自然選擇躲藏在許多表象之下。艾克利是對的；如今計算機科學家們都意識到，計算方式有許多種——其中許多是進化的方式。任何人都知道，進化和學習的方式可能有數百種；不論哪種策略，實際上都是在對圖書館或空間進行搜索。「傳統人工智慧研究的閃光思想——也是唯一思想——就是『搜索』，」艾克利斷言道。實現搜索的方法有很多種，對自然生命中起作用的自然選擇只是其中的一種。

在所有可能的計算類型中，艾克利最感興趣的是那些與學習有關的過程。「強學習」是一種學習方式，它需要聰明的老師。老師會告訴學生應該知道些什麼，而學生則分析信息並將其儲存在記憶中。不太聰明的老師則通過不同的方法教學。她對所要教的東西本身也許並不了解，但是，她能告訴學生什麼時候猜出了正確答案——就像代課教師給學生測驗打分一樣。如果學生猜出了部分答案，老師可以給出「接近」或「偏離」的暗示，幫助學生繼續探索。這樣一來，這位不太聰明的老師就可能生成其本身所不具備的知識。艾克利一直在推動對「弱學習」的研究，他認為這是一種讓計算空間最大化的方式：利用最少的輸入信息，獲取最多的輸出信息。「我一直在試圖找出最愚笨、最孤陋寡聞的老師，」艾克利告訴我，「我想我找到了。答案是：死亡。」

經過對兩個系統的比較，艾克利和利特曼發現，就他們所考量的複雜問題而言，拉馬克系統的解決方案要比達爾文系統強上兩倍。最聰明的拉馬克個體比最聰明的達爾文個體聰明得多。艾克利說，拉馬克進化的特點在於它把種群中的「白痴非常迅速地排擠出去。」艾克利曾經朝一屋子的科學家大喊道：「拉馬克比達爾文強太多了！」

戴維·艾克利和邁克爾·利特曼都是貝爾通信研究所認知科學研究組的成員。他們著手在計算機上構建一個非達爾文的進化系統。他們選擇了一個最合邏輯的方案：拉馬克進化——也即獲得性遺傳。拉馬克學說很有吸引力。直覺上，它遠比達爾文進化更有優勢，因為按道理有用的變異能更快地進入基因序列。然而，它的計算量之大很快就讓滿懷憧憬的工程師們明白，構造這樣一個系統是多麼不現實。九-九-藏-書

在對這些「街霸」的基因進行了一番研究后，艾克利發現它們有些資源尚未充分利用，這使得他覺得自己可以像神一樣有番作為：通過改進它們的染色體，利用上這些資源，使它們更加適應他為它們搭建的環境。於是，他修改了它們進化后的代碼（這個舉動實際上相當於早期的虛擬基因工程），再把它們放回到他的世界。作為個體，它們能力超強，脫穎而出，適應力超過了以往的任何前輩。

不過，計算中並不需要軀體。在計算機進化（如湯姆·雷的電進化機）中，計算機代碼兼任基因和軀體兩個角色。如此一來，從表象中推導出基因的難題就迎刃而解了。read.99csw.com（事實上，這種「表裡如一」的約束並非只限於人工領域，地球上的生命必然已通過了這個階段。也許任何自發組織的活系統都必須從一個「表裡如一」的形式開始，就像自複製的分子那麼簡單。）

戴維·艾克利是貝爾通信研究所神經網路和遺傳演算法領域的研究員。我偶然間了解到了艾克利對進化系統一些最獨到的看法。

貝爾通信研究所的科學家們設置了兩種運行模式。在達爾文模式中，軀體代碼會發生變異。某個幸運的傢伙可能會意外地得到較好的結果，於是系統就選擇它進行交配和複製。然而在達爾文進化中，生物交配時必須使用其代碼的原始「基因」副本——即它所繼承的代碼，而非後天獲得的經過改良的軀體代碼。這正是生物的方式。所以，當鐵匠進行交配時，他使用的是他的「先天」代碼，而非「後天」代碼。

然而，艾克利注意到，它們的種群數目總是低於自然九*九*藏*書進化而來的那些傢伙。作為一個群體來說，它們活力不足。儘管從未絕跡，但它們總是瀕臨滅絕。艾克利認為，由於數目太少，這個物種的繁衍不會超過300代。也就是說，儘管手工改進的基因能夠最大限度地適合個體，但從對整個族群有利的角度看，卻不如那些自然成長起來的基因。此時此刻，在這午夜黑客的自釀世界中，一句古老的生態學格言第一次得到了明證：對個體而言最好的，對物種而言卻不一定。

從數學意義上來說，拉馬克進化注入了一點學習的要素。學習被定義為個體在活著時的適應性。在經典的達爾文進化中，個體的學習並不重要。而拉馬克進化則允許個體在世時所獲得的信息（包括如何增強肌肉，或如何解方程）可以與進化這個長期的、愚鈍的學習結合在一起。拉馬克進化能夠產生更聰明的答案，因為它是更聰明的搜索方法。

