Srovnání zpracování informací: rostliny, lidský mozek a umělé neuronové sítě

OpenTechLab Jablonec nad Nisou s. r. o.
IČ: 08111693
Michal SeidlJablonec nad Nisou, 10. 7. 2025

Úvod

Organismy i umělé systémy řeší složité úlohy zpracování informací pomocí sítí vzájemně propojených jednotek. Cílem této studie je porovnat matematické principy a algoritmy zpracování informací ve třech odlišných systémech – u rostlin, v lidském mozku a v umělých neuronových sítích (AI). Vycházíme zejména z poznatků o distribuovaném zpracování u rostlin podle článku Bassel (2018)[1][2] a dalších zdrojů, a porovnáme je s principy rozhodování a učení v biologickém mozku a algoritmech strojového učení. Studie zdůrazňuje klíčové podobnosti i rozdíly těchto tří systémů a diskutuje možnosti matematického modelování rostlinného zpracování informací inspirovaného neuronovými sítěmi.

Distribuované zpracování informací u rostlin

Rostliny nemají centrální nervovou soustavu, ale přesto přijímají, vyhodnocují a reagují na informace z okolí. Rostlinné orgány lze považovat za distribuované výpočetní systémy – jednotlivé buňky v nich fungují jako procesory s geneticky naprogramovanými instrukcemi a jsou propojené přes sdílené buněčné stěny[1]. Výstupem zpracování na úrovni buňky jsou signální molekuly (např. ionty, hormony, peptidy, mRNA, miRNA, proteiny), které představují mobilní nositele informace v systému[1][2]. Tyto signály se přenášejí mezi buňkami buď přímo cytoplazmatickými kanály zvanými plazmodesmy, pomocí specializovaných membránových transportérů, nebo difuzí apoplastem (mezibuněčný prostor)[2]. Díky tomu se může lokální výsledek každé buňky šířit k sousedům a být agregován do globální odpovědi rostlinného orgánu, například spuštění určitého vývojového procesu jako výstupu kolektivního rozhodnutí buněk[2].

Distribuovaná architektura poskytuje rostlinám několik výhod. Umožňuje robustnost: celek může správně fungovat i při selhání nebo poškození jednotlivých buněk, protože jiné buňky mohou jejich funkci zastoupit[3]. Dále zvyšuje výpočetní kapacitu – propojením mnoha podobných buněčných procesorů lze dosáhnout složitějších operací bez potřeby vývoje nových specializovaných buněk[4][5]. Systém je také adaptabilní: změnou rychlosti komunikace mezi buňkami nebo úpravou propojení (např. otevíráním či uzavíráním spojů mezi buňkami) mohou rostliny konfigurovat své výpočetní obvody podle potřeby[6]. Výzkumy ukazují, že rostliny dokonce dynamicky přepojují propojení buněk – např. v růstových vrcholech (meristémech) se pod vlivem sezónních signálů otevírají či uzavírají plazmodesmy, čímž se buňky dělí do izolovaných "domén" nebo se naopak propojují do jedné sítě[7][8]. Tento jev byl pozorován u břízy, kde v zimě meristém tvoří fragmentovanou soustavu malých izolovaných skupin buněk, zatímco v létě (během aktivního růstu) jsou buňky plně propojené[9]. Reorganizace topologie buněčných spojů tak umožňuje tentýž fyzický orgán přepnout mezi různými stavy výpočetní sítě – analogicky jako rekonfigurovatelné hardwarové obvody FPGA, které změnou propojení mezi logickými bloky mění prováděný výpočet[8][10].

Reprezentace informace a rozhodování v rostlinách

Informace v rostlinách je zakódována v koncentracích a přítomnosti signálních molekul a ve stavech jednotlivých buněk. Například rostliny často využívají binární nebo prahové kódování: určitý buněčný stav je buď plně aktivován, nebo ne. Studium vernalizace (jarovizace) u huseníčku odhalilo, že buňky reagující na dlouhodobé chladno nesnižují plynule exprese genu FLOWERING LOCUS C (FLC), ale každá buňka buď zcela vypne FLC, nebo ho ponechá aktivní – chlad je tedy digitálně registrován jako binární stav v jednotlivých buňkách[11]. Tyto binární informace je pak třeba na úrovni celého orgánu agregovat, aby rostlina mohla rozhodnout o přechodu k další fázi vývoje (např. zahájit kvetení). Předpokládá se, že rostliny řeší tuto agregaci pomocí algoritmu šíření zpráv a většinového hlasování: buňky si navzájem sdělují svůj stav a výsledné rozhodnutí nastane, jakmile kritický podíl buněk dosáhl určitého stavu[12]. Konkrétně u jarovizace model navrhuje, že když většina buněk v růstovém vrcholu vypnula FLC (tedy "pamatuje" zimu), aktivuje se kvetení[13][14]. Přesný biologický mechanismus takového "většinového hlasování" zatím není znám[15], ale analogie s výpočetními systémy naznačuje existenci dosud neodhalených distribuovaných algoritmů v rostlinách.

