Paisajes Adaptativos

En 1932 un genetista llamado Sewall Wright dibujó una imagen que cambió la forma en que la gente piensa sobre la mejora de cualquier tipo. Coloca todas las versiones posibles de una cosa — cada genoma, cada forma de ala, cada producto, cada estrategia — como puntos de un enorme mapa, dispuestos de modo que las versiones parecidas queden cerca. Ahora añade una tercera dimensión: la altura, donde más alto significa más apto — mejor sobreviviendo, reproduciéndose, funcionando, ganando. Lo que obtienes es un ondulante paisaje adaptativo (fitness landscape) de picos, valles y crestas. Y aquí está la idea entera en una frase: la evolución, y cualquier búsqueda por ensayo y error, solo puede caminar cuesta arriba.

Suena inofensivo hasta que lo sigues hasta su brutal consecuencia. Un proceso que solo da pasos cuesta arriba es una búsqueda local sin mapa y sin previsión. Sube la colina en la que le tocó empezar — y ahí se para, varado en la cima de esa colina, aun cuando una montaña mucho más alta se ve perfectamente al otro lado del valle. No puede llegar, porque el único camino baja cuesta abajo primero, y bajar significa volverse menos apto, y la selección no da ese paso. Este es el modelo que explica uno de los hechos más contraintuitivos del mundo vivo y del mundo construido por igual: por qué lo “suficientemente bueno” le gana tan fiablemente a lo “mejor”, y luego se niega a moverse. El ojo humano tiene los fotorreceptores cableados del revés, proyectando un punto ciego literal, porque el ojo ancestral subió una colina de la que ya no podía volver a bajar. El nervio que controla tu voz da un rodeo hasta el pecho y vuelve a subir — un diseño que un ingeniero de primer año suspendería — porque la evolución estaba atrapada en un pico local. Ninguno de los dos defectos es un error. Ambos son cimas.

Este es un curso avanzado, y generaliza a propósito mucho más allá de la biología. La razón por la que los paisajes adaptativos se ganan un lugar en tu entramado (latticework) es que el mismo mapa exacto gobierna el entrenamiento del aprendizaje automático (el descenso de gradiente es escalar colinas con bata de laboratorio), la ingeniería y el diseño, la estrategia empresarial (una empresa encaramada en un pico local, desbancada por un rival subido a otra montaña), la adquisición de habilidades, y el dilema más profundo de toda búsqueda: explorar frente a explotar (explore vs. exploit) — ¿sigo subiendo la colina en la que estoy, o salto para buscar una más alta? Aprenderás qué hace que un paisaje sea suave (una colina, fácil) o escarpado (muchos picos, lleno de trampas), qué hace falta para cruzar un valle (mutación, deriva en poblaciones pequeñas, recombinación) y — enlazando directamente con la Reina Roja (Red Queen) — qué ocurre cuando el propio paisaje no se queda quieto: cuando tus rivales también escalan, el terreno se deforma bajo tus pies, un pico conquistado se hunde y no hay cima final que alcanzar.

Este curso da por sabida la selección natural (natural selection) — variación, selección, herencia y qué es realmente la aptitud (fitness) — porque el paisaje no es más que una imagen de lo que hace la selección una vez la sueltas sobre un terreno de posibilidades. Se empareja con el efecto Reina Roja (Red Queen effect), cuya idea de blanco móvil se convierte aquí en un paisaje que se remodela solo. A lo largo de las lecciones manejarás un paisaje interactivo: sueltas una población, la ves escalar y atascarse, subes la escarpadura de una colina suave a una sierra dentada, disparas una mutación para saltar un valle hacia una cima más alta — y activas un terreno cambiante que hunde el pico que acabas de conquistar. Al terminar, “subió la colina más cercana y se paró” será algo que verás en la evolución, en el código, en las empresas y en tu propio progreso estancado — y conocerás el puñado de movimientos que sacan a una búsqueda de un pico local.