如果一名鐵匠需要凸起的肱二頭肌，他的身體該怎樣倒推出基因上所需的變化呢？拉馬克系統的缺陷在於，對於任何一個有利的變化，都需要回溯到胚胎髮育期的基因構成。由於生物體的任何變化都可能由多個基因引起，或者是在身體的發展過程中由多個相互作用的指令引起。任何外在形式的內在因果都是一張錯綜複雜的網路，理清這個網路所需的追蹤系統其複雜性與這個生物體本身相比也不惶多讓。生物學上的拉馬克進化受困於一條嚴格的數學定律：求多個質數的乘積極其容易，但分解質因素則異常困難。最好的加密演算法正是利用了這種不對稱的難度。拉馬克學說之所以沒有在生物界中真正存在過，就在於它需要一種不可能存在的生物解密方案。

貝爾通信研究所之所以允許艾克利從事他的芥子世界的研究，是因為他們認識到進化也是一種計算。貝爾通信研究所曾經而且現在也一直對更好的計算方法很感興趣，尤其是那些基於分散式模型的方法，因為電話網就是一個分散式計算機。如果進化是一種有效的分散式計算，那https://read.99csw.com麼是否還有其它的方法？如果可以的話，我們又能對進化技術做出怎樣的改進或變化呢？借用我們常用的那個圖書館/空間的比喻，艾克利滔滔不絕地說道，「計算的空間龐大得令人難以置信，我們只不過探索了其中非常微小的一些角落。我現在做的，以及我想進一步做的，是擴展人類認識到的計算的空間。」

相比之下，在拉馬克模式中，當那個改良了軀體代碼的幸運兒被選中進行交配時，它能使用後天獲得的改良代碼，作為其交配的基礎。這就好比鐵匠能將自己粗壯的胳膊傳給後代一樣。

生物意義上的生命是與特殊的硬體綁定在一起的，這就是以碳為基礎的DNA分子。這個特殊的硬體限制了自然選擇所能使用的搜索方法。而有了計算機這個新硬體，特別是并行計算機，許多新的自適應系統得以問世，全新的搜索策略也得以應用。例如，生物DNA的染色體無法將自己的代碼向其它生物體的DNA分子「廣而告之」，以便它們獲得信息並改變其代碼，而在計算機環境中，你就能做到這一點。

在計算機的人工世界里，拉馬克進化是有效的。艾克利和利特曼在一台擁有16000個處理器的并行計算機上實現了拉馬克系統。每個處理器管理一個由64個個體組成的亞種群，總計大約有100萬個個體。為了模擬出軀體和基因的雙重信息效果，系統為每個個體製作了基因副本，並稱其為「軀體」。每個軀體的代碼都略微有些差別，它們都嘗試解決同一個問題。

拉馬克進化的優越性使艾克利大感驚訝，因為他認為大自然已經做得很好了：「從計算機科學的角度看，自然是達爾文主義者而不是拉馬克主義者，這實在是很蠢。可是自然受困於化學物質，而我們沒有。」這使他想到，如果進化的對象不局限於分子的話，也許會有更有效的進化方式和搜索方法。

「我們弄不明白從長遠看到底什麼才是最好的，這點讓人很難接受。」艾克利在人工生命會議上的一席話贏得了一片掌聲。「九*九*藏*書但是我想，嘿，這就是生命！」

在所有可能的計算和學習的空間中，自然選擇佔據了一個特殊的位置，它是一個極點，在這個點上，信息傳遞被最小化。它構成了學習和智能的最低基線：基線之下不會有學習產生，基線之上則會產生更加智能、更加複雜的學習。儘管我們仍然不能完全理解自然選擇在共同進化世界中的本質，但它依然是學習的基礎熔點。如果我們能夠給進化一個度量值的話（我們還不能），就可以以此為基準評判其他形式的學習。

艾克利是個壯得像頭熊、滿嘴俏皮話的傢伙。他和他的同事邁克爾·利特曼製作了一段關於人工生命世界的搞笑視頻，並在1990年第二屆人工生命大會上播放出來，惹得在場的250位嚴肅的科學家們哄堂大笑。他的「造物」實際上就是些代碼片斷，和經典的遺傳演算法沒有多大區別，但是，他用滑稽的笑臉來表示這些代碼片段，讓它們四處遊動相互啃咬，或者撞上代表邊界的牆壁。聰明的活下來，愚蠢的則死掉。和其他人一樣，艾克利發現，他的世界能夠進化出對環境異常適應的有機體。成功的個體非常長壽——按其所在世界的時間尺度衡量的話，能活25000「天」。這些傢伙把系統給琢磨透了。它們知道如何用最小的努力來獲取自己所需的東西，也知道如何遠離麻煩。具有這種基因的「生物」，不僅個體很長壽，而且由其組成的種群也世代興旺。

死亡是進化中唯一的老師。艾克利的使命就是查明：只以死亡為老師，能學到什麼？我們還不是很清楚答案，但卻有些現成的例證：翱翔的雄鷹，鴿子的導航系統，或白蟻的摩天大樓。找到答案需要些時間。進化是聰明的，但同時又是盲目和愚笨的。「我想像不出比自然選擇更笨的學習方法了。」艾克利說道。