Rostliny integrují také více typů vstupů. Například semena musí vyhodnotit kombinace teplotních signálů, světla a dalších podnětů, aby se rozhodla, kdy ukončit dormanci a začít klíčit. U semen Arabidopsis řídí klíčení antagonistické hormony kyselina abscisová (ABA, udržuje spánek) a giberelin (GA, podporuje klíčení)[16]. Zjistilo se, že v klíčícím embryo-kořínku jsou reakce na ABA a GA prostorově odděleny: různé buňky citlivé na tyto hormony tvoří dvě vzájemně inhibující centra (ABA versus GA centrum), která si přes pohyb hormonů předávají signály[16][17]. Klíčení nastane teprve, když poměr GA/ABA překročí prahovou hodnotu – jde tedy o prahový rozhodovací mechanismus založený na poměru dvou signálů[16]. Toto uspořádání připomíná tzv. motif dvou negativně spřažených center známý i z jiných biologických systémů. Zajímavě stejný motiv dvou oddělených center s reciprokou inhibicí existuje v lidském mozku (okruh bazálních ganglií, mozečku a kůry), kde pomáhá filtrovat šum a zabránit předčasným akcím[17]. V rostlině tato separace center naopak umožňuje citlivěji reagovat na proměnlivé vstupy – bylo ukázáno, že prostorové oddělení reakcí na hormony v semeni zvyšuje citlivost ke kolísavým denním teplotám a při větších výkyvech teplot naopak podpoří klíčení[18].

Komunikace mezi buňkami a rychlost zpracování informací v rostlinách jsou omezeny fyzickým prostředím. Rostlinná pletiva mají často strukturu blízkou pravidelné mřížce – buňky komunikují převážně se svými bezprostředními sousedy[19][20]. Taková topologie zaručuje robustnost (porušení jedné vazby nevadí, existují paralelní cesty), ale zpomaluje šíření signálů na delší vzdálenosti[20]. Rostliny tuto nevýhodu částečně kompenzují tím, že mají specializované "zkratky" na dlouhé vzdálenosti – například cévní svazky (xylém, floém) mohou rychle dopravovat molekuly napříč rostlinou, nebo buňky s velmi protáhlým tvarem propojují odlehlé oblasti pletiva[21]. Přesto zůstává maximální rychlost signálů v rostlině o několik řádů pomalejší než u živočichů – např. rychlé elektrochemické signály (vlny změn koncentrace Ca²⁺ iontů) vyvolané poraněním listu se šíří asi 1 mm/s[22], zatímco nervové impulsy u savců dosahují až desítek metrů za sekundu. V důsledku toho rostliny obecně upřednostňují robustnost a přesnost před rychlostí: jejich rozhodování bývá pomalejší (typicky v řádu minut, hodin či dnů), zato odolnější vůči náhodným výkyvům prostředí[23].

Učení a paměť v rostlinných systémech

Přestože rostliny postrádají neurony, vykazují formy učení a paměti, které lze matematicky modelovat. Rostlina si může "pamatovat" určitý podnět prostřednictvím trvalé změny svého vnitřního stavu. V případě vernalizace slouží epigenetické umlčení genu FLC jako jednobitová paměť buňky pro prodělanou zimu[24][25]. Toto epigenetické uložení informace (stav zapnuto/vypnuto) umožňuje rostlině na jaře integrovat signály z mnoha buněk a rozhodnout o kvetení bez potřeby dalších složitých receptorů[26][25]. Dalším příkladem je tzv. priming (navození) obranných reakcí: rostlina vystavená slabému stresu (např. sucho, patogen) často reaguje při opakovaném stresu rychleji a silněji, což svědčí o formě adaptivní paměti na buněčné a molekulární úrovni[27][28]. Dokonce i jednoduché učení behaviorálního typu bylo u rostlin zaznamenáno. Známý pokus s citlivkou Mimosa pudica prokázal, že po opakovaných neškodných otřesech rostlina přestane zavírat listy – dojde k habituaci na podnět. Tato naučená změna chování přetrvala u rostlin i po několikatýdenní přestávce, což naznačuje poměrně dlouhou paměť naučené zkušenosti[29]. Rostliny tedy dokáží uložit informaci o minulých podnětech v změnách své fyziologie (např. koncentrace iontů, modifikace proteinů, genová exprese či epigenetické značky) a využít ji k ovlivnění budoucí reakce – analogicky k neuronálním sítím, kde paměť spočívá ve změnách synaptických spojení.

