Visit ebookmass.

com to download the full version and

explore more ebook or textbook

The Art of Reinforcement Learning: Fundamentals,

Mathematics, and Implementations with Python 1st
Edition Michael Hu

_____ Click the link below to download _____

https://ebookmass.com/product/the-art-of-reinforcement-
learning-fundamentals-mathematics-and-implementations-with-
python-1st-edition-michael-hu-2/

Explore and download more ebook or textbook at ebookmass.com

Here are some recommended products that we believe you will be
interested in. You can click the link to download.

The Art of Reinforcement Learning: Fundamentals,

Mathematics, and Implementations with Python 1st Edition
Michael Hu
https://ebookmass.com/product/the-art-of-reinforcement-learning-
fundamentals-mathematics-and-implementations-with-python-1st-edition-
michael-hu/

The Art of Reinforcement Learning Michael Hu

https://ebookmass.com/product/the-art-of-reinforcement-learning-
michael-hu/

Learning Scientific Programming with Python Hill

https://ebookmass.com/product/learning-scientific-programming-with-
python-hill/

Reinforcement Learning for Finance: Solve Problems in

Finance with CNN and RNN Using the TensorFlow Library 1st
Edition Samit Ahlawat
https://ebookmass.com/product/reinforcement-learning-for-finance-
solve-problems-in-finance-with-cnn-and-rnn-using-the-tensorflow-
library-1st-edition-samit-ahlawat/
Model-Based Reinforcement Learning Milad Farsi

https://ebookmass.com/product/model-based-reinforcement-learning-
milad-farsi/

Learning Scientific Programming with Python 2nd Edition

Christian Hill

https://ebookmass.com/product/learning-scientific-programming-with-
python-2nd-edition-christian-hill-2/

Learning Scientific Programming With Python 2nd Edition

Christian Hill

https://ebookmass.com/product/learning-scientific-programming-with-
python-2nd-edition-christian-hill/

Python Fundamentals for Finance: A survey of Algorithmic

Options trading with Python Van Der Post

https://ebookmass.com/product/python-fundamentals-for-finance-a-
survey-of-algorithmic-options-trading-with-python-van-der-post/

Mathematics Fundamentals Dr Des Hill

https://ebookmass.com/product/mathematics-fundamentals-dr-des-hill/
Michael Hu

The Art of Reinforcement Learning

Fundamentals, Mathematics, and Implementations
with Python
Michael Hu
Shanghai, Shanghai, China

ISBN 978-1-4842-9605-9 e-ISBN 978-1-4842-9606-6

https://doi.org/10.1007/978-1-4842-9606-6

© Michael Hu 2023

Apress Standard

The use of general descriptive names, registered names, trademarks,

service marks, etc. in this publication does not imply, even in the
absence of a specific statement, that such names are exempt from the
relevant protective laws and regulations and therefore free for general
use.

The publisher, the authors, and the editors are safe to assume that the
advice and information in this book are believed to be true and accurate
at the date of publication. Neither the publisher nor the authors or the
editors give a warranty, expressed or implied, with respect to the
material contained herein or for any errors or omissions that may have
been made. The publisher remains neutral with regard to jurisdictional
claims in published maps and institutional affiliations.

This Apress imprint is published by the registered company APress

Media, LLC, part of Springer Nature.
The registered company address is: 1 New York Plaza, New York, NY
10004, U.S.A.
To my beloved family,
This book is dedicated to each of you, who have been a constant source of
love and support throughout my writing journey.
To my hardworking parents, whose tireless efforts in raising us have been
truly remarkable. Thank you for nurturing my dreams and instilling in
me a love for knowledge. Your unwavering dedication has played a
pivotal role in my accomplishments.
To my sisters and their children, your presence and love have brought
immense joy and inspiration to my life. I am grateful for the laughter and
shared moments that have sparked my creativity.
And to my loving wife, your consistent support and understanding have
been my guiding light. Thank you for standing by me through the highs
and lows, and for being my biggest cheerleader.
—Michael Hu
Preface
Reinforcement learning (RL) is a highly promising yet challenging
subfield of artificial intelligence (AI) that plays a crucial role in shaping
the future of intelligent systems. From robotics and autonomous agents
to recommendation systems and strategic decision-making, RL enables
machines to learn and adapt through interactions with their
environment. Its remarkable success stories include RL agents
achieving human-level performance in video games and even
surpassing world champions in strategic board games like Go. These
achievements highlight the immense potential of RL in solving complex
problems and pushing the boundaries of AI.
What sets RL apart from other AI subfields is its fundamental
approach: agents learn by interacting with the environment, mirroring
how humans acquire knowledge. However, RL poses challenges that
distinguish it from other AI disciplines. Unlike methods that rely on
precollected training data, RL agents generate their own training
samples. These agents are not explicitly instructed on how to achieve a
goal; instead, they receive state representations of the environment and
a reward signal, forcing them to explore and discover optimal strategies
on their own. Moreover, RL involves complex mathematics that
underpin the formulation and solution of RL problems.
While numerous books on RL exist, they typically fall into two
categories. The first category emphasizes the fundamentals and
mathematics of RL, serving as reference material for researchers and
university students. However, these books often lack implementation
details. The second category focuses on practical hands-on coding of RL
algorithms, neglecting the underlying theory and mathematics. This
apparent gap between theory and implementation prompted us to
create this book, aiming to strike a balance by equally emphasizing
fundamentals, mathematics, and the implementation of successful RL
algorithms.
This book is designed to be accessible and informative for a diverse
audience. It is targeted toward researchers, university students, and
practitioners seeking a comprehensive understanding of RL. By
following a structured approach, the book equips readers with the
necessary knowledge and tools to apply RL techniques effectively in
various domains.
The book is divided into four parts, each building upon the previous
one. Part I focuses on the fundamentals and mathematics of RL, which
form the foundation for almost all discussed algorithms. We begin by
solving simple RL problems using tabular methods. Chapter 2, the
cornerstone of this part, explores Markov decision processes (MDPs)
and the associated value functions, which are recurring concepts
throughout the book. Chapters 3 to 5 delve deeper into these
fundamental concepts by discussing how to use dynamic programming
(DP), Monte Carlo methods, and temporal difference (TD) learning
methods to solve small MDPs.
Part II tackles the challenge of solving large-scale RL problems that
render tabular methods infeasible due to their complexity (e.g., large or
infinite state spaces). Here, we shift our focus to value function
approximation, with particular emphasis on leveraging (deep) neural
networks. Chapter 6 provides a brief introduction to linear value
function approximation, while Chap. 7 delves into the renowned Deep
Q-Network (DQN) algorithm. In Chap. 8, we discuss enhancements to
the DQN algorithm.
Part III explores policy-based methods as an alternative approach to
solving RL problems. While Parts I and II primarily focus on value-
based methods (learning the value function), Part III concentrates on
learning the policy directly. We delve into the theory behind policy
gradient methods and the REINFORCE algorithm in Chap. 9.
Additionally, we explore Actor-Critic algorithms, which combine policy-
based and value-based approaches, in Chap. 10. Furthermore, Chap. 11
covers advanced policy-based algorithms, including surrogate objective
functions and the renowned Proximal Policy Optimization (PPO)
algorithm.
The final part of the book addresses advanced RL topics. Chapter 12
discusses how distributed RL can enhance agent performance, while
Chap. 13 explores the challenges of hard-to-explore RL problems and
presents curiosity-driven exploration as a potential solution. In the
concluding chapter, Chap. 14, we delve into model-based RL by
providing a comprehensive examination of the famous AlphaZero
algorithm.
 Unlike a typical hands-on coding handbook, this book does not
primarily focus on coding exercises. Instead, we dedicate our resources
and time to explaining the fundamentals and core ideas behind each
algorithm. Nevertheless, we provide complete source code for all
examples and algorithms discussed in the book. Our code
implementations are done from scratch, without relying on third-party
RL libraries, except for essential tools like Python, OpenAI Gym, Numpy,
and the PyTorch deep learning framework. While third-party RL
libraries expedite the implementation process in real-world scenarios,
we believe coding each algorithm independently is the best approach
for learning RL fundamentals and mastering the various RL algorithms.
Throughout the book, we employ mathematical notations and
equations, which some readers may perceive as heavy. However, we
prioritize intuition over rigorous proofs, making the material accessible
to a broader audience. A foundational understanding of calculus at a
basic college level, minimal familiarity with linear algebra, and
elementary knowledge of probability and statistics are sufficient to
embark on this journey. We strive to ensure that interested readers
from diverse backgrounds can benefit from the book’s content.
We assume that readers have programming experience in Python
since all the source code is written in this language. While we briefly
cover the basics of deep learning in Chap. 7, including neural networks
and their workings, we recommend some prior familiarity with
machine learning, specifically deep learning concepts such as training a
deep neural network. However, beyond the introductory coverage,
readers can explore additional resources and materials to expand their
knowledge of deep learning.
This book draws inspiration from Reinforcement Learning: An
Introduction by Richard S. Sutton and Andrew G. Barto, a renowned RL
publication. Additionally, it is influenced by prestigious university RL
courses, particularly the mathematical style and notation derived from
Professor Emma Brunskill’s RL course at Stanford University. Although
our approach may differ slightly from Sutton and Barto’s work, we
strive to provide simpler explanations. Additionally, we have derived
some examples from Professor David Silver’s RL course at University
College London, which offers a comprehensive resource for
understanding the fundamentals presented in Part I. We would like to
express our gratitude to Professor Dimitri P. Bertsekas for his
invaluable guidance and inspiration in the field of optimal control and
reinforcement learning. Furthermore, the content of this book
incorporates valuable insights from research papers published by
various organizations and individual researchers.
In conclusion, this book aims to bridge the gap between the
fundamental concepts, mathematics, and practical implementation of
RL algorithms. By striking a balance between theory and
implementation, we provide readers with a comprehensive
understanding of RL, empowering them to apply these techniques in
various domains. We present the necessary mathematics and offer
complete source code for implementation to help readers gain a deep
understanding of RL principles. We hope this book serves as a valuable
resource for readers seeking to explore the fundamentals, mathematics,
and practical aspects of RL algorithms. We must acknowledge that
despite careful editing from our editors and multiple round of reviews,
we cannot guarantee the book’s content is error free. Your feedback and
corrections are invaluable to us. Please do not hesitate to contact us
with any concerns or suggestions for improvement.

