Name: 家族のための犠牲の進化をシミュレーション (Simulating the Evolution of Sacrificing for Family)
Uploaded: 2025-11-19T02:04:50.000Z
Duration: 20 min 49 s
Description: VoiceTubeの動画で発音を聞きながら英語表現を覚えよう！学べる英語：

この動画は、ギャンブルをする遺伝子についてです。

The basic idea of natural selection is that if a gene does an above average job at helping its host creatures survive and reproduce, it'll tend to become more common as creatures compete with each other over the generations.

自然淘汰の基本的な考え方は、もし遺伝子が宿主の生物が生き残り、子孫を残すのを平均以上に助けることができれば、世代を超えて生物が互いに競争するにつれて、その遺伝子はより一般的になる傾向があるということです。

基礎受動態

This tendency to survive and reproduce is called fitness, and

この生き残り、子孫を残す傾向は適応度と呼ばれ、

you'll often hear natural selection summarized as survival of the fittest.

自然淘汰はしばしば最強者生存と要約されるのを聞くでしょう。

But one day, a clever, newly mutated gene realized another strategy was possible.

しかし、ある日、賢い、新しく変異した遺伝子が、別の戦略が可能であることに気づきました。

If copies of the gene exist in multiple different creatures, the gene can do better by causing the creatures to help each other rather than mercilessly competing with each other.

もし遺伝子のコピーが複数の異なる生物に存在する場合、その遺伝子は、生物が互いに容赦なく競争するのではなく、互いに助け合うようにすることで、より良くなることができます。

This concept is known as inclusive fitness.

この概念は包括的適応度として知られています。

The only problem is the copies of a gene are hidden inside the creatures and they can't see each other.

問題は、遺伝子のコピーが生物の中に隠れており、互いに見ることができないことです。

So if the copies of the gene want to help each other, they have to gamble, sometimes helping the competing genes by accident.

ですから、遺伝子のコピーがお互いを助けたいのであれば、ギャンブルをしなければならず、時には誤って競争相手の遺伝子を助けてしまうこともあります。

So the question is, how can a gene strategize around inclusive fitness without the whole plan backfiring?

では、遺伝子は、計画全体が裏目に出ることなく、包括的適応度を中心にどのように戦略を立てることができるのでしょうか？

The condition for making inclusive fitness gambling work is called Hamilton's Rule, and

包括的適応度ギャンブルを機能させるための条件はハミルトンの法則と呼ばれ、

それが私たちが目指すものです。

It's a pretty simple looking inequality, and

それはかなり単純に見える不等式で、

if you've learned about Hamilton's rule before, you might be wondering why the heck this video is so long.

もし以前にハミルトンの法則について学んだことがあるなら、なぜこのビデオがこんなに長いのか不思議に思うかもしれません。

Well, it turns out that the simplicity of Hamilton's rule is a bit deceptive, or at least it deceived me at first.

実は、ハミルトンの法則の単純さは少し紛らわしいことがわかりました。少なくとも最初は私を惑わせました。

So this video is going to go slowly, starting with the general requirement for gambling to be beneficial and then applying that idea to simulations of increasingly complex biological systems.

ですから、このビデオでは、ギャンブルが有益であるための一般的な要件から始め、その考え方をますます複雑な生物システムでのシミュレーションに適用していきます。

構築していく中で、何かがうまくいかなくなるでしょう。

And when it does, you might not realize it.

そしてそれが起こったとき、あなたはそれに気づかないかもしれません。

私のように、あなたは惑わされるかもしれません。

It'll get fixed before the end of the video, but

ビデオの終わりまでには修正されますが、

consider it a challenge to follow closely enough to see what's going wrong before I tell you about it.

私が何かがうまくいかなくなることをお伝えする前に、それに気づけるほど注意深く追ってみてください。

さあ、ゲームをプレイすることから始めましょう。

プレイするにはコインが1枚かかります。

それからサイコロを振ることができます。

6が出れば、7枚のコインが当たります。

それ以外の場合は何も得られません。

Let's let this blob play for a bit while we try to predict what will happen.

この塊がしばらくプレイしている間に、何が起こるか予測してみましょう。

Okay, so there are six possible outcomes, and

さて、6つの可能な結果があり、

we can summarize each with an equation where the payout minus the cost equals the net gain.

それぞれを、払い戻しからコストを引いたものが純利益になるという方程式でまとめることができます。

If the die lands on a number from 1 to 5, the payout is 0 and the cost is 1, leading to a net gain of negative 1 in each case, or a loss of 1, if you prefer to say it that way.

サイコロが1から5の目が出た場合、払い戻しは0でコストは1なので、どちらの場合も純利益はマイナス1、つまり損失が1となります。

If the die lands on a six, though, the payout is seven.