Matematické modelování rozhodování a učení v rostlinách často využívá rámec síťových a automatových modelů. Jelikož komunikace probíhá lokálně mezi buňkami, je vhodné použít celulární automaty nebo grafové modely, kde uzly představují buňky a hrany jejich spojení. Například kolektivní otevírání a zavírání průduchů (stomat) v listech bylo úspěšně modelováno jako 2D celulární automat řešící tzv. úlohu detekce majority[30]. V tomto modelu každá buňka průduchu sleduje stav sousedů a přebírá většinový stav – pokud většina okolních průduchů zůstává otevřená (např. pro maximalizaci příjmu CO₂), daný průduch se také otevře, a naopak[30]. Tím vznikají na listu synchronizované shluky otevřených nebo zavřených průduchů, které se dynamicky mění podobně jako vzory v samoorganizujících se buněčných automatech. Statistické analýzy ukázaly, že tyto experimentálně pozorované vzory stomatální aktivity vykazují stejné charakteristiky jako výpočetní celulární automaty řešící distribuované výpočetní úlohy[31][32]. Dále lze rostlinné informační sítě popsat pomocí diferenciálních rovnic a teorie dynamických systémů. Například dvouhormonový regulační modul klíčení semen (centrum ABA vs. GA) lze znázornit jako systém nelineárních ODE, který má dvě atraktory odpovídající dvěma stabilním stavům: dormance a klíčení[33]. Změna parametrů (např. zvýšení komunikace mezi centry zvýšením transportéru NPF3) posune systém blíže k prahu přepnutí do stavu klíčení[34]. Takové modely umožňují testovat hypotézy o citlivosti a stabilitě rozhodování – např. zvýšení propojenosti buněk může urychlit reakci, ale za cenu možné ztráty robustnosti vůči šumu[35][36].

Rozhodování a učení v lidském mozku

Lidský mozek je typickým příkladem biologické sítě pro zpracování informací. Mozek je tvořen ~86 miliardami neuronů propojených biliony synapsí do komplexní neurální sítě. Tato síť je vysoce distribuovaný výpočetní systém – neexistuje jedno centrální "CPU", místo toho početné specializované oblasti a okruhy pracují paralelně a komunikují mezi sebou[37]. Informace jsou v mozku neseny pomocí elektrických impulsů (akčních potenciálů) šířících se po neuronech a chemických neurotransmiterů uvolňovaných v synapsích. Díky těmto mechanismům je mozek schopen rychlého přenosu a integrace signálů: neuron může během milisekund předat zprávu tisícům dalších neuronů. Mnoho zpracování v mozku probíhá hierarchicky (např. smyslové informace proudí od receptorů přes mezistupně do asociačních oblastí), ale zároveň existuje bohatá síť zpětných vazeb a paralelních drah, takže výsledná architektura má rysy distrbuované, paralelní soustavy s částečně specializovanými moduly.

Klíčovým rysem učení v mozku je synaptická plasticita. Synapse představují spojení mezi neurony a jejich propustnost (síla) se mění v závislosti na aktivitě – právě v tom spočívá biologický mechanismus ukládání informací a učení. Opakovaná aktivace určité dráhy posílí synaptické spojení (dlouhodobá potenciace, LTP) nebo naopak nevyužívané synapse mohou oslabovat (dlouhodobá deprese, LTD). Jak uvádí Citri a Malenka (2008), synaptická plasticita představuje aktivitou závislou změnu efektivity synaptického přenosu a již přes sto let je považována za ústřední mechanismus, jímž mozek vpisuje pomíjivé zážitky do trvalejších paměťových stop[38]. Jinými slovy, učení v mozku probíhá úpravou vah spojů v neurální síti – analogicky jako když se v umělé neuronové síti upravují váhy, s tím rozdílem, že biologická úprava je výsledkem biochemických procesů (např. influx Ca²⁺ iontů do neuronu, aktivace signálních drah, změny v počtu receptorů na synapsi atd.). Důsledkem plasticity je, že opakovaná zkušenost (např. určitý senzorický vjem spojený s odměnou) zanechá fyzickou stopu v příslušných synapsích, což mění tok informace v mozkových okruzích a ovlivní budoucí chování[39][40].

Mozek vykazuje jak rozhodování centralizované, tak distribuované. Některé funkce (např. reflexy) jsou do značné míry lokalizovány (mícha, mozkový kmen), ale složitější rozhodovací procesy – třeba volní pohyb, rozpoznávání tváře nebo řešení problému – vznikají interakcí mnoha oblastí. Při rozhodování o pohybu člověka spolupracuje například motorická kůra, bazální ganglia a mozeček v uzavřeném okruhu, který selektuje optimální akci a potlačuje nevhodné pohyby[17]. Toto uspořádání lze chápat jako distribuovaný algoritmus: různé podsystémy mozku (motivační, senzorické, koordinační) hlasují či soupeří, a výsledek se prosadí, pokud dosáhne potřebné převahy (např. když neuronální populace kódující určitý pohyb překročí prahovou aktivitu). Rozhodování v mozku tedy často funguje na principu integrace signálů a prahové nelinearity – neurony sumarizují vstupy a pokud souhrnná aktivita přesáhne práh, neuron vyšle impuls dál. Tato základní operace (vážený součet a práh) je společným jmenovatelem biologických i umělých neuronových sítí.