Source Code
You can download the source code used in this book from github.​com/​
apress/​art-of-reinforcement-lear ning.
Michael Hu
Any source code or other supplementary material referenced by the
author in this book is available to readers on GitHub (https://​github.​
com/​Apress). For more detailed information, please visit https://​www.​
apress.​com/​gp/​services/​source-code.
Contents
Part I Foundation
1 Introduction
1.​1 AI Breakthrough in Games
1.​2 What Is Reinforcement Learning
1.​3 Agent-Environment in Reinforcement Learning
1.​4 Examples of Reinforcement Learning
1.​5 Common Terms in Reinforcement Learning
1.​6 Why Study Reinforcement Learning
1.​7 The Challenges in Reinforcement Learning
1.​8 Summary
References
2 Markov Decision Processes
2.​1 Overview of MDP
2.​2 Model Reinforcement Learning Problem Using MDP
2.​3 Markov Process or Markov Chain
2.​4 Markov Reward Process
2.​5 Markov Decision Process
2.​6 Alternative Bellman Equations for Value Functions
2.​7 Optimal Policy and Optimal Value Functions
2.​8 Summary
References
3 Dynamic Programming
3.​1 Use DP to Solve MRP Problem
3.​2 Policy Evaluation
3.​3 Policy Improvement
Visit https://ebookmass.com today to explore
a vast collection of ebooks across various
genres, available in popular formats like
PDF, EPUB, and MOBI, fully compatible with
all devices. Enjoy a seamless reading
experience and effortlessly download high-
quality materials in just a few simple steps.
Plus, don’t miss out on exciting offers that
let you access a wealth of knowledge at the
best prices!
 3.​4 Policy Iteration
3.​5 General Policy Iteration
3.​6 Value Iteration
3.​7 Summary
References
4 Monte Carlo Methods
4.​1 Monte Carlo Policy Evaluation
4.​2 Incremental Update
4.​3 Exploration vs.​Exploitation
4.​4 Monte Carlo Control (Policy Improvement)
4.​5 Summary
References
5 Temporal Difference Learning
5.​1 Temporal Difference Learning
5.​2 Temporal Difference Policy Evaluation
5.3 Simplified 𝜖-Greedy Policy for Exploration
5.​4 TD Control—SARSA
5.​5 On-Policy vs.​Off-Policy
5.​6 Q-Learning
5.​7 Double Q-Learning
5.​8 N-Step Bootstrapping
5.​9 Summary
References
Part II Value Function Approximation
6 Linear Value Function Approximation
6.​1 The Challenge of Large-Scale MDPs
 6.​2 Value Function Approximation
6.​3 Stochastic Gradient Descent
6.​4 Linear Value Function Approximation
6.​5 Summary
References
7 Nonlinear Value Function Approximation
7.​1 Neural Networks
7.​2 Training Neural Networks
7.​3 Policy Evaluation with Neural Networks
7.​4 Naive Deep Q-Learning
7.​5 Deep Q-Learning with Experience Replay and Target
Network
7.​6 DQN for Atari Games
7.​7 Summary
References
8 Improvements to DQN
8.​1 DQN with Double Q-Learning
8.​2 Prioritized Experience Replay
8.​3 Advantage function and Dueling Network Architecture
8.​4 Summary
References
Part III Policy Approximation
9 Policy Gradient Methods
9.​1 Policy-Based Methods
9.​2 Policy Gradient
9.​3 REINFORCE
 9.​4 REINFORCE with Baseline
9.​5 Actor-Critic
9.​6 Using Entropy to Encourage Exploration
9.​7 Summary
References
10 Problems with Continuous Action Space
10.​1 The Challenges of Problems with Continuous Action Space
10.​2 MuJoCo Environments
10.​3 Policy Gradient for Problems with Continuous Action
Space
10.​4 Summary
References
11 Advanced Policy Gradient Methods
11.​1 Problems with the Standard Policy Gradient Methods
11.​2 Policy Performance Bounds
11.​3 Proximal Policy Optimization
11.​4 Summary
References
Part IV Advanced Topics
12 Distributed Reinforcement Learning
12.​1 Why Use Distributed Reinforcement Learning
12.​2 General Distributed Reinforcement Learning Architecture
12.​3 Data Parallelism for Distributed Reinforcement Learning
12.​4 Summary
References
13 Curiosity-Driven Exploration
 13.​1 Hard-to-Explore Problems vs.​Sparse Reward Problems
13.​2 Curiosity-Driven Exploration
13.​3 Random Network Distillation
13.​4 Summary
References
14 Planning with a Model:​AlphaZero
14.​1 Why We Need to Plan in Reinforcement Learning
14.​2 Monte Carlo Tree Search
14.​3 AlphaZero
14.​4 Training AlphaZero on a 9 × 9 Go Board
14.​5 Training AlphaZero on a 13 × 13 Gomoku Board
14.​6 Summary
References
Index
About the Author
Michael Hu
is an exceptional software engineer with a wealth of
expertise spanning over a decade, specializing in the
design and implementation of enterprise-level
applications. His current focus revolves around leveraging
the power of machine learning (ML) and artificial
intelligence (AI) to revolutionize operational systems
within enterprises. A true coding enthusiast, Michael finds
solace in the realms of mathematics and continuously
explores cutting-edge technologies, particularly machine learning and
deep learning. His unwavering passion lies in the realm of deep
reinforcement learning, where he constantly seeks to push the
boundaries of knowledge. Demonstrating his commitment to the field,
he has built various numerous open source projects on GitHub that
closely emulate state-of-the-art reinforcement learning algorithms
pioneered by DeepMind, including notable examples like AlphaZero,
MuZero, and Agent57. Through these projects, Michael demonstrates
his commitment to advancing the field and sharing his knowledge with
fellow enthusiasts. He currently resides in the city of Shanghai, China.
About the Technical Reviewer
Shovon Sengupta
has over 14 years of expertise and a deepened
understanding of advanced predictive analytics, machine
learning, deep learning, and reinforcement learning. He
has established a place for himself by creating innovative
financial solutions that have won numerous awards. He is
currently working for one of the leading multinational
financial services corporations in the United States as the
Principal Data Scientist at the AI Center of Excellence. His job entails
leading innovative initiatives that rely on artificial intelligence to
address challenging business problems. He has a US patent (United
States Patent: Sengupta et al.: Automated Predictive Call Routing Using
Reinforcement Learning [US 10,356,244 B1]) to his credit. He is also a
Ph.D. scholar at BITS Pilani. He has reviewed quite a few popular titles
from leading publishers like Packt and Apress and has also authored a
few courses for Packt and CodeRed (EC-Council) in the realm of
machine learning. Apart from that, he has presented at various
international conferences on machine learning, time series forecasting,
and building trustworthy AI. His primary research is concentrated on
deep reinforcement learning, deep learning, natural language
processing (NLP), knowledge graph, causality analysis, and time series
analysis. For more details about Shovon’s work, please check out his
LinkedIn page: www.​linkedin.​com/​in/​shovon-sengupta-272aa917.
Part I
Foundation
© The Author(s), under exclusive license to APress Media, LLC, part of Springer
Nature 2023
M. Hu, The Art of Reinforcement Learning
https://doi.org/10.1007/978-1-4842-9606-6_1

1. Introduction
Michael Hu1
(1) Shanghai, Shanghai, China

Artificial intelligence has made impressive progress in recent years,

with breakthroughs achieved in areas such as image recognition,
natural language processing, and playing games. In particular,
reinforcement learning, a type of machine learning that focuses on
learning by interacting with an environment, has led to remarkable
achievements in the field.
In this book, we focus on the combination of reinforcement learning
and deep neural networks, which have become central to the success of
agents that can master complex games such as board game Go and Atari
video games.
This first chapter provides an overview of reinforcement learning,
including key concepts such as states, rewards, policies, and the
common terms used in reinforcement learning, like the difference
between episodic and continuing reinforcement learning problems,
model-free vs. model-based methods.
Despite the impressive progress in the field, reinforcement learning
still faces significant challenges. For example, it can be difficult to learn
from sparse rewards, and the methods can suffer from instability.
Additionally, scaling to large state and action spaces can be a challenge.
Throughout this book, we will explore these concepts in greater
detail and discuss state-of-the-art techniques used to address these
challenges. By the end of this book, you will have a comprehensive
understanding of the principles of reinforcement learning and how they
can be applied to real-world problems.
We hope this introduction has sparked your curiosity about the
potential of reinforcement learning, and we invite you to join us on this
journey of discovery.