サイコロが6の目が出た場合、払い戻しは7になります。

So the net gain for that case is six on a fair die.

したがって、その場合の純利益は、フェアダイスでは6です。

These six possible results are all equally likely.

これら6つの可能な結果はすべて等しく可能性が高いです。

So we can combine the equations together and divide everything by six to get the average payout cost and net gain.

したがって、方程式をすべてまとめて6で割ることで、平均払い戻しコストと純利益を得ることができます。

One way to read this equation is to say you have a one in six chance to win the benefit of seven coins.

この方程式の1つの読み方は、7枚のコインの利益を得るチャンスが6分の1であるということです。

And it costs one coin to play, so you expect to win one sixth of the coin per time you play.

プレイするにはコインが1枚必要なので、プレイするたびに6分の1のコインを獲得できると予想されます。

The coins only come in whole numbers, but the average is a fraction.

コインは整数でしかありませんが、平均は分数です。

An average predicted result like this has a special name.

このような平均予測結果には特別な名前があります。

And since the expected value here is positive, the blob should gain money over time by continuing to play.

そして、期待値は正なので、その塊はプレイを続けることで時間とともに利益を得るはずです。

It looks like the blob is actually doing way better than 1/6 of a coin on average.

平均すると、この塊はコインの1/6よりもずっと良い成績を出しているようです。

That's good for the blob, but not so good for our prediction.

それは塊にとっては良いことですが、私たちの予測にとってはあまり良くありません。

It's only been a few rolls, though, so maybe the blob is just getting lucky.

まだ数回しかロールしていませんが、塊が単に運が良いだけかもしれません。

If our prediction is good, it should start to look more accurate with a larger number of rolls.

私たちの予測が良いものであれば、ロールの数が増えるにつれて、より正確に見え始めるはずです。

So let's enlist some more blobs to see if that happens.

それが起こるかどうかを確認するために、もっと多くの塊を募集しましょう。

さて、かなり近づいてきました。

It can sometimes take surprisingly long for random events to even out, which is my favorite excuse whenever I'm getting my butt kicked in a board game.

ランダムな出来事が均等になるまでには驚くほど時間がかかることがありますが、それはボードゲームで負けるたびに私が使うお気に入りの言い訳です。

We can use variables to write this out in a way that will apply to a broader set of situations.

より広範な状況に適用できるような方法で、変数を使ってこれを書き出すことができます。

The benefit of winning times the probability of winning minus the cost to play is the expected value of a gambling game.

勝つことの利益に勝つ確率を掛けたものから、プレイするためのコストを引いたものが、ギャンブルゲームの期待値です。

If the expected value is positive, it's usually a good idea to gamble.

期待値が正であれば、通常はギャンブルをするのが良い考えです。

And when the expected value is negative, like.

そして期待値がマイナスの場合は、例えば。

Like in every single casino game, for example, you should expect to lose money.

カジノのゲームでは、お金を失うことを期待すべきです。

You might notice that this looks basically the same as Hamilton's rule already.

これはすでにハミルトンの法則とほとんど同じに見えることに気づくかもしれません。

So let's try applying it to a biology simulation to see how it works.

では、生物システムに適用して、どのように機能するか見てみましょう。

We'll start with the same basic structure from the video on Green Beard Altruism.

グリーンビアード利他主義のビデオと同じ基本的な構造から始めます。

Each day, blobs will go out to the forest to eat some fruit.

毎日、ブロブたちは森へ果物を食べに行きます。

Some of the trees have predators in them, though.

ただし、木によっては捕食者がいるものもあります。

And if the blobs are unlucky enough to visit a tree with a predator in it, they'll think get eaten.

そして、ブロブたちが捕食者のいる木を訪れるほど運が悪ければ、食べられてしまうと考えてしまうでしょう。

But if they don't get eaten, they'll head to one of the homes and reproduce, creating a puddle of three new identical blobs in their place.

しかし、食べられなければ、家の一つに向かい繁殖し、その場所に3つの新しい全く同じブロブのプールを作り出します。

And yes, a group of blob siblings is officially called a puddle.

そしてはい、ブロブの兄弟の集まりは正式には「プール」と呼ばれます。

And after the blobs reproduce, the cycle repeats.

そしてブロブたちが繁殖した後、サイクルは繰り返されます。

Also, when it's time to go home, there might not be enough homes to go around.

また、家に帰る時間になっても、十分な家がないかもしれません。

In which case some randomly determined blobs won't get to go home and reproduce.

その場合、ランダムに決められたいくつかのブロブは家に帰って繁殖することができません。

In case you've seen that Greenbeard video, I want to highlight the key difference here.