Je třeba zmínit, že mozek pracuje pod přísnými omezeními reálného biologického systému. Musí zpracovávat informace v reálném čase, často s neúplnými nebo šumovými daty ze smyslů, a přitom udržovat homeostázu a metabolickou rovnováhu. Šum v nervové soustavě není na překážku – naopak, existují hypotézy, že mozek využívá vnitřní variabilitu a oscilace k optimalizaci přenosu informace (např. teorie Communication through Coherence předpokládá, že neurony efektivně komunikují, jsou-li synchornizovány ve vhodné frekvenční fázi)[37][41]. Mozek rovněž dokáže přizpůsobovat svou globální konektivitu aktuálním požadavkům: při jednoduchém úkolu zůstává aktivní jen lokální okruh, zatímco náročný úkol vyžadující soustředění vede k synchronizaci vzdálených oblastí a vytvoření dočasné distribuované sítě napříč celým mozkem[37]. Tato dynamická reorganizace architektury (někdy popisovaná jako globální pracovní prostor v mozku) nemá obdoby v současných umělých sítích, které mají fixní strukturu během vykonávání úlohy.

Algoritmy umělých neuronových sítí (AI)

Umělé neuronové sítě (UMS) byly inspirovány zjednodušeným modelem mozku, avšak fungují na odlišných principech v prostředí digitálních počítačů. Základní stavební jednotkou je umělý neuron (uzel), který provádí váženou sumaci vstupů a nelineární aktivační funkci. Matematicky, neuronu přicházejí signály s příslušnými vahami ; neuron spočítá vážený součet a aplikuje např. logistickou sigmoidu k získání výstupu[42]. Tento výstup je pak předán dále propojeným neuronům v další vrstvě. Model rozhodování v UMS tedy spočívá ve výpočtu vhodné nelineární funkce vstupních dat: například síť pro klasifikaci obrazu vypočte z pixelů skrze několik vrstev funkcí pravděpodobnosti příslušnosti k jednotlivým třídám, a rozhodnutí se často bere jako maximum na výstupní vrstvě (neuronu s nejvyšší aktivací). Architektura sítě může být plně propojená vrstva na vrstvu, nebo mít složitější topologii (konvoluční sítě s lokálními receptivními poli, rekurentní sítě s cykly atd.), avšak typicky je navržena explicitně tvůrcem algoritmu. Na rozdíl od biologických sítí tak UMS nemění během inferenčního běhu svou strukturu – všechny uzly a propojení jsou dána po naučení, a adaptace probíhá primárně ve fázi trénování.

Učení umělých sítí probíhá pomocí algoritmů z oblasti strojového učení. Nejpoužívanější je učení s učitelem (supervised learning), kdy máme množinu vstupů a k nim požadované výstupy (např. obrázky s příslušnými popiskami). Síť se iterativně trénuje, aby pro dané vstupy dávala správné výstupy, typicky minimalizací chyby pomocí zpětné propagace chyby. Algoritmus zpětné propagace spočítá gradient chyby vzhledem ke všem vahám v síti (pomocí řetězového pravidla derivace od výstupní vrstvy zpět ke vstupní) a pak malé úpravy vah ve směru gradientu snižují chybu – v podstatě implementuje gradientní sestup v prostoru parametrů[43]. Tento postup se opakuje na mnoha trénovacích příkladech a váhy se tak naučí optimální hodnoty. Kromě učení s učitelem existují i další paradigmata: učení bez učitele (unsupervised), kde síť hledá strukturu ve vstupních datech sama (např. shlukování, redukce dimenze), a učení posilováním (reinforcement learning), kdy se agent (síť) učí sekvenci akcí maximalizujících kumulativní odměnu z prostředí. Moderní hluboké učení rozvíjí všechny tyto směry – existují hluboké sítě natrénované supervizovaně, nesupervizovaně (např. autoenkodéry) i posilováním (např. Deep-Q sítě). V literatuře se uvádí, že v rámci hlubokého učení byly v poslední dekádě důkladně prozkoumány a využity všechny tři hlavní přístupy: supervised, unsupervised i reinforcement learning[44].