Fig. 1.1 A DQN agent learning to play Atari’s Breakout. The goal of the game is to
use a paddle to bounce a ball up and break through a wall of bricks. The agent only
takes in the raw pixels from the screen, and it has to figure out what’s the right action
to take in order to maximize the score. Idea adapted from Mnih et al. [1]. Game
owned by Atari Interactive, Inc.

1.1 AI Breakthrough in Games

Atari
The Atari 2600 is a home video game console developed by Atari
Interactive, Inc. in the 1970s. It features a collection of iconic video
games. These games, such as Pong, Breakout, Space Invaders, and Pac-
Man, have become classic examples of early video gaming culture. In
this platform, players can interact with these classic games using a
joystick controller.
The breakthrough in Atari games came in 2015 when Mnih et al. [1]
from DeepMind developed an AI agent called DQN to play a list of Atari
video games, some even better than humans.
What makes the DQN agent so influential is how it was trained to
play the game. Similar to a human player, the agent was only given the
raw pixel image of the screen as inputs, as illustrated in Fig. 1.1, and it
has to figure out the rules of the game all by itself and decide what to do
during the game to maximize the score. No human expert knowledge,
such as predefined rules or sample games of human play, was given to
the agent.
The DQN agent is a type of reinforcement learning agent that learns
by interacting with an environment and receiving a reward signal. In
the case of Atari games, the DQN agent receives a score for each action
it takes.
Mnih et al. [1] trained and tested their DQN agents on 57 Atari video
games. They trained one DQN agent for one Atari game, with each agent
playing only the game it was trained on; the training was over millions
of frames. The DQN agent can play half of the games (30 of 57 games) at
or better than a human player, as shown by Mnih et al. [1]. This means
that the agent was able to learn and develop strategies that were better
than what a human player could come up with.
Since then, various organizations and researchers have made
improvements to the DQN agent, incorporating several new techniques.
The Atari video games have become one of the most used test beds for
evaluating the performance of reinforcement learning agents and
algorithms. The Arcade Learning Environment (ALE) [2], which
provides an interface to hundreds of Atari 2600 game environments, is
commonly used by researchers for training and testing reinforcement
learning agents.
In summary, the Atari video games have become a classic example
of early video gaming culture, and the Atari 2600 platform provides a
rich environment for training agents in the field of reinforcement
learning. The breakthrough of DeepMind’s DQN agent, trained and
tested on 57 Atari video games, demonstrated the capability of an AI
agent to learn and make decisions through trial-and-error interactions
with classic games. This breakthrough has spurred many
improvements and advancements in the field of reinforcement learning,
and the Atari games have become a popular test bed for evaluating the
performance of reinforcement learning algorithms.

Go
Go is an ancient Chinese strategy board game played by two players,
who take turns laying pieces of stones on a 19x19 board with the goal
of surrounding more territory than the opponent. Each player has a set
of black or white stones, and the game begins with an empty board.
Visit https://ebookmass.com today to explore
a vast collection of ebooks across various
genres, available in popular formats like
PDF, EPUB, and MOBI, fully compatible with
all devices. Enjoy a seamless reading
experience and effortlessly download high-
quality materials in just a few simple steps.
Plus, don’t miss out on exciting offers that
let you access a wealth of knowledge at the
best prices!
Other documents randomly have
different content
epämuodostumina, kuten esim. kuusisormisia tai harjasihoisia
ihmisiä, Ancona-lampaita, Niata-karjaa y.m.; ja koska ne
ominaisuuksiltaan suuresti eroavat luonnonlajeista, eivät ne
paljoakaan valaise kyseessäolevaa asiaa. Jollemme ota lukuun
tämänlaatuisia muuntelutapauksia, lienee olemassa ainoastaan
harvoja äkillisiä muunteluita ja kun niitä luonnossa tavataan, voidaan
niitä korkeintaan pitää epävarmoina lajeina, jotka ovat läheistä sukua
kantamuodolleen.

Ne syyt, joiden vuoksi epäilen luonnonlajien muuttuneen yhtä

jyrkästi kuin toisinaan kotirodut, ja joiden vuoksi en ensinkään usko
niiden muuttuneen Mivartin otaksumalla ihmeellisellä tavalla, ovat
seuraavat: Kokemuksemme mukaan kotiroduissamme esiintyy jyrkkiä
ja selväpiirteisiä muutoksia vain yksitellen ja jotenkin pitkien
väliaikojen päästä. Jos sellaisia esiintyisi luonnossa, häviävät ne
helposti satunnaisten, tuhoavien voimien tai myöhemmän
ristisiitoksen vaikutuksesta; ja samoin tiedämme käyvän
kesytystilassakin, ellei ihminen omista erikoista huolenpitoa tällaisille
muunteluille ja eristä niitä muiden joukosta. Jos siis oletamme jonkin
uuden lajin äkkiä syntyvän Mivartin otaksumalla tavalla, täytyy
meidän myöskin vastoin kaikkea analogiaa olettaa, että samalle
alueelle yht'äkkiä ilmestyy useita omituisesti muuttuneita yksilöitä.
Tämän pulman vältämme — samoinkuin kysymyksen ollessa ihmisen
toimittamasta itsetiedottomasta valinnasta — omaksumalla opin
asteittaisesta kehityksestä, joka perustuu siihen, että suuri joukko
suotuisaan suuntaan enemmän tai vähemmän muuntelevia yksilöitä
säilyy ja että suuri joukko päinvastaiseen suuntaan muuntelevia
tuhoutuu.

Voi tuskin olla epäilystä siitä, että monet lajit ovat kehittyneet
peräti asteittaisella tavalla. Monien luonnontilassa elävien laajojen
heimojen lajit jopa suvutkin liittyvät niin läheisesti toisiinsa, että niitä
useinkin on vaikea erottaa toisistaan. Jokaisella mantereella
tapaamme, kulkiessamme pohjoisesta etelään, alankoseuduilta
ylänköseuduille j.n.e., runsaasti läheissukuisia eli toisiaan vastaavia
lajeja, samoin tapaamme niitä eräillä toisistaan erotetuilla
mantereilla, joiden on täytynyt olettaa aikaisemmin olleen
yhteydessä keskenään. Tehdessäni nämä ynnä alempana seuraavat
huomautukset, minun on pakko viitata seikkoihin, jotka tulevat vasta
myöhemmin käsiteltäviksi. Jos luomme katseemme jotakin
mannermaata ympäröiviin monilukuisiin saariin, havaitsemme että
hyvin monet niiden asujamista voidaan lukea ainoastaan
epävarmojen lajien joukkoon. Samoin on laita, jos luomme
katseemme menneisiin aikoihin ja vertaamme äskettäin elävien
ilmoilta poistuneita lajeja nykyisiin; tai jos vertaamme saman
geologisen muodostuman eri kerroksiin hautautuneita kivettyneitä
lajeja. On aivan ilmeistä, että monen monituiset lajit ovat mitä
läheisimmässä sukulaisuussuhteessa muihin vielä eläviin tai vielä
hiljan elossa olleisiin lajeihin; ja sellaisten lajien voitanee tuskin
väittää kehittyneen jyrkällä ja äkillisellä tavalla. Meidän ei myöskään
pidä unohtaa, että tarkastaessamme eri lajien sijasta
samansukuisten lajien erikoisia osia voimme havaita lukuisien ja
ihmeen hienovivahteisten välimuotojen liittävän toisiinsa hyvin
erilaisia rakennelmia.

Monet laajat tosiseikkaryhmät ovat käsitettävissä ainoastaan siltä

näkökannalta, että lajit ovat kehittyneet hyvin hitain askelin. Niinpä
se seikka, että laajempiin sukuihin kuuluvat lajit ovat toisilleen
läheisempää sukua ja osottavat suuremman joukon muunnoksia kuin
pienempiin sukuihin kuuluvat lajit. Edelliset ryhmittyvät sitäpaitsi
pieniin sikermiin, samoinkuin muunnokset lajien ympärille, ja ovat
muissakin suhteissa verrattavissa muunnoksiin, kuten teoksemme
toisessa luvussa on osotettu. Samalta näkökannalta voimme
käsittää, mistä syystä lajiominaisuudet ja sellaiset elimistön osat,
jotka ovat poikkeavalla tavalla tai tavattoman voimakkaasti
kehittyneet, ovat muuntelevaisempia kuin muut osat. Voisin mainita
edellisten lisäksi useita muitakin samankaltaisia tosiseikkoja, jotka
kaikki viittaavat samaan suuntaan.

