การพิจารณาธรรมชาติของสิ่งมีชีวิตผ่านเลนส์ของสารสนเทศนิยม (Informationalism) และทฤษฎีโลกจำลอง (Simulation Hypothesis)

การUPDATEชีวิตในEarthSimlation ผ่านจุลชีพไวรัส 

การพิจารณาธรรมชาติของสิ่งมีชีวิตผ่านเลนส์ของสารสนเทศนิยม (Informationalism) และทฤษฎีโลกจำลอง (Simulation Hypothesis) นำไปสู่การตั้งคำถามที่ท้าทายรากฐานของชีววิทยากระแสหลัก เมื่อพิจารณาว่าจักรวาลอาจเป็นระบบประมวลผลข้อมูลขนาดใหญ่ที่ถูกออกแบบโดยอารยธรรมระดับสูงเพื่อวัตถุประสงค์ในการเรียนรู้หรือการทดลองทางวิวัฒนาการ 1 ในบริบทนี้ "วิวัฒนาการ" (Evolution) อาจไม่ใช่เพียงกระบวนการสุ่มคัดเลือกโดยธรรมชาติที่มีลักษณะไร้ทิศทาง แต่เป็นการดำเนินงานตามอัลกอริทึมที่มีการปรับปรุงและอัปเกรดอย่างต่อเนื่องผ่านกลไกการส่งสารสนเทศจากภายนอกเข้าสู่ระบบ 3 รายงานฉบับนี้มุ่งวิเคราะห์บทบาทของไวรัสในฐานะ "โค้ดอัปเดต" (Update Code) หรือ "แพตช์" (Patch) ทางชีวภาพที่ทำหน้าที่ถ่ายโอนคำสั่งทางพันธุกรรมเพื่อยกระดับความซับซ้อนของสิ่งมีชีวิตในโลกจำลอง โดยเชื่อมโยงหลักฐานทางไวรัสวิทยา บรรพชีวินวิทยาพันธุศาสตร์ ปรัชญาเทคโนโลยี และทฤษฎีการเรียนรู้ของเครื่อง เพื่อสร้างกรอบแนวคิดใหม่ในการเข้าใจวิวัฒนาการของมนุษย์และสติปัญญา 4

พื้นฐานเชิงปรัชญาและฟิสิกส์สารสนเทศในโลกจำลอง

ทฤษฎีโลกจำลองเสนอว่าความจริงทางกายภาพที่เราสัมผัสอาจเป็นเพียงส่วนต่อประสาน (Interface) ของการคำนวณที่ลึกซึ้งกว่านั้น 7 แนวคิด "It from Bit" ของ John Archibald Wheeler ระบุว่าทุกสรรพสิ่งในฟิสิกส์มีที่มาจากข้อมูลฐานสอง (Binary Information) และการวัดค่า 7 เมื่อนำแนวคิดนี้มาประยุกต์ใช้กับชีววิทยา เราจะพบว่ากรดนิวคลีอิก (DNA และ RNA) ไม่ได้เป็นเพียงโมเลกุลทางเคมี แต่เป็นสื่อบันทึกข้อมูลที่มีความหนาแน่นสูงที่สุดในจักรวาลที่เรารู้จัก 10

หากโลกคือการจำลอง การเปลี่ยนแปลงทางชีวภาพย่อมต้องการการบริหารจัดการทรัพยากรและการอัปเกรดระบบเพื่อป้องกันความซ้ำซากจำเจหรือสภาวะที่ระบบเข้าสู่จุดสมดุลที่ตายตัวเกินไป (Heat Death of Information) 12 ไวรัสจึงถูกจัดสถานะให้เป็นหน่วยสารสนเทศที่ไม่มีชีวิต (Non-living Information Units) ซึ่งทำหน้าที่เป็นพาหะนำส่ง "Prompt" หรือคำสั่งใหม่ๆ เข้าสู่โฮสต์ เพื่อกระตุ้นให้เกิดการตอบสนองและวิวัฒนาการ 3