Z funkčního hlediska jsou umělé neuronové sítě univerzální aproximátory – při dostatečném počtu neuronů dokáží aproximovat libovolnou (spojitou) funkci. To jim umožňuje řešit pestrou škálu úloh od rozpoznávání řeči a obrazu, přes strojový překlad až po řízení robotů. Nicméně oproti biologickým sítím mají několik významných odlišností. Za prvé, UMS potřebují explicitní cílovou funkci a velké množství dat ke svému natrénování; nejsou zatím schopny se učit tak obecně a z tak malého počtu ukázek jako lidé či adaptivní systémy v přírodě. Za druhé, učení probíhá zpravidla jako oddělená fáze (off-line trénování) a po naučení jsou parametry fixní během nasazení – to kontrastuje s živými organismy, které se učí kontinuálně a jejich "parametry" (synapse, biochemické stavy) se mohou měnit i během samotné činnosti. Za třetí, UMS postrádají bohatou vnitřní dynamiku: typický umělý neuron vypočte svoji aktivaci algebraicky z aktuálních vstupů a nemá vlastní komplexní stav (kromě případných paměťových neuronů v rekurentních sítích). Naproti tomu neuron v mozku je živá buňka se stovkami vstupů, jež integruje signály v čase, generuje rytmické vzory aktivace a ovlivňuje sám sebe (např. změnou receptivity). Tyto rozdíly způsobují, že umělé sítě dosahují skvělého výkonu ve specifických úlohách, ale stále postrádají obecnou inteligenci a adaptabilitu biologických mozků.

Podobnosti a rozdíly mezi systémy

Rostlinné distribuované systémy, lidský mozek i umělé neuronové sítě sdílejí některé společné principy, ale v jiných ohledech se zásadně liší. Následuje shrnutí klíčových podobností a rozdílů:

• Síťová organizace: Všechny tři systémy jsou tvořeny sítí jednoduchých jednotek (buňky u rostlin, neurony v mozku, umělé neurony v AI), které zpracovávají informace paralelně a komunikují mezi sebou. Ve všech případech chování celku emerguje z interakcí mnoha částí (není řízeno jednou centrální buňkou). Rozdíl je v uspořádání – rostlina má síť rozprostřenou po celém organismu bez centrálního uzlu, zatímco neurony jsou zhuštěny v mozku, který funguje jako centrální orgán pro řízení těla. Umělé sítě bývají naprogramované se specifickou topologií (často hierarchickou vrstvovou), která může ale být inspirovaná či analogická biologickým sítím.

• Distribuované rozhodování: Ve všech systémech se rozhodnutí dosahuje integrací mnoha dílčích signálů. Rostliny používají mechanismy jako prahové koncentrace hormonů nebo většinové hlasování buněk k urychlení či potlačení určité reakce[12]. Mozek využívá sumaci synaptických vstupů a populační kódování – např. směr pohybu oka může být určen směrem, který kóduje nejvíce aktivních neuronů v určité oblasti. Umělé sítě rozhodují na základě kolektivního aktivování neuronů v poslední vrstvě, často se bere maximum (winner-takes-all). Podobnost je v tom, že nikde nerozhoduje izolovaně jediný prvek; rozdíl je v rychlosti a způsobu dosažení shody. Rostlinné "hlasování" může trvat hodiny až dny (než se nastřádá dostatek signálu), kdežto neuronální populace dosáhne rozhodnutí v řádu desítek milisekund. UMS rozhodují deterministicky výpočtem funkce – nedochází k explicitnímu "vyjednávání", ale výsledek je okamžitý výpočet dané struktury sítě.

• Reprezentace a přenos informace: Rostliny kódují info převážně v koncentracích chemických látek a ve stavech buněčných genových sítí; komunikace probíhá difuzí či transportem molekul a pomalejšími elektrickými signály (Ca²⁺ vlny, akční potenciály v sítích buněk)[22]. Mozek používá elektrochemické impulsy – má specializovaná kabelová spojení (axony) pro rychlý přenos signálu na velké vzdálenosti s přesným časováním v ms. UMS přenášejí informaci jako číselné hodnoty (např. reálná čísla 32-bit) skrze virtuální propojení v počítači; rychlost je dána taktem procesoru a paměti (moderní hardware dosahuje miliard operací za sekundu, což hrubou rychlostí překonává biologické systémy, ovšem bez jejich paralelní efektivity). Zásadní rozdíl je v energetické účinnosti a šumu – biologické systémy pracují s nízkou energií a vysokou odolností vůči šumu (neuron spolehlivě funguje v "mokré" biochemii), zatímco umělé čipy mohou provádět ohromné počty operací, ale za cenu vysoké spotřeby energie a bez schopnosti samoregulace mimo naprogramované meze.

• Mechanismus učení a paměti: Rostliny i mozek modifikují své fyzické struktury nebo vnitřní stavy, aby zakódovaly zkušenost. Rostlina může změnit citlivost na hormon, otevřít nové plazmodesmy nebo uložit informaci epigeneticky[24]. Mozek posiluje nebo oslabuje synapse, případně vytváří nové spoje (zejména v raném vývoji a v omezené míře i v dospělosti). Oba biologické systémy používají lokální učící pravidla – změny nastávají v místě, kde proběhla aktivita (např. Hebbovo pravidlo: neurony, které spolu pálí, se spojí). Naproti tomu dominantní algoritmus učení v AI – zpětná propagace – je globální: chyba spočtená na výstupu ovlivní váhy i v hlubokých vrstvách, a to prostřednictvím nelineární kombinace parciálních derivací[43]. Tento postup nemá přímý biologický ekvivalent (mozková neurální síť nemá centrální jednotku, která by vypočítala gradient chyby a upravila každou synapsi). V poslední době se zkoumají tzv. bio-inspired pravidla učení pro AI, která více připomínají synaptickou plasticitu (např. místní pravidla modifikující váhy podle korelací neuronu), ale klasický backprop zůstává odlišný od mechanismů učení v přírodě[44].