Vaikka on miltei varmaa, että hyvin monet lajit ovat kehittyneet

askelin, jotka eivät ole olleet suurempia kuin ne, jotka erottavat
toisistaan lieviä muunnoksia, voidaan tietysti kumminkin väittää, että
jotkut lajit ovat kehittyneet muista eroavalla, äkillisellä tavalla. Mutta
tällaisen otaksuman tueksi olisi esitettävä painavia todistuksia.
Tuskin mitään huomiota ansaitsevat ne epämääräiset ja eräissä
suhteissa väärät verrantotapaukset, joita on esitetty tämän
mielipiteen tueksi ja joiden paikkansa-pitämättömyyden Chauncey
Wright on osottanut, kuten esim. vertailut epäorganisten aineiden
äkilliseen kiteytymiseen tai soikkopallon (steroidin) keikahtamiseen
asennosta toiseen. Ensi katsannolla näyttää kyllä eräs seikka,
nimittäin geologisissa kerrostumissa huomattava uusien ja selvästi
eroavien lajien äkillinen ilmestyminen, antavan tukea sille arvelulle,
että lajit ovat kehittyneet äkkiä. Mutta tämän todistuksen arvo
riippuu kokonaan siitä, kuinka täydellinen se kertomus on, jonka
geologia antaa meille noista maapallon historian etäisistä ajoista. Jos
tuo kertomus todellakin on niin katkonainen kuin monet geologit
väittävät, ei ole ensinkään kumma, jos näyttää siltä kuin uudet
elämänmuodot olisivat äkkiä kehittyneet.

Ellemme myönnä mahdollisiksi sellaisia suunnattomia muutoksia,

joita Mivart väittää tapahtuneen, kuten esim. lintujen tai lepakkojen
siipien äkillistä kehittymistä tai Hipparionin äkillistä muuttumista
hevoseksi, voi äkillisten muutosten usko tuskin millään tavoin
valaista yhdistävien nivelten puuttumista geologisissa kerrostumissa.
Sen sijaan embryologia (sikiö-oppi) vastustaa jyrkästi tällaisten
äkillisten muutosten mahdollisuutta. On tunnettua, ettei lintujen ja
lepakkojen siivissä ja hevosen jaloissa voi huomata mitään erotusta
varhaisella sikiö-asteella ja että eroavaisuudet ilmaantuvat vasta
myöhemmin pienen pienin astein. Kaikenlaiset sikiössä huomattavat
yhtäläisyydet saavat, kuten myöhemmin tulemme näkemään,
selityksensä siitä, että nykyisten lajiemme esipolvet ovat muuntuneet
yksilöiden aikaisimman nuoruuskauden jälkeisenä aikana ja jättäneet
saavuttamansa uudet ominaisuudet jälkeläisilleen perinnöksi
vastaavassa iässä. Muutoksella ei tämän vuoksi ole ollut juuri mitään
vaikutusta sikiöön, ja tämä on jäänyt lajin muinaisen tilan
todistuskappaleeksi. Siitä johtuu, että nykyään elävät lajit
aikaisemmilla kehitysasteillaan niin yleisesti ovat samankaltaisia kuin
vanhat sukupuuttoon kuolleet samaan luokkaan kuuluvat muodot.
Jos omaksumme tämän kannan sikiöyhtäläisyyksien merkityksestä,
on uskomatonta, että mikään eläin olisi ollut sellaisten äkillisten ja
jyrkkien muutosten alaisena, kuin mistä äsken on ollut puhe,
osottamatta jälkeäkään mistään äkillisestä muuntelusta sikiö-
asteella, jolla sen rakenteen jokainen osa on kehittynyt
huomaamattoman pienin askelin.

Ken uskoo jonkun vanhan muodon sisäisestä pakosta tai

taipumuksesta äkkiä kehittyneen esim. siivelliseksi, hänen on
myöskin miltei välttämättä vastoin kaikkea analogiaa oletettava
useiden yksilöiden muunnelleen samalla haavaa. Mutta tällaiset
jyrkät ja suuret rakenteenmuutokset ovat kieltämättä jotakin aivan
toista kuin ne muuntelut, joiden alaisina useimmat lajit ilmeisesti
ovat olleet. Hänen on edelleen pakko uskoa että äkkiä on syntynyt
useita olennon muiden elimistönosien ja ympäröivien elinehtojen
mukaan oivallisesti mukautuneita rakennelmia; eikä hänellä ole
esitettävänään selityksen varjoakaan, joka tekisi tällaisen
monimutkaisen ja ihmeellisen keskinäisen mukautumisen
käsitettäväksi. Hänen on pakko myöntää, etteivät nuo suuret äkilliset
muutokset ole jättäneet mitään jälkiä sikiöön. Kaiken tällaisen
olettaminen merkitsee mielestäni poistumista tieteen pohjalta ja
astumista ihmeiden valtakuntaan.
VIII LUKU.

VAISTO.

Vaistot ovat verrattavissa tottumuksiin, mutta eri alkuperää. —

Vaistojen asteittainen kehitys. — Lehtitäit ja muurahaiset. — Vaistot
ovat muuntuvaisia. — Kotieläinten vaistot ja niiden alkuperä. —
Käen, molothrus-linnun, strutsin ja loismehiläisten vaistot. — Orjia-
pitävät muurahaiset — Mehiläinen ja sen solunrakennusvaisto. —
Vaiston- ja rakenteenmuutosten ei ehdottomasti tarvitse olla
samanaikuisia. — Vaikeuksia, joita oppi vaistojen luontaisesta
valinnasta tuottaa. — Suvuttomat eli hedelmättömät hyönteiset. —
Yleiskatsaus.

Monet vaistot ovat niin ihmeellisiä, että niiden kehittyminen voinee

lukijasta tuntua vaikeudelta, joka riittää kumoamaan koko teoriani.
Tahdon jo ennakolta huomauttaa, ettei tehtäväni ensinkään ole
sielullisten kykyjen synnyn, enempää kuin itse elämänkään synnyn
selvittäminen. Kysymyksessä ovat ainoastaan vaiston ja eläinten
muiden, samaan luokkaan luettavien sielunkykyjen erilaisuudet.
 En yritä antaa mitään määritelmää vaistosta. Olisi helppo osottaa,
että tämä nimitys käsittää useita erilaisia sieluntoimintoja. Mutta
jokainenhan ymmärtää, mitä tarkotetaan, kun sanotaan vaiston
ohjaavan käkeä muuttamaan ja munimaan munansa toisten lintujen
pesiin. Kun eläin, varsinkin nuori eläin, aivan ilman mitään
kokemusta suorittaa jonkin teon, jonka suorittamiseen me ihmiset
tarvitsisimme kokemusta, ja kun monet yksilöt suorittavat tuon teon
samalla tavalla, tietämättään miksi niin tekevät, sanotaan tämän
tapahtuvan vaistosta. Voisin kumminkin osottaa, ettei kumpikaan
näistä tunnusmerkeistä ole yleispätevä. Mainittuihin tekoihin sisältyy
näet usein, kuten Pierre Huber lausuu, jokin pieni annos järkeä ja
arvostelukykyä, silloinkin kun on kysymys varsin alhaisella asteella
olevista eläimistä.

Frederick Cuvier ja muutamat vanhemmat metafysikot ovat

verranneet vaistoa tottumukseen. Tämä vertaus antaa kyllä kenties
selvän käsityksen siitä sieluntilasta, jonka vallitessa teko suoritetaan,
mutta ei välttämättä teon alkuperästä. Kuinka itsetiedottomasti
suoritammekaan monet tavanmukaiset teot, vieläpä monesti aivan
vastoin itsetietoista tahtoamme! Mutta kumminkin voimme hallita
niitä tahtomme ja järkemme avulla. Tottumukset liittyvät helposti
toisiin tottumuksiin, tiettyihin ajankohtiin ja ruumiintiloihin. Kerran
synnyttyään ne usein säilyvät muuttumattomina kautta elämän.
Voisin viitata moniaihin muihinkin vaistoissa ja tottumuksissa
ilmeneviin yhtäläisyyksiin. Samoinkuin jotain tuttua laulua laulaessa
sävel liittyy säveleen, samoin vaistoissakin eri toiminnot liittyvät
toisiinsa jonkunmoisessa rytmissä. Jos jokin henkilö keskeytetään
hänen laulaessaan tai lukiessaan jotakin ulkoa opittua, täytyy hänen
tavallisesti palata taaksepäin saadakseen jälleen kiinni ajatustensa
langasta. P. Huber havaitsi samaa eräästä toukkalajista, joka kutoo
hyvin monimutkaisen verkon. Jos hän otti verkosta jonkin tällaisen
toukan, joka oli suorittanut kudonta-työnsä, sanokaamme esim.
kuudenteen asteeseen saakka, ja pani sen toiseen verkkoon, jossa
työ oli suoritettu ainoastaan kolmanteen asteeseen saakka, niin
toukka yksinkertaisesti suoritti uudelleen työn neljännen, viidennen
ja kuudennen asteen. Jos toukka sitävastoin otettiin verkosta, jossa
kudonta oli suoritettu esim. kolmanteen asteeseen saakka, ja pantiin
toiseen, jossa työ on päätetty kuudenteen asteeseen, joten jo suuri
osa työtä oli sen puolesta suoritettu, niin se ei suinkaan käyttänyt
hyväkseen valmiiksi suoritettua työtä, vaan oli hyvin hämmentynyt ja
sen näytti olevan pakko, lopettaakseen verkkonsa, alkaa
kolmannesta asteesta, yrittäen siten uudelleen suorittaa jo valmiiksi
tehdyn työn.