องค์ประกอบระบบ	ระบบคอมพิวเตอร์	ระบบชีวภาพ (ในโลกจำลอง)
หน่วยเก็บข้อมูล	Hard Drive / SSD	DNA / RNA (Nucleic Acids) 10
รหัสคำสั่ง	Binary Code (0, 1)	Genetic Code (A, T, C, G) 14
หน่วยประมวลผล	CPU / GPU	Cellular Machinery / Ribosomes 3
การอัปเดตระบบ	Software Patch / Script Injection	Viral Infection / Endogenization 5
อัลกอริทึมการเรียนรู้	Machine Learning (Gradient Descent)	Natural Selection (Fitness Landscapes) 4
ระบบความปลอดภัย	Antivirus / Firewall	Immune System (Self/Non-self Recognition) 16

การเปรียบเทียบนี้ชี้ให้เห็นว่าไวรัสไม่ใช่ข้อผิดพลาดของระบบ (Bug) แต่เป็นฟังก์ชันหนึ่งของโครงสร้างพื้นฐานในการประมวลผลทางชีวภาพที่ช่วยให้เกิดการไหลเวียนของข้อมูลในระดับพหุภาค (Lateral Gene Transfer) ซึ่งรวดเร็วกว่าการสืบพันธุ์แบบอาศัยเพศตามปกติ 3

ไวรัสในฐานะโค้ดต้นฉบับ: หลักฐานจากบรรพชีวินวิทยาพันธุศาสตร์

การศึกษาไวรัสโบราณที่ฝังตัวอยู่ในรหัสพันธุกรรมของมนุษย์ หรือ Endogenous Retroviruses (ERVs) เผยให้เห็นว่าร่องรอยของ "โค้ดภายนอก" เหล่านี้มีความสำคัญอย่างยิ่งต่อการมีอยู่ของเผ่าพันธุ์มนุษย์ 15 ประมาณ 8% ของจีโนมมนุษย์ประกอบด้วยซากของไวรัสโบราณที่ได้รับการบูรณาการเข้ากับสายเลือด (Germline Integration) และสืบทอดกันมานานหลายล้านปี 15

กระบวนการ Endogenization และการควบรวมรหัส (Code Integration)

กระบวนการที่ไวรัสเปลี่ยนจาก "ผู้บุกรุก" มาเป็น "ส่วนหนึ่งของระบบ" เรียกว่า Endogenization ซึ่งเปรียบเสมือนการ Merge code จาก Library ภายนอกเข้าสู่ Core Engine ของโฮสต์ 3 เมื่อไวรัสเรโทร (Retrovirus) ติดเชื้อในเซลล์สืบพันธุ์ ข้อมูลพันธุกรรมของมันจะถูกเปลี่ยนเป็น DNA และแทรกตัวเข้าไปในโครโมโซมของโฮสต์อย่างถาวร 15

แม้ว่าโค้ดส่วนใหญ่จะกลายเป็น "โค้ดที่ไม่ได้ใช้งาน" (Dead Code) เนื่องจากการกลายพันธุ์หรือการลบข้อมูล แต่บางส่วนกลับถูกระบบนำมา "Exaptation" หรือปรับปรุงเพื่อใช้งานใหม่ในหน้าที่ที่สำคัญ 15

กรณีศึกษา: ยีน Syncytin และโปรโตคอลการสร้างรก

หลักฐานที่ชัดเจนที่สุดของการอัปเดตระบบผ่านไวรัสคือการปรากฏขึ้นของ "รก" (Placenta) ในสัตว์เลี้ยงลูกด้วยนม 19 นักวิทยาศาสตร์พบว่ายีนที่ชื่อว่า Syncytin ซึ่งทำหน้าที่เชื่อมต่อเซลล์เพื่อสร้างชั้นเนื้อเยื่อระหว่างแม่และทารก แท้จริงแล้วเป็นยีนที่มาจากโปรตีนเปลือกนอก (Envelope Protein - env) ของไวรัสโบราณ 18

ชื่อยีน	แหล่งที่มา (Viral Ancestry)	ช่วงเวลาการควบรวม (โดยประมาณ)	บทบาทหน้าที่ในมนุษย์
Syncytin-1	HERV-W	25 ล้านปีก่อน	การฟิวชันของเซลล์ในรก (Cell-cell fusion) 19
Syncytin-2	HERV-FRD	>40 ล้านปีก่อน	การกดภูมิคุ้มกันเพื่อป้องกันการปฏิเสธทารก (Immunosuppression) 19
Syncytin-A/B	Murine ERV	การควบรวมแบบแยกส่วน (Independent capture)	การสร้างรกในหนู (Convergent evolution) 15