• Adaptabilita a rekonstrukce: Rostliny jsou vysoce plastické na úrovni celého těla – mohou zregenerovat poškozené části, přesměrovat růst kořenů či větví podle prostředí a tím přeučit svoji "strategii" (např. více kořenů směrem k vlhčí půdě). Mozek je rovněž plastický, ale v omezenější míře – regenerace neuronů je velmi omezená; adaptace probíhá spíše přeuspořádáním funkce (jiná oblast převezme funkci poškozené oblasti do určité míry). Umělé sítě v nasazení jsou zpravidla statické (nemění strukturu ani váhy, pokud nejsou znovu natrénovány). Nový vstup tedy nemění síť, pouze se zpracuje dopředným průchodem. Existují výzkumné směry adaptivních a celoživotně se učících AI systémů, avšak ty zatím nedosahují flexibility biologických organismů. Další rozdíl je v evolučním původu: rostlinné a mozkové sítě jsou výsledek evoluce, která je formovala tak, aby byly robustní, úsporné a adaptované prostředí. Naproti tomu umělé sítě jsou navrženy lidmi pro výkon na konkrétních úlohách, často postrádají robustnost mimo distribuci tréninkových dat (např. proti neočekávaným vstupům bývají zranitelné).

Níže uvedená tabulka shrnuje hlavní srovnání mezi rostlinným systémem, lidským mozkem a umělou neuronovou sítí:

Modelování rostlinného zpracování informací inspirované neuronovými sítěmi

Na základě výše uvedeného srovnání vyvstává otázka: lze sestavit matematický model rostlinného informačního systému podobný umělé neuronové síti? Inspirace neuronovými sítěmi by mohla pomoci simulovat chování rostlin a odhalit nové algoritmy. Několik možných přístupů:

• Cellulární automatová síť: Rostlinný orgán lze modelovat jako 2D/3D síť buněk (uzlů) na mřížce, kde každý uzel má vnitřní stav (např. koncentrace hormonu, aktivní/neaktivní gen) a pravidla pro aktualizaci stavu podle stavu sousedů. Takový model je analogický rekurentní neuronové síti nebo spínacím neuronům (McCulloch-Pittsovy neurony s práhovou logikou) uspořádaným v prostoru. Pravidlo aktualizace může vycházet z většinového hlasování (buněčný automat bere nový stav = nejčastější stav v okolí)[30] nebo z prahové funkce (pokud součet signálů od sousedů překročí práh, buněčný stav se přepne). Tímto způsobem již byl modelován např. kolektivní stav průduchů v listech, jak zmiňujeme výše. Model by umožnil testovat, za jakých podmínek se systém buněk dobere globálního rozhodnutí (např. všechna semena v plodu začnou klíčit, když >50 % z nich detekovalo vhodné podmínky).

• Diferenciální rovnice a kontinuální model: Pokud chceme modelovat konkrétní signalizační dráhy, lze sestavit soustavu ODE nebo PDE popisující změny koncentrací hormonů, rychlosti difuze mezi buňkami a genové exprese. Buňky by tvořily uzly s rovnicemi (např. logistická kinetika produkce hormonu, členy pro transport mezi uzly) – to připomíná spiking neural network v limitě, kdy přecházíme od diskrétních spikeů k kontinuálnímu toku. Trénování takového modelu by nebylo klasickým strojovým učením, spíše by se parametry ladily podle biologických dat. Nicméně lze si představit využití algoritmů optimalizace (genetické algoritmy, evoluční strategie) k nalezení parametrů sítě, které dávají požadované kolektivní chování. To koresponduje s trendem evolučních umělých neurálních sítí (nechat parametry sítě se vyvinout). Rostliny jsou v přírodě "trénovány" evolucí – podobně můžeme evolučně natrénovat model, aby např. co nejlépe maximalizoval příjem zdrojů za různých podmínek (analogicky jako se trénuje RL agent na maximalizaci odměny).