Jos oletamme jonkin tavanmukaisen toiminnon muuttuvan

perinnölliseksi — kuten todistettavasti joskus tapahtuu — silloin on
tuo toiminto, joka alkuaan oli ainoastaan tottumusta, niin lähellä
vaistoa, ettei sitä saata tästä erottaa. Jos Mozart, joka
kolmivuotiaana soitti pianoa hyvin vähän harjotusta saatuaan, olisi
soittanut sävelen ilman vähintäkään harjotusta, voisi todellakin
sanoa hänen tehneen sen vaistosta. Mutta olisi suuri erehdys luulla
useimpien vaistojen saaneen alkunsa siten, että eräässä
sukupolvessa syntynyt tottumus on polvesta polveen siirtynyt
perinnöksi jälkeläisille. Selvästi voidaan osottaa, että kaikkein
ihmeellisimmät vaistot, mitä tunnemme, nimittäin mehiläisen ja
useiden muurahaislajien vaistot, eivät ole mitenkään saattaneet
syntyä tottumuksesta.

Kaikki myöntänevät, että vaistot ovat jokaisen lajin menestykselle

vallitsevissa elinehdoissa yhtä tärkeitä kuin ruumiilliset rakennelmat.
Elinehtojen muuttuessa on ainakin mahdollista, että lievät vaistojen
muuntelut saattavat olla lajille hyödyksi; ja jos voidaan osottaa, että
vaistot hiukkasenkaan muuntelevat, ei minusta ole ensinkään
vaikeata olettaa, että luonnollinen valinta säilyttää ja kehittämistään
kehittää vaiston muunteluita, mikäli ne ovat lajille hyödyllisiä. Näin
ovat luullakseni monimutkaisimmat ja ihmeellisimmät vaistot saaneet
alkunsa. Samoinkuin ruumiillisten rakennelmien muunnelmat
syntyvät ja kasvavat käytön eli tavan vaikutuksesta sekä kuihtuvat
tai häviävät käytön puutteessa, samoin on epäilemättä ollut
vaistojenkin laita. Käytön vaikutuksilla uskon kumminkin olevan vain
toisarvoisen merkityksen verrattuna siihen vaikutukseen, mikä
luonnollisella valinnalla on vaiston n.s. spontanisiin muunteluihin,
s.o. muunteluihin, jotka ovat syntyneet samoista tuntemattomista
syistä kuin ruumiinrakenteessa esiintyvät vähäiset poikkeavaisuudet.

Mikään monimutkainen vaisto ei voi syntyä luonnollisen valinnan

kautta muutoin kuin monien vähäisten, mutta hyödyllisten
muuntelujen hitaan, asteittaisen karttumisen kautta. Emme siis voi
luonnossa tavata, yhtä vähän kuin kysymyksen ollessa
ruumiinrakennelmista, niitä todellisia siirtymä-asteita, joiden kautta
jokainen monimutkainen vaisto on kehittynyt — sillä nämä olisivat
tavattavissa ainoastaan kunkin lajin suoraan ylenevissä esipolvissa
—, mutta meidän pitäisi voida tavata joitakin todistuksia tällaisista
siirtymä-asteista rinnakkaispolvissa. Ainakin meidän pitäisi voida
osottaa, että jonkinlaiset astevivahtelut ovat mahdollisia; ja tämän
me epäilemättä voimmekin. Olen hämmästyksellä huomannut,
kuinka usein voimme tavata siirtymä-asteita, jotka johtavat mitä
monimutkaisimpiin vaistoihin, huolimatta siitä että hyvin vähän
huomiota on kiinnitetty muissa maanosissa kuin Europassa ja
Pohjois-Amerikassa elävien eläinten vaistoihin ja ettei sukupuuttoon
kuolleiden lajien vaistoja ensinkään tunneta. Vaistojen muuttumista
voi toisinaan helpottaa se, että sama laji noudattaa eri vaistoja eri
ikäkausinaan, eri vuodenaikoina, eri olosuhteissa j.n.e. Tässä
tapauksessa luonnollinen valinta saattaa säilyttää jonkun näistä eri
vaistoista. Ja tällaisia esimerkkejä samassa lajissa havaittavasta
vaistojen erilaisuudesta voidaan kyllä osottaa luonnossa esiintyvän.

Samoinkuin ruumiinrakennelmat, ovat kunkin lajin vaistot —

teoriani kanssa yhtäpitävästi — hyödyksi sille itselleen, eivätkä ole
milloinkaan syntyneet hyödyttämään yksinomaan jotakin muuta
olentoa, mikäli voimme asiata arvostella. Yksi selvimpiä tuntemiani
esimerkkejä siitä, että eläin ilmeisesti suorittaa jonkin toiminnon
yksinomaan toisen olennon hyväksi, on se Huberin ensinnä tekemä
huomio, että lehtitäit vapaaehtoisesti antavat makeata eritettään
muurahaisille. Että ne tekevät tämän vapaaehtoisesti, sen osottavat
seuraavat tosiasiat: Poistin eräästä suolaruohosta, jossa oli
toistakymmentä lehtitäitä yhdessä kasassa, kaikki muurahaiset ja
estin ne pääsemästä siihen useiden tuntien aikana. Nyt olin varma
siitä, että lehtitäillä olisi tarve ulostaa. Tarkastin niitä jonkun aikaa
suurennuslasilla, mutta ei ainoakaan ulostanut; sitten kutkutin ja
sivelin niitä karvalla, koettaen mikäli mahdollista tehdä tämän
samalla tavalla kuin muurahaiset koskettavat niitä tuntosarvillaan,
mutta tällöinkään ei ainoakaan ulostanut. Tämän jälkeen päästin
erään muurahaisen niiden luokse, ja se näytti päättäen siitä innosta,
millä se liikkui, heti oivallisesti käsittävän, minkä runsaan
maitovaraston se oli tavannut. Se alkoi kosketella tuntosarvillaan
lehtitäiden takaruumista, toisen toisensa perästä, ja jokainen näistä
tunnettuaan kosketuksen heti nosti takaruumiinsa ja ulosti kirkkaan
pisaran makeata nestettä, jonka muurahainen ahneesti söi. Aivan
nuoretkin lehtitäit menettelivät täten, osottaen sillä, että teko oli
vaistomainen, eikä mikään kokemuksen tulos. Huberin tekemät
huomiot osottavat selvästi, etteivät lehtitäit tunne mitään
vastenmielisyyttä muurahaisia kohtaan. Jollei jälkimäisiä ole
saapuvilla, niiden täytyy lopulta heittää ulostuksensa. Mutta koska
niiden ulostukset ovat tavattoman tahmeat, on lehtitäille epäilemättä
mukavaa, että ulostukset tulevat poistetuiksi; ne eivät siis
todennäköisesti ulosta yksinomaan muurahaisten hyväksi.
Vaikkakaan ei voida todistaa, että mikään eläin suorittaisi jonkun
toiminnon yksinomaan toisen lajin hyväksi, koettaa kumminkin
jokainen hyötyä muiden vaistoista, samoinkuin jokainen koettaa
hyötyä toisen lajin heikommasta ruumiinrakenteesta. Kaikkia
vaistojakaan ei siis voi pitää ehdottomasti täydellisinä. Koska
kumminkaan ei ole välttämätöntä esiintuoda yksityisseikkoja tämän
ja muiden samantapaisten seikkojen valaisemiseksi, jätän ne tässä
mainitsematta.