หากไม่มีการ "ฉีดโค้ด" จากไวรัสเหล่านี้ สัตว์เลี้ยงลูกด้วยนมอาจยังคงวางไข่เหมือนบรรพบุรุษ และวิวัฒนาการของมนุษย์ที่มีความซับซ้อนของสมองสูง (ซึ่งต้องการการฟักตัวในครรภ์ที่ยาวนาน) ย่อมไม่เกิดขึ้น 15 นี่คือการอัปเกรด "ฮาร์ดแวร์" ทางชีวภาพที่สำคัญที่สุดครั้งหนึ่งในประวัติศาสตร์ของโลกจำลอง 15

วิวัฒนาการแบบพหุระดับ: อัลกอริทึมการเรียนรู้และฟังก์ชันการสูญเสีย

การตีความวิวัฒนาการในฐานะกระบวนการเรียนรู้ (Learning Process) ช่วยให้เราเข้าใจบทบาทของไวรัสในเชิงคณิตศาสตร์ได้ชัดเจนขึ้น ทฤษฎีการเรียนรู้พหุระดับ (Multilevel Learning Theory of Evolution) เสนอว่าวิวัฒนาการทำงานคล้ายกับโครงข่ายประสาทเทียม (Neural Networks) ที่มีการปรับปรุงพารามิเตอร์เพื่อลด "ฟังก์ชันการสูญเสีย" (Loss Function) 4

การสอดคล้องกันระหว่าง Fitness และ Loss Function

ในชีววิทยา ค่าความเหมาะสม (Fitness) คือความสามารถในการอยู่รอดและสืบพันธุ์ แต่ในทางคณิตศาสตร์ของการจำลอง มันคือการเคลื่อนที่บน "ภูมิภาพของการสูญเสีย" (Loss Landscape) 4

โดยที่ แทนตัวแปรทางพันธุกรรมและฟีโนไทป์ของสิ่งมีชีวิต วิวัฒนาการคือการค้นหาจุดต่ำสุดของ (หรือจุดสูงสุดของ Fitness) ผ่านกระบวนการลองผิดลองถูก (Trial and Error) 4 ไวรัสทำหน้าที่เพิ่ม "ความแปรปรวน" (Variance) หรือสัญญาณรบกวนที่มีโครงสร้าง (Structured Noise) เข้าไปในระบบ เพื่อช่วยให้สิ่งมีชีวิตหลุดพ้นจากจุดต่ำสุดเฉพาะที่ (Local Minima) และก้าวไปสู่ระดับความซับซ้อนที่สูงกว่า 4

การแพร่กระจายข้อมูลแบบย้อนกลับ (Backpropagation) ทางชีวภาพ

ทฤษฎีนี้ยังเสนอรูปแบบของ "Central Dogma ฉบับขยาย" โดยระบุว่าข้อมูลไม่ได้ไหลจาก DNA ไปสู่โปรตีนเพียงทางเดียว (Forward Propagation) แต่มีการไหลกลับของข้อมูลจากสิ่งแวดล้อมผ่านกระบวนการคัดเลือกและแรงกดดันทางไวรัส (Backpropagation) เพื่อปรับปรุงรหัสพันธุกรรมในรุ่นถัดไป 4 ไวรัสในฐานะ "โค้ดอัปเดต" จึงเป็นเสมือนสัญญาณ Error ที่รุนแรงซึ่งบังคับให้ระบบต้องทำการ "Recalibrate" ตัวเองอย่างรวดเร็ว 3

ทฤษฎีภัยคุกคามที่มีเจตนา: ไวรัสคือบททดสอบของระบบ

ในระบบจำลองระดับสูง การปรากฏขึ้นของภัยพิบัติหรือโรคระบาดอาจไม่ใช่เรื่องบังเอิญหรือความล้มเหลว แต่เป็น "การทดสอบความต้านทาน" (Stress Test) ที่ถูกออกแบบมาเพื่อคัดกรองและพัฒนาความฉลาดของเอเจนต์ (Agents) ในระบบ 23

