dependență sistematică a învățării atât de intervalele dintre încercări, cât și de cele dintre stimuli.

Cu alte cuvinte, un organism unicelular - fără niciun sistem nervos - învăța să prevadă că un stimul slab semnala unul mai puternic iminent și își adapta comportamentul în consecință. Aceasta este condiționarea pavloviană, aceeași formă fundamentală de învățare asociativă pe care Pavlov a demonstrat-o cu câinii săi, funcționând într-o singură celulă de aproximativ 2 milimetri lungime. Cercetătorii concluzionează că această capacitate sugerează o origine evolutivă străveche a învățării asociative, una care a precedat apariția sistemelor nervoase multicelulare cu sute de milioane de ani.

Această descoperire se potrivește perfect cu lucrările computationale ale grupului lui Michael Levin de la Allen Discovery Center de la Universitatea Tufts. Așa cum am discutat într-o analiză recentă, echipa lui Levin (Pigozzi, Goldstein & Levin, 2025) a modelat 29 de rețele biologice de reglare genică (GRN) și le-a supus unui protocol de condiționare asociativă în stil pavlovian - practic „antrenând" aceste rețele de decizie la nivel molecular să răspundă la stimuli pereche. Rezultatele, publicate în Communications Biology, au fost remarcabile: rețelele condiționate cu succes au prezentat o emergență cauzală integrativă crescută (măsurată ca un Φ mai mare), ceea ce înseamnă că au devenit mai unificate și mai coerente în structura lor cauzală după învățare.

Implicația este profundă. Învățarea nu schimbă doar maparea intrare-ieșire a unui sistem - ci crește gradul în care sistemul funcționează ca un întreg integrat și emergent. Antrenamentul transformă o colecție de componente moleculare în ceva care seamănă mai mult cu un agent coerent. În lucrările ulterioare, echipa a explorat modul în care IA ar putea fi utilizată pentru a „reseta" comportamentele învățate în modelele GRN, dezvăluind o dinamică de „clichet al inteligenței" în care unele răspunsuri dobândite devin din ce în ce mai greu de șters - sistemul rezistă revenirii la starea sa de dinainte de învățare.

Aceste rezultate susțin un cadru pe care l-am elaborat în Criteriul Agentului Volitiv (VAC): că agenția și cogniția nu sunt adaosuri mistice care apar doar după evoluția creierului, ci proprietăți fără scară ale sistemelor complexe suficient de organizate - sisteme care pot integra informații, stoca starea învățată și exercita un control cauzal coerent asupra comportamentului lor viitor.

Cadrul VAC este profund complementar cu TAME (Technological Approach to Mind Everywhere) al lui Michael Levin. În timp ce TAME oferă scheletul teoretic pentru a explica de ce ar trebui să recunoaștem orientarea către obiective la toate nivelurile - argumentând că terminologia mentalistă, atunci când este aplicată cu rigoare empirică și fecunditate, este productivă din punct de vedere științific - VAC oferă criteriile operaționale pentru a identifica și măsura efectiv dacă un sistem se califică drept agent volitiv. TAME vă spune să căutați agenția; VAC vă spune cum să o detectați.

Criteriul agentului volitiv stabilește patru dimensiuni verificabile pentru evaluarea capacității de acțiune:

• Integrarea informațiilor: Poate sistemul să primească, să proceseze și să rețină informații din mediul său înconjurător într-un mod care să-i influențeze starea internă? Acest lucru depășește simpla reacție - presupune ca datele de intrare să fie sintetizate într-o reprezentare coerentă care să persiste dincolo de stimulul în sine.
• Stocarea stărilor învățate: Se schimbă comportamentul sistemului pe baza experienței într-un mod care persistă în timp? Nu este vorba de evoluție genetică sau degradare pasivă, ci de modificarea activă a tiparelor de răspuns pe baza feedback-ului - semnul distinctiv al memoriei la orice scară.
• Control cauzal coerent: Poate sistemul să exercite o influență orientată spre obiective asupra stărilor sale viitoare? Demonstrează acesta corectarea erorilor, reglarea homeostatică sau rezolvarea problemelor care ajustează mijloacele pentru a atinge scopuri consecvente în condiții variabile?
• Capacitate volitivă: Demonstrează sistemul agenție - abilitatea de a alege dintre strategii alternative pentru a atinge obiectivele? Acesta este nivelul cel mai înalt: nu doar a răspunde sau a învăța, ci a manifesta flexibilitate în modul în care sunt urmărite obiectivele.

