1. 寻找正确答案1.1. 卡尔·西姆斯1.1.1. 计算机图形艺术家和研究者1.1.2. 演示过数字进化之创造性和新颖性的先驱1.1.3. 1994年1.1.3.1. 创造一批能游泳、走路、跳跃，甚至互相竞争的虚拟动物震惊了整个科学界1.1.3.2. 它们的人工大脑却是个极其复杂的网络，信息经由传感器的输入，经过大量的数学函数计算和操作，才能产生那些看起来很聪明的动作和表现1.1.4. 这些动物并不是西姆斯直接编程产生的1.1.4.1. 他并没有设计这些动物1.1.4.2. 他并没有生成它们的身体，也没有创建它们的大脑1.1.4.3. 西姆斯的虚拟动物是进化而来的1.1.5. 如果一个控制系统某一天真的产生了“智能”行为，这个系统可能已经复杂混乱到我们无法理解的地步1.2. 艺术家威廉·莱瑟姆和斯蒂芬·托德1.2.1. “变异者”程序1.2.2. 莱瑟姆和托德的艺术作品都是计算机里进化出来的1.2.3. 就像给动物配种一样，选择他们认为优秀的作品来配种1.2.4. 从一片随机混沌中慢慢地涌现出不可思议的样式、盘旋卷曲的形状和超凡脱俗的图案1.3. 智力其实就是改进的能力1.3.1. 我们在学习一样东西时会不断练习，直到掌握到一定程度才停下来1.3.2. 只要有更强大、更便宜、更受欢迎、更高效的解决方案，我们就会想办法寻找它2. 人工生命的进化2.1. 西姆斯使用了一种遗传算法来推动虚拟动物的进化2.2. 他的品控标准（或称“适应函数”）就是动物能够游、走或跳得多远（越远越好）2.2.1. 乌龟状动物的身体可能只是五个简单的方块，但它的大脑如果打印出来，打印纸的长度延伸出去能覆盖会议大会堂的很大一部分2.3. 进化计算的实践者创造出了一个虚拟世界，让计算机自己繁衍出越来越好的答案，直到找到最佳答案2.3.1. 遗传算法就是这样一种方法2.3.2. 它的工作机制是先创造出一批可能都没什么用的答案作为初始群体，按适应度（也就是把问题解决得多好）给这些答案排序，然后让最适应的答案产生后代2.3.3. 只要让遗传算法运行足够多代，剩下的答案就已经进化成高度适应的群体，能很好地解决它们所面对的问题3. 由自然界启迪的优化方法3.1. 遗传算法及其近亲（进化策略和进化编程）可以追溯到计算机科学的最早期3.1.1. 使用遗传算法让代码自己进化（也就是自动调试我们所写的代码），让计算机实现自我编程3.1.2. 遗传算法等技术将使人工智能实现自我修改，直到它们变得比我们更聪明3.2. 蚁群优化和人工免疫系统是在20世纪90年代才出现的3.2.1. 蚁群优化方法能给配送人员找出最佳路线，就像蚂蚁能找到食物和巢穴之间的最短路径一样3.2.2. 人工免疫系统模仿我们自己身体里的免疫系统，能检测到计算机病毒，甚至能控制机器人3.3. 粒子群优化方法能让虚拟粒子像寻觅鲜花的蜜蜂一样四处飞舞，以发现最佳解决方案3.4. 越来越多的自然过程可以启发优化方法3.4.1. 中心引力优化、智能水滴算法和河流形成动力学等方法3.4.2. 基于大型哺乳动物的行为习惯3.4.2.1. 动物迁移优化3.4.3. 基于昆虫，甚至植物和水果的习性3.4.4. 基于鸟类和鱼类的各种算法4. 基于搜索的算法4.1. 人工智能和搜索一直是携手并进的4.1.1. 基于搜索的算法是人工智能的一个独特分支4.1.2. 搜索是计算机科学家喜欢玩的一种烧脑把戏4.2. 大多数受自然界启发的优化算法都是平行搜索方法，从一群分散在解空间各处的初始答案开始，各自同时往周边地带探索，寻找最好的答案4.2.1. 优化算法动辄要搜索数百维空间，而且答案的质量往往难以确定，或者会随时间改变，又或者可能会有多个好答案4.2.2. 算法甚至可以搜索空间的维度本身，增加或删除参数4.2.2.1. 如果在四十维空间（由四十个参数值定义）里找不到答案，那么也许能在五十维空间里找到4.3. 