• Rekonfigurovatelné sítě: Unikátní vlastností rostlin je změna fyzických spojů (plazmodesmat) v čase[10]. Lze proto zavést model, který dynamicky mění topologii spojení mezi uzly na základě podmínek. Inspirovat se lze FPGA obvody – v modelu by existovaly "spínací" uzly, které zapnou/vypnou spojení, pokud určitý řídící vstup (např. hladina speciální signalizační molekuly) dosáhne thresholdu. Tím vznikne síť, která se adaptuje: např. za nepřízně prostředí se rozdělí do více izolovaných sub-sítí (každá řeší lokální problém), kdežto za ideálních podmínek se propojí do jedné globální sítě sdílející informace[10]. Takový model by mohl odrážet chování meristému břízy, kde zimní izolace buněk zabraňuje předčasné aktivaci růstu, a jarní propojení umožní koordinovaný start růstu[7][8]. V rámci AI by to znamenalo vyvinout adaptivní grafovou neuronovou síť, která přidává nebo ubírá propojení na základě vstupů (což je nestandardní, ale některé výzkumy modulárních a dynamických sítí tímto směrem míří).

• Pravděpodobnostní a logické modely: Další možností je popsat rozhodování rostlin pomocí Bayesovských sítí či logických automatů. Například každá buňka by mohla implementovat jednoduché logické pravidlo (IF-THEN) – to by odráželo genové regulační sítě, které často fungují logicky (např. "pokud hormon A > X a zároveň teplota < Y, pak aktivuj gen Z"). Kolektivně by tyto logické uzly vytvořily rozsáhlý logický obvod, z kterého by formálně šlo odvodit, co rostlina vyhodnotí. Podobně Bayesovská síť by umožnila zahrnout nejistotu a variabilitu – jednotlivé buňky by s určitou pravděpodobností přešly do stavu na základě vstupů, a výstup by byl statistickým konsensem. Tyto přístupy by se mohly uplatnit při návrhu algoritmů v robotice inspirované rostlinami, kde "rostlinný algoritmus" rozhodování (např. postupné sbírání evidence až po určitý práh) může být výhodný ve špinavém nebo nejistém prostředí, kde klasické rychlé metody selhávají.

Příklady modelů a experimentů

Už nyní existují první pokusy a experimentální evidence podporující výše popsané modely. Peak et al. (2004) pomocí analýzy obrazů listů experimentálně ukázali, že synchronizované otevírání průduchů vykazuje statistické rysy celulárního automatu provádějícího výpočet[31][32]. Konkrétně korelační analýza fluorescence chlorofylu (nepřímo indikující stav průduchů) odhalila podobnost se známým automatovým úkolem density classification (klasifikace majority) – což podporuje hypotézu, že list řeší optimalizační úlohu (příjem CO₂ vs. ztráta vody) emergentním výpočtem svých průduchů[45][46]. Další studie prokázaly, že rozmístění center hormonálních reakcí v semeni (ABA vs. GA zmiňované výše) skutečně ovlivňuje citlivost systému: Topham et al. (2017) ukázali, že genetická manipulace zvyšující transport hormonů mezi buňkami (overexprese transportéru NPF3) činí semena citlivější k variabilním teplotám a rychleji ukončují dormanci[34]. To odpovídá modelu, kde rychlejší agregace signálů (intenzivnější komunikace) zmenší potřebný čas k dosažení prahové podmínky pro rozhodnutí, a tím zrychlí výpočet za cenu možného ovlivnění šumem[34][35]. V oblasti dynamických spojů přinesli Rinne a van der Schoot (2003) přímý důkaz sezónní změny propojení buněk: barvivové trasování v meristému břízy odhalilo zmíněné izolované domény v zimě a plnou propojenost v létě[9]. Nedávno König et al. (2021) zjistili, že podobně hybridní osiky otevírají plazmodesmy v meristému při přechodu z dormance – čímž topologicky "přepojí" meristém do růstového režimu[10][47]. Tyto experimenty podporují analogii rostlinné tkáně jako programovatelné výpočetní sítě, která mění konfiguraci podle podnětů.

Všechny uvedené příklady naznačují, že studium výpočtů v rostlinách není jen akademické cvičení, ale může inspirovat nové technologie. Bio-inspirované algoritmy odvozené z chování rostlin by mohly najít uplatnění v decentralizované robotice (např. roje jednoduchých robotů komunikujících jako buňky rostliny), v návrhu odolných sítí (networking analogický rostlinné robustnosti – odolný proti výpadku uzlů) či ve vývoji energeticky úsporných výpočetních zařízení (rostliny operují s extrémně nízkou spotřebou energie). Naopak, matematické a počítačové modely umožňují lépe porozumět biologii rostlin – jako společný jazyk mezi obory. Tato interdisciplinární synergie naplňuje vizi tzv. liquid brains, solid brains – konceptu, že existují různé formy kognitivních architektur (tekuté = pohyblivé neurony u zvířat, solidní = statické buňky u rostlin), ale na abstraktní úrovni mohou podléhat obecným principům zpracování informací[48][49]. Zkoumání těchto principů nám může pomoci jak v biologii (šlechtění plodin s lepší adaptivní odpovědí), tak v informatice (nové algoritmy a hardware inspirované přírodou)[50][51].