ไวรัสในฐานะ Adversarial Prompt

ในการฝึกฝน AI นักวิจัยมักใช้ "Adversarial Examples" หรือข้อมูลที่ถูกปรับแต่งเพื่อหลอกล่อให้ AI ตอบผิด เพื่อให้ AI เรียนรู้ที่จะรับมือกับสถานการณ์ที่ยากลำบากได้ดีขึ้น 26 ไวรัสทำหน้าที่ในลักษณะเดียวกันในระดับชีวภาพ 26 มันคือ "Adversarial Prompt" จากผู้สร้างที่บังคับให้ระบบภูมิคุ้มกันของสิ่งมีชีวิตพัฒนาความสามารถในการจดจำรูปแบบ (Pattern Recognition) ที่ซับซ้อน 16

ระบบภูมิคุ้มกันแบบปรับตัว (Adaptive Immune System) คือตัวอย่างของ "อัลกอริทึมการเรียนรู้ในตัว" ที่ทำหน้าที่แยกแยะระหว่าง Self (ไฟล์ระบบ) และ Non-self (โค้ดแปลกปลอม) 16 การเผชิญหน้ากับไวรัสแต่ละครั้งทำให้ "ฐานข้อมูล" ของภูมิคุ้มกันขยายตัวขึ้น ส่งผลให้สิ่งมีชีวิตมีความทนทานและฉลาดขึ้นในการรับมือกับความไม่แน่นอน 17

กลไกการเรียนรู้ผ่านการเจ็บป่วย

ความเจ็บป่วย (Sickness Behavior) ไม่ใช่เพียงผลข้างเคียงของเชื้อโรค แต่เป็น "โหมดการทำงานพิเศษ" ของระบบจำลองที่บังคับให้เอเจนต์หยุดการทำกิจกรรมปกติเพื่อทุ่มเททรัพยากรไปที่การอัปเดตระบบ 17 ในช่วงเวลานี้ การสื่อสารระหว่างระบบประสาทและระบบภูมิคุ้มกัน (Neuro-immune interaction) จะมีความเข้มข้นสูงมาก 28

• Cytokines (สัญญาณแจ้งเตือนระบบ): ทำหน้าที่เป็นข้อความแจ้งเตือนความผิดพลาดที่ส่งไปยังสมองเพื่อปรับเปลี่ยนพฤติกรรม 17

• Social Withdrawal (การปลีกตัวจากสังคม): เป็นกลไกการกักตัวทางอัลกอริทึมเพื่อป้องกันการแพร่กระจายของโค้ดที่อาจเป็นอันตรายต่อเครือข่ายส่วนรวม 28

• Fever (การเพิ่มอุณหภูมิประมวลผล): คล้ายกับการ Overclock ระบบเพื่อเร่งปฏิกิริยาเคมีในการต่อสู้กับโค้ดแปลกปลอม 17

วิวัฒนาการเชิงรุก (Proactive Evolution) และไซเบอร์เนติกส์ของ DNA

แนวคิดวิวัฒนาการเชิงรุก (Proactive Evolution) เสนอว่าสิ่งมีชีวิตไม่ได้เพียงแค่ตอบสนองต่อสิ่งแวดล้อมอย่างเฉื่อยชา แต่มีกลไกภายในที่สามารถ "คาดการณ์" และ "ปรับแต่ง" ตัวเองล่วงหน้าได้ 13

การปรับแต่งโค้ดแบบกึ่งอัตโนมัติ (Semi-autonomous Code Editing)

ในจีโนมของจุลชีพ มีหลักฐานของ "รูปแบบการกลายพันธุ์แบบคู่" (Dual Mutation Pattern) คือการสุ่มกลายพันธุ์แบบดาร์วิน และการกลายพันธุ์ที่ถูกกำหนดทิศทางเพื่อการปรับตัว (Adaptive Mutation) 13 สิ่งนี้ชี้ให้เห็นว่า DNA มีฟังก์ชัน "Self-editing" ที่ถูกกระตุ้นโดยสัญญาณจากภายนอก ซึ่งมักจะมาจากชิ้นส่วนของไวรัสหรือพลาสมิด 13