Koska vaistojen välttämättä täytyy luonnontilassa jonkun verran

muunnella ja muuntelujen täytyy olla perinnöllisiä, jotta luonnollinen
valinta voisi vaistoihin vaikuttaa, pitäisi minun oikeastaan mainita
mahdollisimman paljon esimerkkejä tällaisista vaistojen
muunteluista. Tilan puute kumminkin estää minua sitä tekemästä.
Voin ainoastaan vakuuttaa, että vaistot varmasti muuntelevat —
esim. vaellusvaisto, mitä vaellusten laajuuteen ja suuntaan tulee,
vieläpä sitenkin, että se kokonaan häviää. Sama on
pesänrakennusvaraston laita, sillä lintujen pesät vaihtelevat usein,
riippuen pesän paikasta, seudun luonnosta ja lämpösuhteista, mutta
usein myöskin meille aivan tuntemattomista syistä. Audubon on
maininnut useita merkillisiä esimerkkejä siitä, että saman lintulajin
pesät eroavat toisistaan Yhdysvaltojen pohjois- ja eteläosissa. On
kysytty, miksi ei mehiläisille ole "suotu kykyä käyttää mitään muita
aineksia kuin vahaa, kun tätä ei ole saatavissa", jos kerran vaistot
ovat muuntelevaisia. Mutta mitäpä muita aineksia mehiläiset voisivat
käyttää? Olen itse nähnyt niiden käyttävän valmista vahaa, jota oli
kovennettu sinooperivärillä tai jota oli pehmennetty silavalla. Andrew
Knight on havainnut mehiläistensä käyttävän vaivalloisesti kerättävän
iskosvahan asemasta vahasta ja tärpätistä sekotettua tahdasta, jolla
hän oli peittänyt puitten kuoressa olevia vikaantumia. Äskettäin on
osotettu mehiläisten, sen sijaan että etsisivät siitepölyä, halukkaasti
käyttävän aivan erilaista ainetta, nimittäin kaurajauhoja. Jonkun
erikoisen vihollisen pelko on varmasti vaistomainen ominaisuus,
kuten voi havaita pesivistä linnusta, joskin sitä kartuttaa kokemus ja
saman vihollisen pelon näkeminen muissa eläimissä. Ihmisen pelko
kehittyy hitaasti, kuten olen toisessa paikassa osottanut, eri
eläimissä, jotka asustavat autioilla saarilla. Esimerkin samasta
seikasta näemme Englannissakin, sillä ovathan suuremmat lintumme
arempia kuin pikkulinnut, syystä että ihminen on niitä enemmän
ahdistanut. Voimme täydellä varmuudella katsoa suurten lintujemme
arkuuden johtuvan tästä syystä, sillä asumattomilla saarilla eivät
suuret linnut ole sen arempia kuin pienetkään; ja harakka, joka
Englannissa on niin arka, on Norjassa kesy lintu, samoinkuin varis
Egyptissä.

Monia tosiseikkoja voisin mainita osotukseksi siitä, että

samansukuisten, luonnontilassa syntyneidenkin, eläinten henkiset
ominaisuudet ovat muuntelevaisia. Voisin myöskin mainita useita
esimerkkejä kesyttömissä eläimissä ilmenneistä satunnaisista ja
omituisista tavoista, jotka siinä tapauksessa, että olisivat lajille
hyödyllisiä, voisivat luonnollisen valinnan kautta kehittyä uusiksi
vaistoiksi. Oivallan varsin hyvin, etteivät tällaiset yleiset väitteet
kykene lukijaa suurestikaan vakuuttamaan, jollei niitten tueksi
mainita yksityiskohtaisia tapauksia. Kumminkin voin ainoastaan
toistaa vakuutukseni, etten puhu ilman sitovia todistuksia.
TAVAN TAI VAISTON PERINNÖLLISIÄ MUUTOKSIA
KOTIELÄIMISSÄ.

Jos tarkastelemme eräitä kesytetyissä eläimissä ilmeneviä tapauksia,

varmistuu uskomme, että perinnölliset vaistonmuuntelut ovat
luonnontilassakin mahdollisia, jopa todennäköisiäkin. Voimme niitä
tarkastellessamme havaita, kuinka tottumukset ja n.s. spontanisten
muuntelujen valinta ovat muuntaneet kotieläintemme henkisiä
ominaisuuksia. On tunnettua, kuinka suuresti kotieläinten henkiset
ominaisuudet vaihtelevat. Niinpä esim. toinen kissa on luonnostaan
halukas pyytämään rottia, toinen taas hiiriä, ja tällaisten
ominaisuuksien tiedetään olevan perinnöllisiä. St. John kertoo,
kuinka eräs kissa kantoi kotiin metsälintuja, toinen jäniksiä ja
kaniineja ja kolmas pyydysteli vesiperäisillä mailla, saaden miltei joka
yö kiinni lehtokurppia tai vikloja. Voisin mainita suuren joukon
omituisia, varmoista lähteistä peräisin olevia esimerkkejä siitä, että
erilaiset luonteenlaadun ja maun vivahdukset ja myöskin mitä
eriskummallisimmat temput, jotka liittyvät eräisiin sieluntiloihin tai
ajankohtiin, menevät perinnöksi. Katsokaamme koiraroduissa
esiintyviä tunnettuja tapauksia. On aivan varmaa, että nuoret
pointerit (olen itse nähnyt oivallisen esimerkin siitä) toisinaan
"seisovat", jopa saavat toverinsakin seisomaan heti ensi kertaa
metsällä ollessaan; ammutun riistan noutaminen on varmasti
johonkin määrin perinnöllinen ominaisuus riistannoutajakoirilla
(retrievers) ja samoin paimenkoirat noudattavat perittyä
taipumustaan kaartaessaan lauman, sen sijaan että hyökkäisivät sitä
kohti. Tällaiset toiminnot, joita nuoret eläimet suorittavat ilman
edelläkäypää kokemusta, kaikki yksilöt miltei samalla tavalla, ja joita
kukin rotu suorittaa kiihkeällä halulla, tietämättä niiden tarkotusta —
sillä esim. nuori pointeri tietää yhtävähän "seisovansa" auttaakseen
isäntäänsä, kuin valkoinen kaaliperhonen tietää, miksi se laskee
munansa kaalinlehtiin — tällaiset toiminnot eivät käsittääkseni
oleellisesti eroa todellisista vaistoista. Jos näkisimme jonkin susilajin
penikkain ilman minkäänlaista opetusta pysähtyvän liikkumattomaksi
kuin kuvapatsas heti saaliin vainuttuaan ja sitten hitaasti ryömivän
eteenpäin omituisin liikkein, tai jos näkisimme toisen susilajin
saartavan hirvilauman, sen sijaan että hyökkäisi sen kimppuun, ja
ajavan sen johonkin etäiseen paikkaan, niin varmaankin
nimittäisimme näitä tekoja vaistomaisiksi. Kotieläinten vaistot eivät
tosin ole läheskään niin syvään syöpyneitä kuin kesyttömien eläinten
vaistot, mutta niihin ei olekaan vaikuttanut läheskään yhtä ankara
valinta kuin jälkimäisiin ja ne ovat periytyneet jälkeläisiin
verrattoman paljon lyhyemmän ajan kuluessa ja epävakaisemmissa
olosuhteissa.

Kuinka voimakkaina kotieläinten vaistot, tavat ja luonteenlaatu

periytyvät ja kuinka omituisesti ne sekottuvat toisiinsa, huomataan
selvästi eri koirarotuja keskenään paritettaessa. Niinpä tiedetään,
että vinttikoirien risteyttäminen härkäkoiran eli bulldoggin kanssa on
antanut vinttikoirille rohkeutta ja itsepäisyyttä, ja nämä
ominaisuudet ovat periytyneet moniin sukupolviin; samoin on
risteytys vinttikoiran kanssa antanut kokonaiselle paimenkoirasuvulle
taipumuksen jäniksen ajamiseen. Ristisiitoksen seurauksina
ilmetessään kotieläinten vaistot muistuttavat kesyttömien eläinten
vaistoja, jotka nekin omituisesti sekottuvat ja pitkiksi ajoiksi
osottavat jälkiä jommankumman vanhemman vaistoista. Niinpä Le
Roy kertoo erään koiran, jonka iso-isän isä oli susi, ilmaisseen villin
sukuperänsä yhdellä ainoalla tavalla, nimittäin siten, ettei se
kutsuttaessa tullut suoraa suuntaa isäntänsä luokse.
 Kotieläinten vaistoja käsitetään toisinaan toiminnoiksi, jotka ovat
tulleet perinnöllisiksi ainoastaan pitkällisestä ja pakollisesta
tottumuksesta. Mutta tämä ei ole totta. Kenenkään päähän ei olisi
pistänyt eikä kukaan luultavasti olisi voinutkaan opettaa
kuperkeikkakyyhkystä heittämään kuperkeikkoja — joita olen nähnyt
nuorten poikasten suorittavan, jotka eivät milloinkaan olleet nähneet
vanhempien kyyhkysten heittävän kuperkeikkoja. On luultavaa, että
aluksi jokin kyyhkynen osotti vähäistä taipumusta tähän omituiseen
tapaan ja että parhaiden yksilöiden pitkällinen, polvi polvelta
jatkunut valinta on tehnyt kuperkeikkakyyhkysen siksi, mikä se nyt
on; lähellä Glasgow'ta on, mikäli olen Brent'iltä kuullut,
kotikuperkeikkakyyhkysiä, jotka eivät voi lentää kahdeksantoista
tuuman korkeuteen nakkautumatta nurinniskoin. On epäiltävää,
olisiko kenenkään mieleen juolahtanut opettaa koiraa "seisomaan",
jollei joku koira olisi osottanut tähän taipumusta; tämän
taipumuksen tiedetään toisinaan ilmenevän puhdasrotuisessa
terrierissäkin, kuten itse olen kerran nähnyt. "Seisominen" on
todennäköisesti, kuten monet ovat arvelleet, ainoastaan se
pysähdys, jolla eläin valmistautuu hyppäämään saaliinsa kimppuun,
äärimmilleen kehittyneenä. Kun ensi taipumus seisomiseen oli
ilmennyt, saattoivat määräperäinen valinta ja polvesta polveen
pitkitetyn pakollisen harjotuksen perinnölliset vaikutukset piankin
työn päätökseen; ja itsetiedotonta valintaa jatkuu yhä edelleen, kun
jokainen, yrittämättä parantaa rotua, koettaa hankkia itselleen
metsästyskoiria, jotka "seisovat" paraiten. Muutamissa tapauksissa
on sitävastoin pelkkä tapa sinänsä ollut riittävä. Tuskin mitään
eläintä on vaikeampi kesyttää kuin villin kaniinin poikasta ja tuskin
mikään eläin on kesympi kuin kesyn kaniinin poikanen. Kotikaniinien
valintaa harjotettaessa lienee tuskin useinkaan yksinomaan pidetty
silmällä niiden kesyyttä. Tuo perinnöllinen kehitys äärimäisestä
kesyttömyydestä äärimäiseen kesyyteen lienee siis ainakin
suurimmaksi osaksi luettava tottumuksen ja pitkällisen vankeuden
ansioksi.