搜索是最近大获成功的强化学习等技术的组成部分4.3.1. 通过搜索获取解决方案是极其困难的任务4.3.2. 在每个阶段，通常的结果都是计算机被卡住，找不到一个好答案4.3.3. 搜索的空间太大，无法在合理的时间内搜索到答案4.3.4. 空间太复杂，无法有效导航4.3.5. 空间本身的性质太容易改变4.3.6. 测试每个潜在答案是否能解决问题所需的时间，限制了系统可以考虑的答案的数量4.3.7. 答案越复杂，测试它所需的时间也就越长4.3.8. 计算力的提升永远是杯水车薪，而且这种情况可能还会持续几十年，甚至几百年4.3.9. 计算能力也不能帮助我们理解如何找出正确答案4.3.10. 搜索只能帮助计算机找到问题的答案4.3.10.1. 它总是需要我们的帮助来发挥它应有的作用4.4. 自然进化是如何在一个似乎永无止境的可能性空间中搜索，并找到活生生的答案的5. 进化中的机器人5.1. 机器人大脑的构件可能是模拟神经元、有限状态机、规则集合，或数学方程，搜索则是黏合剂，把这些构件以正确方式组合起来，并连接到传感器和效应器，从而让机器人能执行真正的任务5.2. 达里奥·弗洛里亚诺5.2.1. 他让模拟神经元配置自己进化，来为机器人自动制造大脑5.2.2. 并不满足于让大脑进化，他还想知道这种大脑是如何运作的5.2.3. 探索了许许多多种进化出来的机器人大脑5.2.4. 建造了由有机生物体启发的机器人躯体5.2.4.1. 一些会走路的机器人5.2.4.2. 一些像跳蚤一样蹦蹦跳跳的机器人5.2.5. 两家无人机公司——senseFly和Flyability5.2.6. 数字世界的进化论有着一个美妙之处：人类设计师的角色可以被降低到最低限度5.3. 霍德·利普森和乔丹·波拉克5.3.1. 复制了卡尔·西姆斯的想法，在虚拟世界中进化出可以移动的奇特虚拟生物5.3.2. 使用3D打印机，将虚拟变成现实5.4. 虚拟世界和我们自己的世界之间的“现实差距”5.4.1. 在虚拟世界中可能正常工作的大脑和身体，不知何故在混乱、不可预测的现实世界中总是没法正常运转6. 自我设计的计算机6.1. 阿德里安·汤普森6.1.1. 在1996年6.1.1.1. 将进化计算与一种名为现场可编程门阵列(FPGA)的特殊芯片联系起来6.1.1.2. 这些芯片最初设计的应用，是计算机网络和电信骨干网等需要快速推出新电路的场景6.1.1.3. 与其设计一套电路并在昂贵的芯片制造厂里生产出来，你不如随时向FPGA发送特定信号来重新配置这个电路，它的内部组件会如你所愿地连接在一起，并存放在一个永久的存储器中6.1.2. 面对同一个问题时，进化电路所使用的硅片面积要比出自人类设计师之手的电路少得多6.2. 让计算机大脑本身的电路进行进化6.2.1. 在FPGA中演化和测试了许多代的真实电路后，进化计算找出了有效的电路6.2.2. 创造了古怪得有时几乎无法解释的电路6.2.3. 这些电路比预期的要小，而且它们使用电子元件的方式也很反常6.2.4. 芯片上显然不属于电路的部分仍然会以某种方式影响输出，让输出更接近理想值6.2.4.1. 进化利用了底层硅片的物理特性，这是人类设计师想都想不到的招数6.2.4.2. 设计甚至利用了环境，因为稍微改变一下温度，芯片就不那么好用了6.2.5. 把这个电路设计部署到另一个看起来一样的FPGA上面，它就不再灵光了6.2.6. 在更大的温度范围和多个FPGA上尝试进化，就会得到更可靠的解决方案6.3. 进化只会设计出必要的东西，一点也不浪费6.4. 许多困扰人类直觉的问题，可以用计算机进化论找到崭新的解决方案6.4.1. 朱利安·米勒(2019)6.5. 让计算机来负责进化电路并不容易，但多年的进展已经催生了新的技术，即将改变我们创造人工智能的方式6.5.1. 研究人员仍然在可进化的硬件领域继续开拓