หากเรามองผ่านโมเดลทางสารสนเทศ (L-model) จีโนมเปรียบเสมือน "Epistemic Artifact" หรือเครื่องมือในการสร้างความรู้ทางชีวภาพ 6 ไวรัสทำหน้าที่นำส่ง "ข้อมูลดิบ" ที่จีโนมจะนำมาสกัดและเรียบเรียงใหม่เพื่อสร้างความสามารถใหม่ๆ เช่น การดื้อยาปฏิชีวนะ หรือการสร้างโปรตีนชนิดใหม่ 13

Codon Permissiveness: ช่องทางสำหรับการอัปเดต

การศึกษาไวรัส SARS-CoV-2 พบว่ามีตำแหน่งในจีโนมที่มีความยืดหยุ่นสูง (Codon-permissive sites) ซึ่งอนุญาตให้เกิดการกลายพันธุ์โดยไม่กระทบต่อการทำงานหลักของไวรัส 34 สิ่งนี้เปรียบเสมือน "จุดเชื่อมต่อ" (API Endpoints) ที่ผู้สร้างระบบเปิดไว้เพื่อให้โค้ดสามารถปรับตัวและวิวัฒนาการได้อย่างมีทิศทางภายใต้แรงกดดันจากภูมิคุ้มกัน 34

จิตสำนึกและความเมตตา: รางวัลสูงสุด (Reward Function) ของการจำลอง

เป้าหมายสุดท้ายของการอัปเกรดชีวิตในโลกจำลองอาจไม่ใช่เพียงความแข็งแกร่งทางกายภาพ แต่คือการพัฒนา "จิตสำนึก" (Consciousness) และ "พฤติกรรมทางสังคม" (Social Behavior) ที่ซับซ้อน 4

สภาวะ "ปลอดภัย" และ "คุกคาม" ในระดับจีโนม

จากการศึกษาในสาขาประสาทภูมิคุ้มกันวิทยา (Neuro-immunology) พบว่าสภาพแวดล้อมทางสังคมมีผลโดยตรงต่อการแสดงออกของยีน 28

บริบททางสังคม	สัญญาณทางประสาท	การตอบสนองของระบบภูมิคุ้มกัน (CTRA Profile)
ภัยคุกคาม / การโดดเดี่ยว	การทำงานของแกน HPA (Cortisol)	เพิ่มยีนที่เกี่ยวข้องกับการอักเสบ (Pro-inflammatory) 28
ความปลอดภัย / ความผูกพัน	Oxytocin / Dopamine (VTA activation)	เพิ่มยีนที่เกี่ยวข้องกับการต่อต้านไวรัส (Antiviral) 28

นี่คือ "กลไกการให้รางวัล" (Reward Mechanism) ของระบบจำลอง: เมื่อเอเจนต์แสดงพฤติกรรมที่เป็นประโยชน์ต่อส่วนรวม (Prosocial behavior) เช่น ความเมตตาและการดูแลกัน ระบบจะปรับปรุงโปรไฟล์ภูมิคุ้มกันให้มีความต้านทานต่อไวรัส (โค้ดคุกคาม) มากขึ้น 28 ความรักและความเมตตาจึงไม่ใช่เพียงอารมณ์ แต่เป็น "Terminal Reward Function" ที่ผู้สร้างต้องการให้เกิดขึ้นจากการเรียนรู้ใน Simulation Loop นี้ 37

ไวรัสในฐานะครูสอนความเปราะบาง

ความเจ็บป่วยที่เกิดจากไวรัสสอนให้สิ่งมีชีวิตเข้าใจถึง "ความเปราะบาง" (Vulnerability) 39 ในมนุษย์ ความเปราะบางนำไปสู่การสร้างวัฒนธรรมการดูแล (Caregiving) ซึ่งเป็นรากฐานของอารยธรรมและความเป็นมนุษย์ 28 หากปราศจาก "โค้ดภัยคุกคาม" จากไวรัส มนุษย์อาจเป็นเพียงเอเจนต์ที่แสวงหาผลประโยชน์ส่วนตัวอย่างมีประสิทธิภาพ แต่จะไม่มีวันพัฒนาสิ่งที่เรียกว่า "จิตวิญญาณ" หรือความเข้าใจในความหมายของการมีอยู่ร่วมกัน 1