Luontaiset vaistot häviävät usein kesytystilassa. Merkillisenä

esimerkkinä tästä ovat ne siipikarjarodut, jotka hyvin harvoin tai
eivät milloinkaan haudo muniaan. Ainoastaan jokapäiväinen
tottumus estää meitä näkemästä, kuinka suuresti ja kuinka
pysyväisesti kotieläintemme henkiset ominaisuudet ovat muuttuneet.
Saattaa tuskin epäillä, että rakkaus ihmiseen on muuttunut koirassa
vaistomaiseksi ominaisuudeksi. Kaikki sudet, ketut, shakaalit ja
kissalajit ovat kesyinä tavattoman innokkaita ahdistamaan kanoja,
lampaita ja sikoja ja sama parantumaton taipumus on huomattu
olevan koirilla, joita penikkoina on tuotu sellaisista maista kuin
Tulimaasta ja Australiasta, missä eivät alkuasukkaat pidä näitä
kotieläimiä. Kuinka harvoin sitävastoin tarvitseekaan opettaa meidän
"sivistyneitä" koiriamme olemaan hätyyttämättä kanoja, lampaita ja
sikoja. Epäilemättä ne joskus sen tekevät, mutta saavat silloin
selkäänsä ja jos selkäsauna ei niitä paranna, niin ne hävitetään.
Täten tapa ja johonkin määrin valinta ovat todennäköisesti kumpikin
perinnäisesti sivistäneet koiriamme. Tottumuksesta ovat
kananpoikaset kokonaan kadottaneet pelkonsa koiraa ja kissaa
kohtaan, joka epäilemättä oli niissä aluksi vaistomainen; kapteeni
Hutton on näet kertonut minulle, että kotikanan kantalajin Gallus
bankivan poikaset, joita Intiassa on haudotettu kotikanalla, ovat
alussa tavattoman kesyttömiä. Samoin on fasaaninpoikasten laita,
joita Englannissa on haudotettu kanalla. Kesyjen kanalintujen
poikaset eivät suinkaan ole kadottaneet kaikkea pelkoa, vaan
ainoastaan pelkonsa koiraa ja kissaa kohtaan, sillä kun emo päästää
vaaraa ilmottavan kaakatuksensa, niin ne (varsinkin
kalkkunanpoikaset) juoksevat esiin emon siipien alta ja piiloutuvat
ympäröivään ruohoon tai pensaikkoon; tämän ne ilmeisesti tekevät
siinä vaistomaisessa tarkotuksessa, että emo voisi lentää pois, kuten
näemme kesyttömien maassa-elävien lintujen tekevän. Mutta tämä
kananpoikasissamme säilynyt vaisto on kesytystilassa tullut
tarpeettomaksi, sillä kanaemo on puuttuvan harjotuksen johdosta
miltei tyyten kadottanut lentokykynsä.

Voimme siis tehdä sen johtopäätöksen, että kesytystilassa on

syntynyt uusia vaistoja ja hävinnyt luonnonvaistoja, osaksi
tottumuksesta, osaksi siten, että ihminen on polvi polvelta
valinnallaan kehittänyt erikoisia sielullisia tottumuksia ja toimintoja,
jotka ensi aluksi ilmaantuivat sattumalta, käyttääksemme tätä sanaa,
koska emme tiedä mainita mitään muuta syytä. Muutamissa
tapauksissa on pelkkä pakollinen tottumus riittänyt aikaansaamaan
perinnöllisiä sielullisia muutoksia; toisissa taas pakollinen tottumus ei
ole aikaansaanut mitään ja kaikki on ollut tuloksena valinnasta, jota
on harjotettu sekä määräperäisesti että itsetiedottomasti. Mutta
useimmissa tapauksissa ovat sekä tottumus että valinta osaltansa
myötävaikuttaneet.

ERIKOISIA VAISTOJA.

Saamme kenties parhaan käsityksen siitä, kuinka vaistot ovat

luonnontilassa muuntuneet luonnollisen valinnan vaikutuksesta, jos
lähemmin tarkastamme muutamia erikoisia tapauksia. Otan puheeksi
ainoastaan kolme tapausta: käen vaiston, joka saa sen munimaan
munansa muiden lintujen pesiin, eräiden muurahaisten orjanotto-
vaiston ja mehiläisen solunrakennuskyvyn. Kahta viimemainittua
vaistoa ovat luonnontutkijat syystä pitäneet ihmeellisimpinä kaikista
tuntemistamme vaistoista.
 Käen vaistot. — Muutamat luonnontutkijat arvelevat käen vaiston
välittömäksi syyksi sitä, ettei se muni muniaan päivittäin, vaan
kunkin seuraavan munan parin kolmen päivän väliajan perästä. Jos
se siis tekisi oman pesän ja hautoisi itse munansa, täytyisi sen joko
jättää ensin munitut munat joksikin aikaa hautomatta tai olisi
samassa pesässä yhtaikaa munia ja eri-ikäisiä poikasia. Jos asian
laita olisi tällainen, tulisi munimis- ja munien kuorimisaika haitallisen
pitkälliseksi, etenkin kun käki muuttaa hyvin varhain, ja ensin
kuoritut poikaset joutuisivat todennäköisesti koiraksen yksin
elätettäviksi. Juuri näin onkin amerikalaisen käen laita; se rakentaa
oman pesän ja sillä on samalla aikaa munia ja poikasia, joita se
kuorii munasta, sitä myöten kuin ne kehittyvät. On väitetty
amerikalaisen käen joskus munivan munansa muiden lintujen pesiin,
mutta on myöskin vastustettu tätä väitettä. Äskettäin kertoi minulle
kumminkin tohtori Merrell, Iowasta, kerran löytäneensä Illinois'issa
hohkanärhen (Garrulus cristatus) pesästä käenpoikasen yhdessä
närhenpoikasen kanssa; ja koska molemmilla oli miltei täydellinen
höyhenpeite, ei niiden lajista saattanut erehtyä. Voisin myöskin
mainita useita esimerkkejä eri linnuista, joiden tiedetään toisinaan
munivan muiden lintujen pesiin. Olettakaamme nyt, että
europalaisen käen muinaisilla esivanhemmilla oli samanlaiset
elintavat kuin amerikalaiselle käellä ja että se toisinaan muni muiden
lintujen pesiin. Jos tämä tilapäinen tapa tuotti hyötyä vanhalle
linnulle, joko sallimalla sen muuttaa aikaisemmin tai jostakin muusta
syystä, tai jos toisen lajin harhaanmenneen vaiston hyväkseen-
käyttäminen teki käenpoikaset voimakkaammiksi kuin miksi ne
olisivat kehittyneet oman emänsä huomassa, jota tuskin saattoi olla
rasittamatta se, että sillä oli samaan aikaan munia ja eri-ikäisiä
poikasia — silloin joko vanhat linnut tai poikaset saavuttivat sen
kautta etua. Ja analogia tekee uskottavaksi, että siten kasvatetut
poikaset jälleen perinnöllisyyden vaikutuksesta saattoivat noudattaa
emänsä satunnaista, hairahtunutta tapaa munia munansa muiden
lintujen pesiin ja siten suuremmalla menestyksellä kasvattaa
poikasensa. Tällaisesta jatkuvasta tavasta on luullakseni käkemme
omituinen vaisto syntynyt. Äskettäin on sitäpaitsi Adolf Müller
epäämättömän varmasti todistanut käen toisinaan munivan munansa
paljaalle maalle, hautovan niitä ja ruokkivan poikasensa. Tämä
harvinainen tapaus on todennäköisesti ilmaus alkuperäisen, aikoja
sitten menetetyn pesänrakennusvaiston palautumisesta.