Aceste criterii operaționalizează conceptele mai abstracte ale TAME. Când Levin vorbește despre „agenți" și „obiective", VAC oferă lista de verificare empirică. Când TAME pledează pentru fecunditatea limbajului cognitiv, VAC specifică ce rezultate experimentale ar justifica acel limbaj. Împreună, ele creează o metodologie în două părți: TAME stabilește legitimitatea teoretică a atribuirii cogniției sistemelor non-neuronale; VAC oferă cadrul de măsurare pentru a face acest lucru în mod riguros.

Ceea ce grupul lui Levin a demonstrat din punct de vedere computațional în rețelele de reglare genetică și ceea ce grupul lui Gershman a demonstrat acum empiric în organismul viu Stentor este că aceste criterii VAC sunt îndeplinite la nivel molecular și unicelular. Aceste sisteme integrează informații (feedback-ul senzorial modulează starea internă), stochează stări învățate (condiționarea produce schimbări comportamentale persistente), exercită un control cauzal coerent (rezolvă probleme prin încercare și eroare) și, în cazul Stentor, demonstrează capacitate volitivă (alegerea dintre patru strategii comportamentale distincte în funcție de context).

În mod esențial, acestea nu sunt explicații mecaniciste reductive care dizolvă agenția în simplă chimie. Ele sunt măsurători ale unei emergențe autentice - apariția unor proprietăți cauzale de ordin superior care nu pot fi prezise doar din comportamentul componentelor. Creșterea lui Φ (informație integrată) observată în GRN-urile condiționate nu este o metaforă. Este o semnătură cantitativă a faptului că învățarea creează noi structuri cauzale la nivel de sistem. Cadrul VAC, asociat cu TAME, ne permite să recunoaștem și să măsurăm această emergență oriunde apare.

În acest context, realizările recente din domeniul bioinformaticii capătă o semnificație mai profundă decât sugerează titlurile din presă. La începutul lunii martie 2026, compania australiană de biotehnologie Cortical Labs a demonstrat că computerul lor biologic CL1 - aproximativ 200.000 de neuroni umani derivați din celule stem pluripotente induse, cultivați pe o matrice de microelectrozi de înaltă densitate - a învățat să joace clasicul joc de împușcături în prima persoană, Doom.

Aceasta se bazează pe lucrarea anterioară a companiei, DishBrain, publicată în Neuron în 2022, în care aproximativ 800.000 de neuroni au învățat să joace Pong. Această realizare anterioară a durat 18 luni. Etapa importantă reprezentată de Doom a fost atinsă cu un sfert din neuroni, în aproximativ o săptămână, datorită noii interfețe a CL1, care permite oricui să programeze neuroni biologici folosind Python. Un dezvoltator independent, Sean Cole, a realizat integrarea.

Trecerea de la Pong la Doom este semnificativă. Pong implică o relație senzorial-motorie directă, bidimensională: mingea se mișcă, paleta se mișcă. Doom este un mediu tridimensional cu explorare, inamici, luptă și luare de decizii în timp real. Informațiile vizuale ale jocului au trebuit să fie traduse în modele de stimulare electrică transmise culturii neuronale, iar modelele de activare ale neuronilor au fost decodificate înapoi în acțiuni din joc - mișcare, rotire și tragere.

După cum observă Brett Kagan, directorul științific al Cortical Labs, performanța seamănă cu cea a unui începător care nu a văzut niciodată un computer - ceea ce, să fim sinceri, neuronii nu au văzut. Dar ei dau dovadă de învățare adaptativă, orientată spre obiective: pot localiza inamici, trage și naviga pe coridoare, îmbunătățindu-se în timp printr-un proces de întărire bazat pe feedback. Celulele își reorganizează treptat activitatea ca răspuns la feedback structurat - o formă de învățare care exploatează tendința naturală a neuronilor către plasticitatea sinaptică, restructurând fizic conexiunile pentru a minimiza feedback-ul haotic și a dezvolta căi de răspuns coerente.