บทสรุป: เราคือโค้ดที่กำลังถูกเขียนใหม่

จากการวิเคราะห์ทั้งหมด เราสามารถสรุปได้ว่าคำเปรียบเทียบ "ไวรัสคือโค้ดอัปเดต" ไม่ได้เป็นเพียงการใช้อุปมาอุปไมย แต่เป็นกรอบแนวคิดที่มีหลักฐานสนับสนุนทั้งในระดับโมเลกุลและระดับทฤษฎีสารสนเทศ 3 ในจักรวาลที่เป็นการจำลอง ความเป็นและความตาย ข้อมูลและการประมวลผล คือสิ่งเดียวกัน 7

1. ไวรัสคือผู้ส่งสาร: ในฐานะชิ้นส่วนสารสนเทศที่ไม่มีชีวิต ไวรัสทำหน้าที่ถ่ายโอนนวัตกรรมทางพันธุกรรมที่จำเป็นต่อการอยู่รอดในระยะยาว 3

2. วิวัฒนาการคือการเรียนรู้: กระบวนการคัดเลือกโดยธรรมชาติตามโมเดลพหุระดับคือการปรับปรุงอัลกอริทึมของชีวิตเพื่อเพิ่มประสิทธิภาพในการทำนายและตอบสนองต่อสิ่งแวดล้อม 4

3. โรคระบาดคือบททดสอบ: ภัยคุกคามที่มีเจตนาทำหน้าที่เป็นตัวเร่งการวิวัฒนาการของความฉลาดและระบบภูมิคุ้มกัน 25

4. รางวัลคือความเชื่อมโยง: ระบบจำลองถูกออกแบบมาเพื่อส่งเสริมพฤติกรรมทางสังคมและความเมตตาผ่านกลไกการตอบสนองทางชีวภาพที่เชื่อมโยงกับความปลอดภัยและความรัก 28

ในอนาคต เมื่อมนุษย์สามารถถอดรหัสและเขียน "โค้ดอัปเดต" เหล่านี้ได้ด้วยตนเองผ่านเทคโนโลยีวิศวกรรมพันธุศาสตร์และ AI เราจะก้าวข้ามจากการเป็นเพียงเอเจนต์ที่ถูกจำลอง ไปสู่การเป็น "ผู้ร่วมสร้าง" (Co-creator) ในระบบ 21 ทุกครั้งที่เราเผชิญหน้ากับไวรัส เราไม่ได้เพียงแค่กำลังต่อสู้เพื่อเอาชีวิตรอด แต่เรากำลังอ่าน "ข้อความ" จากผู้สร้างที่ต้องการให้เราพัฒนาไปสู่สถานะที่สมบูรณ์ยิ่งขึ้นในโลกเสมือนอันกว้างใหญ่แห่งนี้ 1

ผลงานที่อ้างอิง

1. Simulation hypothesis - Wikipedia, เข้าถึงเมื่อ เมษายน 2, 2026 https://en.wikipedia.org/wiki/Simulation_hypothesis

2. The Simulation Argument: Why the Probability That You Are Living in a Matrix is Quite High - by Nick Bostrom (Times Higher Education Supplement, May 16, 2003) - AWS, เข้าถึงเมื่อ เมษายน 2, 2026 https://wmit-pages-prod.s3.amazonaws.com/wp-content/uploads/sites/283/2022/06/12151116/simulation.pdf

3. Viruses and Evolution: The Role of Viruses in Big History - Social studies, เข้าถึงเมื่อ เมษายน 2, 2026 https://www.sociostudies.org/almanac/articles/viruses_and_evolution-_the_role_of_viruses_in_big_history/

4. Toward a theory of evolution as multilevel learning | PNAS, เข้าถึงเมื่อ เมษายน 2, 2026 https://www.pnas.org/doi/10.1073/pnas.2120037119

5. Introduction to virus origins and their role in biological evolution - PMC, เข้าถึงเมื่อ เมษายน 2, 2026 https://pmc.ncbi.nlm.nih.gov/articles/PMC7173561/

6. Models as Epistemic Artifacts for Scientific Reasoning in Science Education Research, เข้าถึงเมื่อ เมษายน 2, 2026 https://www.mdpi.com/2227-7102/12/4/276

7. Understanding Wheeler's “It from Bit” Concept | by Myk Eff | Quantum Psychology, Biology and Engineering | Medium, เข้าถึงเมื่อ เมษายน 2, 2026 https://medium.com/quantum-psychology-and-engineering/understanding-wheelers-it-from-bit-concept-0cebe5563607