On väitetty, etten ole ottanut huomioon käen muita vaistoja ja

rakenteen-mukautumisia, joiden oletetaan välttämättä olevan
kysymyksessä olevan vaiston kanssa rinnakkaisia. Mutta onhan
hyödytöntä lausua arveluita jostakin vaistosta, jonka tunnemme
ainoastaan yhdellä ainoalla lajilla, sillä tähän saakka emme ole
voineet nojautua mihinkään tosiasioihin. Aivan viime aikoihin saakka
on tunnettu ainoastaan europalaisen ja amerikalaisen käen vaistot,
joista jälkimäisellä ei ole europalaisen käen loistapoja; saamme
kiittää Ramsayn tekemiä havaintoja siitä, että nykyään tiedämme
jotakin kolmesta australialaisesta lajista, jotka myöskin munivat
munansa muiden lintujen pesiin. Käen vaistoihin nähden on meidän
kiinnitettävä huomiota etupäässä seuraavaan kolmeen seikkaan:
Ensinnä siihen, että tavallinen käki harvoja poikkeuksia
lukuunottamatta munii ainoastaan yhden munan samaan pesään,
joten suuri ja ahmatti käenpoika saa runsaasti ruokaa. Toiseksi, että
munat ovat peräti pieniä, leivosen munan kokoisia, vaikka käki on
noin neljä kertaa leivosen kokoinen. Että munan pienuus on
todellinen soveltaumistapaus, voimme päättää siitä, että oman
pesänsä laativa amerikalainen käki munii kokoansa vastaavia munia.
Kolmanneksi on huomattava, että käenpoikasella jo pian syntymänsä
jälkeen on tarpeeksi voimaa ja tarkotukseen soveltuva nokka,
voidakseen noudattaa vaistoansa ja heittää ulos kasvinveljensä,
jotka sitten kuolevat viluun ja nälkään. Tätä on — rohkeasti kylläkin
— kutsuttu armeliaaksi järjestykseksi, jonka tarkotus on, että nuori
käki saisi riittävästi ruokaa ja että sen kasvinveljet tuhoutuisivat,
ennenkuin tunto vielä on niillä suuresti kehittynyt!

Siirtykäämme nyt australialaisiin lajeihin. Vaikka nämä yleensä

munivat ainoastaan yhden munan kuhunkin pesään, ei ole
harvinaista, että samasta pesästä löytää kaksi, jopa kolmekin
munaa. Vaskikäen munien koko vaihtelee suuresti, pituudeltaan ne
ovat kahdeksasta kymmeneen linjaan. Jos nyt tällä lajilla olisi ollut
jotakin etua vielä pienempien munien munimisesta, joko siten, että
munien pienuus olisi voinut pettää eräitä kasvatusvanhempia tai,
mikä on todennäköisempää, että hautomisaika olisi lyhennyt
(väitetään näet munien suuruuden olevan suhteessa hautomisajan
pituuteen), silloin ei ole ensinkään vaikeata uskoa, että olisi voinut
muodostua rotu tai laji, joka olisi muninut yhä pienempiä munia,
koska nämä suuremmalla varmuudella olisivat tulleet haudotuiksi ja
niistä syntyneet poikaset kasvatetuiksi. Ramsay huomauttaa, että
kaksi Australian käkilajeista avonaiseen pesään muniessaan
ilmeisesti osottaa suosivansa sellaisten lintujen pesiä, joiden munat
ovat samanvärisiä kuin niiden omat munat. Europalaisella käelläkin
on jonkun verran samaa vaistoa, mutta usein se myöskin toimii
vastoin tuota vaistoa, esim. muniessaan himmeän ja
epäselvänvärisen munansa rautiaisen pesään, jolla on
kirkkaanväriset sinivihreät munat. Jos käkemme poikkeuksetta
noudattaisi mainittua vaistoa, olisi sekin varmaan luettu niihin käen
vaistoihin, joiden oletetaan kaikkien täytyneen kehittyä yhtä rinnan.
Australialaisen vaskikäen munat vaihtelevat Ramsayn mukaan
tavattomasti väriltään, joten tässäkin suhteessa, samoinkuin
kokoonkin nähden, luonnollinen valinta olisi voinut turvata ja
vakaannuttaa jonkin suotuisan muuntelun.

Europalaisen käen poikanen heittää tavallisesti kolme päivää sen

jälkeen kun se on päässyt munasta pesästä kasvatusvanhempiensa
poikaset. Koska käki on tässä iässä vielä peräti avuton, oletti Gould
aikaisemmin, että tämän pesästä-heittämisen suorittivat käen
kasvatusvanhemmat. Äskettäin hän kumminkin on saanut kuulla
luotettavan kertomuksen, että on todella nähty erään käenpoikasen,
joka vielä oli sokea eikä kyennyt pitämään päätään pystyssä,
heittävän pesästä kasvinveljensä. Tapauksen näkijä pani erään näistä
takaisin pesään, ja käki heitti uudelleen sen pesästä. Jos
käenpoikaselle on tärkeätä heti munasta päästyään saada niin
runsaasti ravintoa kuin mahdollista, kuten asian laita todennäköisesti
on, niin ei mielestäni ole ensinkään vaikeata otaksua mainitun
omituisen ja ilkeän vaiston kehittyneen siten, että käki vähitellen,
polvi polvelta, on saavuttanut tuohon tekoon tarvittavan sokean
kiihkon, voiman ja rakenteen; sillä ne käenpoikaset, joilla tällaiset
tavat ja tällainen rakenne olivat parhaiten kehittyneinä, tulivat
suuremmalla varmuudella kasvatetuiksi. Ensimäisenä askeleena
varsinaisen vaiston kehittymiseen on saattanut olla pelkkä
tarkotukseton levottomuus, joka ilmeni käenpoikasessa, kun se oli
jonkun verran varttunut iältään ja voimiltaan; myöhemmin tästä
sitten kehittyi tapa, joka siirtyi varhaisempaan ikään. Mielestäni ei
tässä ole sen suurempaa vaikeutta kuin siinäkään, että muiden
lintujen kuorimattomat pojat ovat saaneet munansärkemisvaiston tai
että käärmeenpoikasille on — kuten Owen on huomauttanut —
kehittynyt yläleukaan väliaikainen, terävä hammas sitkeän
munankuoren rikkipuremista varten. Sillä jos kerran jokainen
elimistönosa on kaikkina ikäkausina altis yksilöllisille muunteluille ja
jos muunteluiden taipumuksena on periytyä vastaavassa tai
varhaisemmassa iässä — joita olettamuksia ei voida väittää vääriksi
— täytyy poikasten vaistojen ja rakenteen yhtä varmasti kuin täysi-
ikäisten eläintenkin voida vähitellen muuntua; molemmat tapaukset
joko seisovat tai sortuvat yhdessä luonnollisen valinnan koko opin
kanssa.

Eräillä Molothrus-lajeilla (selvästi muista eroava amerikalainen

lintusuku, joka on sukua meidän kottaraisillemme) on samanlaisia
loistapoja kuin käellä, ja eri lajit muodostavat mielenkiintoisen
astesarjan, mitä näiden vaistojen kehitykseen tulee. Etevä
huomioidentekijä Hudson kertoo että Molothrus badius lajin urokset
ja naarakset milloin elävät sekaisin parvissa, milloin taas parittain.
Ne joko rakentavat oman pesän tai anastavat sen joltakin muulta
linnulta ja heittävät joskus poikaset pesästä. Ne hautovat tavallisesti
itse munansa ja kasvattavat poikasensa; mutta Hudson arvelee, että
niillä todennäköisesti toisinaan on loistapoja, sillä hän on nähnyt
poikasten seuraavan vieraaseen lajiin kuuluvia vanhoja lintuja
kirkuen ruokaa. Erään toisen Molothrus-lajin, M. bonariensis,
loistavat ovat paljon pitemmälle kehittyneet kuin äskenmainitun,
mutta eivät suinkaan nekään täydelliset. Mikäli tiedetään, munii
tämä lintu poikkeuksetta munansa muiden lintujen pesiin; mutta,
merkillistä kyllä, muutamat linnut toisinaan alkavat yhdessä rakentaa
epäsäännöllistä, resuista pesää johonkin omituisen huonosti valittuun
paikkaan, esim. suuren ohdakkeen lehdille. Kumminkaan ne eivät
koskaan, mikäli Hudson on havainnut, rakenna pesää valmiiksi. Ne
munivat usein vieraaseen pesään niin paljon munia — noin
viisitoista, jopa kaksikymmentä — että ainoastaan muutamat niistä
voivat tulla kuorituiksi. Sitäpaitsi niillä on omituinen tapa nokkia
reikiä joko oman lajinsa tai toisten lintujen muniin, joita he tapaavat
anastamassaan pesässä. Usein ne myöskin munivat paljaalle maalle,
jossa munat joutuvat hukkaan. Kolmannella lajilla, M. pecoris, ovat
Welcome to our website – the ideal destination for book lovers and
knowledge seekers. With a mission to inspire endlessly, we offer a
vast collection of books, ranging from classic literary works to
specialized publications, self-development books, and children's
literature. Each book is a new journey of discovery, expanding
knowledge and enriching the soul of the reade

Our website is not just a platform for buying books, but a bridge
connecting readers to the timeless values of culture and wisdom. With
an elegant, user-friendly interface and an intelligent search system,
we are committed to providing a quick and convenient shopping
experience. Additionally, our special promotions and home delivery
services ensure that you save time and fully enjoy the joy of reading.

Let us accompany you on the journey of exploring knowledge and

personal growth!

ebookmass.com