Závěr

Rostliny, lidský mozek i umělé neuronové sítě představují výkonné systémy pro zpracování informací, avšak každý funguje odlišnými prostředky. Rostliny využívají distribuované výpočty v sítích buněk a chemické signalizace, čímž dosahují robustního, byť pomalejšího rozhodování pro optimalizaci přežití v měnícím se prostředí. Lidský mozek je extrémně výkonná paralelní síť neuronů se sofistikovanými mechanismy učení (synaptická plasticita) a rychlou komunikací, která umožnila vznik vědomí a komplexního chování. Umělé neuronové sítě jsou lidským výtvorem inspirovaným mozkem; v určitých úlohách dosahují nebo i překonávají lidské schopnosti, avšak stále postrádají obecnou adaptabilitu a efektivitu biologických systémů. Klíčové podobnosti zahrnují síťovou povahu, emergentní integraci signálů a možnost učení úpravou spojů či jejich ekvivalentů. Hlavní rozdíly spočívají v povaze fyzické realizace (biologická vs. křemíková), v rychlostech a energetických nárocích, a v způsobu, jakým probíhá učení (lokálně vs. globálně, průběžně vs. během trénovací fáze). Porozumění těmto systémům v jednotném teoretickém rámci je výzvou i příležitostí – může odhalit univerzální zákonitosti zpracování informací napříč živými i umělými "mozky"[52][53]. Studie distribuce výpočtů u rostlin je mladá disciplína, ale již nyní ukazuje, že inteligence není výhradní doménou neuronů – rostliny jsou schopny komplexního chování, které při vhodném zjednodušení lze popsat výpočetními pojmy[27][54]. Do budoucna se dá očekávat plodná spolupráce biologů, informatiků a matematiků při navrhování nových modelů inspirovaných rostlinami i zlepšování našeho chápání samotných informačních procesů, ať už v kořenech rostlin, synapsích lidského mozku, nebo v latentních vrstvách hluboké sítě.

Literatura:
1. Bassel, G. W. (2018). Information processing and distributed computation in plant organs. Trends in Plant Science, 23(11), 994-1005. DOI: 10.1016/j.tplants.2018.08.006 [1][2]
2. Duran-Nebreda, S., & Bassel, G. (2019). Plant behaviour in response to the environment: information processing in the solid state. Philosophical Transactions of the Royal Society B, 374(1774), 20180370. [11][55]
3. Peak, D., West, J. D., Messinger, S. M., & Mott, K. A. (2004). Evidence for complex, collective dynamics and emergent, distributed computation in plants. Proceedings of the National Academy of Sciences, 101(4), 918-922. [31][32]
4. Citri, A., & Malenka, R. C. (2008). Synaptic plasticity: multiple forms, functions, and mechanisms. Neuropsychopharmacology, 33(1), 18-41. [38]
5. Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, 85-117. [44]
6. Gagliano, M., et al. (2014). Experience teaches plants to learn faster and forget slower in environments where it matters. Oecologia, 175(1), 63-72. [29]
7. Pisarchik, A. N., et al. (2019). Coherent resonance in the distributed cortical network during sensory information processing. Scientific Reports, 9(1), 18325. [37]
8. Rinne, P., & van der Schoot, C. (2003). Symplastic communication in the shoot apical meristem is regulated by the photoperiodic signal transduced by ABA. Plant Journal, 35(5), 531-540. [7][8] (a cit. v Duran-Nebreda & Bassel 2019)

[1][2][3][4][5][6][13][14][15][24][25][26][50][51][52][53] pure-oai.bham.ac.uk

https://pure-oai.bham.ac.uk/ws/portalfiles/portal/54870081/Distributed_computation_in_plants_August_13.pdf

[7][8][9][10][11][12][16][17][18][19][20][21][22][23][27][28][30][33][34][35][36][47][48][49][54][55] Plant behaviour in response to the environment: information processing in the solid state - PMC

https://pmc.ncbi.nlm.nih.gov/articles/PMC6553596/

[29] Experience teaches plants to learn faster and forget slower in environments where it matters - PubMed

https://pubmed.ncbi.nlm.nih.gov/24390479/

[31][32][45][46] Evidence for complex, collective dynamics and emergent, distributed computation in plants - PMC

https://pmc.ncbi.nlm.nih.gov/articles/PMC327117/

[37][41] Coherent resonance in the distributed cortical network during sensory information processing | Scientific Reports

https://www.nature.com/articles/s41598-019-54577-1?error=cookies_not_supported&code=b1e5c62e-7d20-4936-9a9e-f27237ed3893

[38][39][40] Synaptic Plasticity: Multiple Forms, Functions, and Mechanisms | Neuropsychopharmacology

https://www.nature.com/articles/1301559?error=cookies_not_supported&code=1f2d7c7f-8ee4-4e91-a323-82c47253a3af

[42][43] Backpropagation - Wikipedia

https://