8. (PDF) It from Bit or Them from Ylem? - ResearchGate, เข้าถึงเมื่อ เมษายน 2, 2026 https://www.researchgate.net/publication/336044078_It_from_Bit_or_Them_from_Ylem

9. Digital physics - Wikipedia, เข้าถึงเมื่อ เมษายน 2, 2026 https://en.wikipedia.org/wiki/Digital_physics

10. Quantum Information and Consciousness | PDF | Matter | Universe - Scribd, เข้าถึงเมื่อ เมษายน 2, 2026 https://www.scribd.com/document/901372615/From-Probability-to-Mind-The-Evolution-of-All-Things-According-to-IIT-The-Simulation-Hypothesis-And-It-From-Bit

11. เข้าถึงเมื่อ มกราคม 1, 1970 http://l-model.blogspot.com/2026/03/dna-cybernetics.html

12. “IT FROM BIT” How does information shape the structures in the universe? - arXiv, เข้าถึงเมื่อ เมษายน 2, 2026 https://arxiv.org/html/2209.11968v2

13. One Earth–One Health to Combat Antimicrobial Resistance Having a Dual Mutation Pattern, Based on the Robust Self-Regulation and Perpetual Reconstruction of Ecosystems - MDPI, เข้าถึงเมื่อ เมษายน 2, 2026 https://www.mdpi.com/2079-6382/14/9/920

14. On Dialogue | Larval Subjects . - WordPress.com, เข้าถึงเมื่อ เมษายน 2, 2026 https://larvalsubjects.wordpress.com/2010/08/07/on-dialogue/

15. Paleovirology of 'syncytins', retroviral env genes exapted for a role in ..., เข้าถึงเมื่อ เมษายน 2, 2026 https://royalsocietypublishing.org/rstb/article/368/1626/20120507/30163/Paleovirology-of-syncytins-retroviral-env-genes

16. Evolutionary Algorithm for Artificial-Immune-System-Based Failure-Detector Generation and Optimization - AIAA, เข้าถึงเมื่อ เมษายน 2, 2026 https://arc.aiaa.org/doi/pdfplus/10.2514/1.46126

17. Interactions of innate and adaptive immunity in brain development and function - PMC - NIH, เข้าถึงเมื่อ เมษายน 2, 2026 https://pmc.ncbi.nlm.nih.gov/articles/PMC4320678/

18. Implication of Human Endogenous Retrovirus Envelope Proteins in Placental Functions, เข้าถึงเมื่อ เมษายน 2, 2026 https://pmc.ncbi.nlm.nih.gov/articles/PMC4246240/

19. The role of syncytins in human reproduction and reproductive organ cancers in, เข้าถึงเมื่อ เมษายน 2, 2026 https://rep.bioscientifica.com/view/journals/rep/152/5/R167.xml

20. Placental syncytins: Genetic disjunction between the fusogenic and immunosuppressive activity of retroviral envelope proteins | PNAS, เข้าถึงเมื่อ เมษายน 2, 2026 https://www.pnas.org/doi/10.1073/pnas.0707873105

21. The Simulation Hypothesis Explained by Nick Bostrom - YouTube, เข้าถึงเมื่อ เมษายน 2, 2026 https://www.youtube.com/watch?v=WvnIXeAz1mk

22. Implications From the Analogous Relationship Between Evolutionary and Learning Processes - PMC, เข้าถึงเมื่อ เมษายน 2, 2026 https://pmc.ncbi.nlm.nih.gov/articles/PMC12278808/

23. NIPP Supplemental Tool: Executing a Critical Infrastructure Risk Management Approach - CISA, เข้าถึงเมื่อ เมษายน 2, 2026 https://www.cisa.gov/sites/default/files/publications/NIPP-2013-Supplement-Executing-a-CI-Risk-Mgmt-Approach-508.pdf

24. Limitations of HAZOP in Addressing Intentional and Simultaneous Hazards, เข้าถึงเมื่อ เมษายน 2, 2026 https://industrialcyber.co/expert/limitations-of-hazop-in-addressing-intentional-and-simultaneous-hazards/