もしグリーンビアードの動画を見たことがあるなら、ここで重要な違いを強調したいと思います。

This time, the siblings always stick together in their puddle when they go out to a tree.

今回は、兄弟たちは木へ出かけるとき、常に水たまりに一緒にいます。

まだ利他主義はありませんが、

let's make this a bit bigger and let it run for a while to understand how the simulation works in this baseline case.

シミュレーションがこのベースラインケースでどのように機能するかを理解するために、これを少し大きくしてしばらく実行してみましょう。

Alright, it turns out that the blobs thrive in this environment and the limiting factor ends up being the supply of houses.

さて、ブロブはこの環境で繁栄し、最終的な制約要因は住宅の供給であることがわかりました。

The blobs should really figure out a way to build more housing, but

ブロブはもっと多くの家を建てる方法を見つけるべきですが、

comments like that belong in the economic series.

そのようなコメントは経済シリーズに属します。

Okay, now let's add the ability to be altruistic again.

さて、利他主義の能力を再び追加しましょう。

This will be pretty similar to what we saw in the Greenbeard video.

これは、グリーンビアードのビデオで見たものと非常によく似ています。

When the blobs go to a tree with a predator in it, one of them will notice the predator and it'll have two options for how to react.

ブロブが捕食者がいる木に行くと、そのうちの1匹が捕食者に気づき、どのように反応するかについて2つの選択肢があります。

The first option is to just run away, leaving the other blobs to die.

最初の選択肢は、単に逃げ出し、他のブロブを死なせることです。

これを臆病な行動と呼びます。

The second option will be to make a bunch of noise to warn the other blobs, but

2番目の選択肢は、他のブロブに警告するために大きな音を立てることですが、

in the process attract the predator's attention and end up getting eaten.

その過程で捕食者の注意を引き、食べられてしまうことです。

Because these blobs are sacrificing themselves to help others.

なぜなら、これらのブロブは他の人を助けるために自分自身を犠牲にしているからです。

これを利他的な行動と呼びます。

The behavior will be controlled by a gene which has two versions or alleles.

この行動は、2つのバージョンまたは対立遺伝子を持つ遺伝子によって制御されます。

The cowardly allele will be blue, and the altruism allele will be orange.

臆病な対立遺伝子は青、利他主義の対立遺伝子はオレンジになります。

The blobs can't actually see the genes, but

ブロブは実際には遺伝子を見ることができませんが、

we're going to use these colors to graph the frequency of each allele over time.

これらの色を使って、時間の経過とともに各対立遺伝子の頻度をグラフ化します。

I mention this in basically every video, but I can't say enough how.

ほとんどすべての動画で言っていますが、どれだけ言っても言い足りないくらいです。

In real life, the cause of behaviors is very complex.

現実世界では、行動の原因は非常に複雑です。

それは遺伝的な要因が一部にすぎません。

And the genetic part itself is a lot more complicated than this model we're using here, where just one gene controls this one kind of behavior.

そして、遺伝的な部分自体も、この1つの遺伝子がこの1種類の行動を制御するという、ここで使っているモデルよりもはるかに複雑です。

We're just using a simple model to explore one small piece of the very large picture of behavior.

私たちは、行動という非常に大きな絵の一部分を探求するために、単純なモデルを使っているだけです。

But with that said, let's run this simulation.

しかし、それはさておき、このシミュレーションを実行しましょう。

We'll start with equal numbers of each allele.

各対立遺伝子の数を均等にして開始します。

Before we hit go, though, what do you think will happen?

実行する前に、何が起こると思いますか？

どちらか一方のアレルが支配的になるでしょうか？

もしそうなら、どちらでしょう？

Try using that expected value idea we talked about earlier.

先ほど話した期待値の考え方を使ってみてください。

And keep in mind that the puddles stay together when they go to find food.

そして、餌を探しに行くとき、水たまりはまとまったままであることを覚えておいてください。

This graph shows the frequencies of each allele over time, stacked on top of each other at the beginning it's half and half.

このグラフは、時間経過に伴う各アレル（対立遺伝子）の頻度を示しており、最初は半々で積み重ねられています。

But over time, the orange altruism allele drove the other allele to extinction.

しかし、時間が経つにつれて、オレンジ色の利他アレルがもう一方のアレルを絶滅に追い込みました。

Let's see if we can make sense of why the altruism allele did so well.

なぜ利他アレルがこれほどうまくいったのか、理解できるか見てみましょう。

Just like before, we'll look at the benefit of the behavior times the probability of getting the benefit, minus the cost of the behavior to get the expected value.

前と同様に、行動の利益に、その利益を得る確率を掛け、そこから行動のコストを引いて期待値を求めます。

But instead of coins, we're worried about copies of the altruism allele.

しかし、コインの代わりに、利他アレルのコピーについて心配しています。