Cognition—sensing and responding to the environment—is the unifying principle behind the genetic code, origin of life, evolution, consciousness, artificial intelligence, and cancer. However, the conventional model of biology seems to mistake cause and effect. According to the reductionist view, the causal chain in biology is chemicals → code → cognition. Despite this prevailing view, there are no examples in the literature to show that the laws of physics and chemistry can produce codes, or that codes produce cognition. Chemicals are just the physical layer of any information system. In contrast, although examples of cognition generating codes and codes controlling chemicals are ubiquitous in biology and technology, cognition remains a mystery. Thus, the central question in biology is: What is the nature and origin of cognition? In order to elucidate this pivotal question, we must cultivate a deeper understanding of information flows. Through this lens, we see that biological cognition is volitional (i.e., deliberate, intentional, or knowing), and while technology is constrained by deductive logic, living things make choices and generate novel information using inductive logic. Information has been called “the hard problem of life’ and cannot be fully explained by known physical principles (Walker et al., 2017). The present paper uses information theory (the mathematical foundation of our digital age) and Turing machines (computers) to highlight inaccuracies in prevailing reductionist models of biology, and proposes that the correct causation sequence is cognition → code → chemicals.

认知——感知和响应环境——是遗传密码、生命起源、进化、意识、人工智能和癌症背后的统一原则。然而，传统的生物学模型似乎误解了因果关系。根据还原论，生物学中的因果链是化学物质→代码→认知。尽管有这种普遍的观点，但文献中没有任何例子表明物理和化学定律可以产生代码，或者代码产生认知。化学品只是任何信息系统的物理层。相比之下，尽管认知生成代码和控制化学物质的代码的例子在生物学和技术中无处不在，但认知仍然是一个谜。因此，生物学的中心问题是：认知的本质和起源是什么？为了阐明这个关键问题，我们必须培养对信息流的更深入理解。通过这个镜头，我们看到生物认知是有意志的（即有意的、有意的或知道的），而技术受到演绎逻辑的约束，而生物则使用归纳逻辑做出选择并产生新的信息。信息被称为“生命中的难题”，无法用已知的物理原理完全解释（Walker 等，2017）。本文使用信息论（我们数字时代的数学基础）和图灵机（计算机）来强调流行的还原论生物学模型中的不准确之处，并提出正确的因果顺序是认知 → 代码 → 化学物质。我们必须培养对信息流的更深入理解。通过这个镜头，我们看到生物认知是有意志的（即有意的、有意的或知道的），而技术受到演绎逻辑的约束，而生物则使用归纳逻辑做出选择并产生新的信息。信息被称为“生命中的难题”，无法用已知的物理原理完全解释（Walker 等，2017）。本文使用信息论（我们数字时代的数学基础）和图灵机（计算机）来强调流行的还原论生物学模型中的不准确之处，并提出正确的因果顺序是认知 → 代码 → 化学物质。我们必须培养对信息流的更深入理解。通过这个镜头，我们看到生物认知是有意志的（即有意的、有意的或知道的），而技术受到演绎逻辑的约束，而生物则使用归纳逻辑做出选择并产生新的信息。信息被称为“生命中的难题”，无法用已知的物理原理完全解释（Walker 等，2017）。本文使用信息论（我们数字时代的数学基础）和图灵机（计算机）来强调流行的还原论生物学模型中的不准确之处，并提出正确的因果顺序是认知 → 代码 → 化学物质。有意或知道），虽然技术受到演绎逻辑的限制，但生物使用归纳逻辑做出选择并生成新信息。信息被称为“生命中的难题”，无法用已知的物理原理完全解释（Walker 等，2017）。本文使用信息论（我们数字时代的数学基础）和图灵机（计算机）来强调流行的还原论生物学模型中的不准确之处，并提出正确的因果顺序是认知 → 代码 → 化学物质。有意或知道），虽然技术受到演绎逻辑的限制，但生物使用归纳逻辑做出选择并生成新信息。信息被称为“生命中的难题”，无法用已知的物理原理完全解释（Walker 等，2017）。本文使用信息论（我们数字时代的数学基础）和图灵机（计算机）来强调流行的还原论生物学模型中的不准确之处，并提出正确的因果顺序是认知 → 代码 → 化学物质。信息被称为“生命中的难题”，无法用已知的物理原理完全解释（Walker 等，2017）。本文使用信息论（我们数字时代的数学基础）和图灵机（计算机）来强调流行的还原论生物学模型中的不准确之处，并提出正确的因果顺序是认知 → 代码 → 化学物质。信息被称为“生命中的难题”，无法用已知的物理原理完全解释（Walker 等，2017）。本文使用信息论（我们数字时代的数学基础）和图灵机（计算机）来强调流行的还原论生物学模型中的不准确之处，并提出正确的因果顺序是认知 → 代码 → 化学物质。