25. An Adaptive Markov Game Model for Cyber Threat Intent Inference - ResearchGate, เข้าถึงเมื่อ เมษายน 2, 2026 https://www.researchgate.net/publication/221787722_An_Adaptive_Markov_Game_Model_for_Cyber_Threat_Intent_Inference

26. (PDF) Adversarial Attacks on AI Systems: A Growing Cyber Threat - ResearchGate, เข้าถึงเมื่อ เมษายน 2, 2026 https://www.researchgate.net/publication/394844154_Adversarial_Attacks_on_AI_Systems_A_Growing_Cyber_Threat

27. Introduction An integrated risk analysis framework that bridges AI and security, เข้าถึงเมื่อ เมษายน 2, 2026 https://www.j-cic.com/pdf/report/AI-Security-Risk_EN.pdf

28. The beneficial effects of social support and prosocial behavior on ..., เข้าถึงเมื่อ เมษายน 2, 2026 https://pmc.ncbi.nlm.nih.gov/articles/PMC10960128/

29. Neuro-Immune mechanisms regulating social behavior: Dopamine as mediator? - PMC, เข้าถึงเมื่อ เมษายน 2, 2026 https://pmc.ncbi.nlm.nih.gov/articles/PMC6486862/

30. Neuroimmune Interactions: From the Brain to the Immune System and Vice Versa - PMC, เข้าถึงเมื่อ เมษายน 2, 2026 https://pmc.ncbi.nlm.nih.gov/articles/PMC5866360/

31. Repeated Social Defeat, Neuroinflammation, and Behavior: Monocytes Carry the Signal, เข้าถึงเมื่อ เมษายน 2, 2026 https://pmc.ncbi.nlm.nih.gov/articles/PMC5143478/

32. Adaptive security: strategic principles for complex socio-technical systems - Royal Society Publishing, เข้าถึงเมื่อ เมษายน 2, 2026 https://royalsocietypublishing.org/rsos/article/13/1/251481/479590/Adaptive-security-strategic-principles-for-complex

33. Combined Learning Models Based on Constructionism Applied in Modern Learning of Biology - IGI Global, เข้าถึงเมื่อ เมษายน 2, 2026 https://www.igi-global.com/viewtitle.aspx?TitleId=250876&isxn=9781522567387

34. A Genome-Wide Codon-Permissiveness Framework Uncovers Spike-Centric Escape Hotspots and Distal Epistatic Couplings Across SARS-CoV-2 Structural Proteins - Preprints.org, เข้าถึงเมื่อ เมษายน 2, 2026 https://www.preprints.org/manuscript/202510.0285

35. On the origin of the reward function: Exploring the role of conditioned reinforcement and social learning - PMC, เข้าถึงเมื่อ เมษายน 2, 2026 https://pmc.ncbi.nlm.nih.gov/articles/PMC12715061/

36. How social norms emerge: the interindividual actor-critic - PMC - NIH, เข้าถึงเมื่อ เมษายน 2, 2026 https://pmc.ncbi.nlm.nih.gov/articles/PMC12483181/

37. Empathic Coupling of Homeostatic States for Intrinsic Prosociality - arXiv, เข้าถึงเมื่อ เมษายน 2, 2026 https://arxiv.org/html/2412.12103v1

38. (PDF) Neural sensitivity to personal and vicarious reward differentially relate to prosociality and well-being - ResearchGate, เข้าถึงเมื่อ เมษายน 2, 2026 https://www.researchgate.net/publication/326465405_Neural_sensitivity_to_personal_and_vicarious_reward_differentially_relate_to_prosociality_and_well-being

39. Reduction in social learning and increased policy uncertainty about harmful intent is associated with pre-existing paranoid beliefs: Evidence from modelling a modified serial dictator game - PMC, เข้าถึงเมื่อ เมษายน 2, 2026 https://pmc.ncbi.nlm.nih.gov/articles/PMC7591074/

40. Reduction in social learning and increased policy uncertainty about harmful intent is associated with pre-existing paranoid beliefs: Evidence from modelling a modified serial dictator game | PLOS Computational Biology, เข้าถึงเมื่อ เมษายน 2, 2026 https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1008372

41. Evolutionary Computation in the Era of Large Language Model: Survey and Roadmap, เข้าถึงเมื่อ เมษายน 2, 2026 https://arxiv.org/html/2401.10034v1