你所了解的人工智能有哪些（你喜欢人工智能吗）

Artificial Life（人工生命），常简称为 ALife。ALife 是什么？研究它的目的是什么？本文将带您共同回顾 ALife 简史，一起来看看 ALife 与人工智能的关系，共同展望 ALife 的未来。

Artificial Life（人工生命），常简称为 ALife。当你读到这里的时候，首先想到的是什么？是一个 T 恤品牌？还是 Greg Egan novel 的一本小说？

对于我和数以百计的 ALife 从业者来说，ALife 是一种自下而上的科学研究，它研究的是生命的基本原理。人工智能研究人员通过尝试从头构建智能系统来思考智能的本质，与之类似，ALife 研究人员通过尝试从头构建生命系统来研究“生命”的本质。

仿生兽

ALife 研究的目的是什么？

我们的学术领域很自然地与生物学和化学重叠，但还包括计算机科学、天体生物学、物理学、复杂系统、网络科学、地质学、进化科学、生命起源研究，当然还有人工智能和动物行为研究。我们的标语是，“生命本该如此。”

要开始解释这个领域，很自然就要先解释我们所说的“生命”究竟是什么意思。你可能认为这个问题在很久以前就已经解决了：生命是指某种生长和繁殖的东西是活的。但是，这个定义与“生命”这个棘手的科学真相还有相当的距离。许多电子游戏都模拟了生长和繁殖的动物，尽管你肯定会发现有人会争辩说这些动物是活着的，但大家普遍认为“生长和繁殖”不足以定义“活着”。“同样，盐晶体生长，并使更多的晶体在它们周围生长，但它们不是活的。

等等，那 DNA 呢？在初中，你可能已经知道，DNA 是地球上所有生命的一个共同点。即使你在另一个星球上寻找生命，DNA 也是你应该寻找的确凿证据，对吗？好吧，事情变得越来越有趣了。

除了“它是由腺嘌呤、胸腺嘧啶、鸟嘌呤和胞嘧啶组成的双螺旋结构”(它的基质) 之外，关于 DNA 很重要的一件事情，是它对可以从父母遗传给后代的细胞信息进行编码 (它的功能)。如果你专注于这个功能，不管 DNA 是由什么组成的，也不管它是什么形状——你都可以用任何你喜欢的东西来编码和传输信息，包括 8 个字母的 DNA 或计算机中的 0、1 字符串。某些基质在一定条件下优于其他基质，但其“传递信息”的功能并不依赖于 DNA 本身。从这个意义上说，ALife 是基质不可知论的。

那么，我们所谓的“生命”指的到底是什么呢？这正是我们想要弄清楚的事情！从广义上讲，就像“智能”一样，人工智能研究人员开发程序，以各种方式模拟已知人类智能的各个方面，却不一定就“智能”的认知达成一致，我们试图创建动态系统，模拟已知生物生命的各个方面，但不一定就“生命”的认知达成一致。换句话说，ALife 从业者所追求的是一组功能，这些功能可以将生命定义为一个过程，并允许你在特定条件下在适当的平台上“运行”它，就像你可以在许多不同的硬件平台上运行软件一样。

规则越通用，在功能维护时可以使用的平台就越多，这样就更好。在当前的功能列表中，有一个是这样的：一个活的有机体应该进行自创生也就是说，这个有机体应该不断地通过与周围环境交换材料来“重建”自己)，对刺激做出反应，通过调整适应它的环境，将不完整的信息复制并传递给它的后代。然而，另一种定义认为，生命不过是任何受自然选择支配的自噬化学系统。我们目前的定义存在的问题是，如果它们足以生产出来，我们就已经建立了某种形式的“人工生命”，并一致认为它是“活着的”。所以是，在游戏上。

有了这样一个总体目标，ALife 就不可避免地与许多其他领域重叠。让 ALife 与众不同的是它自下而上的方法，以及它关注的是可以跨领域传递的一般原则：涌现、信息、计算、微观及宏观变量之间的关系……

事实上，这是 ALife 最常受到批评的其中一点：它对一般原则的关注会使它“太隐喻化”、太抽象、太多地分散到其他领域，使得很难确定什么样的研究“属于”ALife。但我们这个领域的研究并不是隐喻性的，正如 2019 年 ALife 大会的主题“人工生命如何帮助解决社会挑战？”这一领域已经取得了具体的进展，既有实践方面，也有理论方面，本文的余下部分将会说明这一点。

ALife 简史

作为一个科学领域，ALife 正式诞生于美国计算机科学家 Christopher Langton 在 1987 年组织的第一届 ALife 研讨会。Langton 创造了“人工生命”这个叫法，并将其定义为“研究表现出自然生命系统行为特征的人工系统”。

然而 ALife 的哲学思想还要更早于上世纪 80 年代：生命是一个过程，可以在人工基质上重建，就像可以在不同平台上运行的一款软件，它至少像那个魔像 的犹太故事一样古老，它是个泥制的生物，念正确的咒语就能让它苏醒。根据记载，人们曾试图在人工介质上繁殖生物体的功能，如法国工程师雅克与 Vaucanson 的消化鸭 (1739 年)，它是一个机械“鸭”，可以摄取食物和排泄预装的排泄物。

由于谜之原因，De Vaucanson 的织布机械织机比他的鸭子更成功；这台织布机是用穿孔卡片编程的，它甚至启发了 Charles Babbage，从而和 Ada Lovelace 一起发明了第一台机械计算机。从那以后，ALife 和计算就从未停止对彼此的相互影响。

De Vaucanson 的“消化”鸭

Jacquard 织布机，由消化鸭的发明者用穿孔卡片编程

以对数学、博弈论和计算的贡献而闻名遐迩的约翰•冯•诺伊曼 ( John von Neumann )，也在用纸笔模拟的细胞自动机中，对自我复制的条件进行了严谨的研究。他发现了一些可以使一台二维机器人能够根据内部存储的信息来复制自己的规则，而这些发现早于 DNA 的发现！冯·诺依曼于是对复杂性的进化产生了兴趣。同时在另一个地方，在 50 年代早期，挪威 - 意大利数学家 Nils Aall Barricelli 在军用计算机上运行第一个进化算法，踏上了复杂生命进化的研究之路。

冯·诺伊曼自复制通用构造函数 (维基共享) 的第一个实现

20 世纪 70 年代， James Conway 创造了最著名的细胞自动机——“生命游戏”。

35 年后，ALife 作为一个科学共同体在 Langton 的工作室诞生了。此后，ALife 的规模一直很小，但很稳定，每年都举行 ALife 会议，并有自己的期刊。该领域通常分为 3 个子领域：

1. 硬 ALife，关注硬件，涵盖机器人和新的计算架构
2. 软 ALife，关注软件，涵盖计算机模拟 (包括人工智能)
3. 湿 ALife，与湿件有关，涵盖化学和生物学。

ALife 也一直与艺术有着紧密的联系，以至于艺术可以被认为是第四个子领域：ALife 仿真经常在媒体画廊中展出，基于 ALife 的机器人进行了歌剧表演，2018 年 ALife 大会举办了一场艺术比赛。

ALife 和人工智能

ALife 目前正经历着 AI 社区兴趣的复苏，但是它们的相互影响可以追溯到很久以前，深度学习的先驱如 Geoffrey Hinton(Google Brain) 受到了著名的 ALife 研究人员如 Inman Harvey 的思想的影响。Kenneth O. Stanley 是 Uber 人工智能实验室的负责人，因为他对开放的亲密性进行了深入的研究，也成为了 ALife 社区受人尊敬的成员。斯坦利的书《为什么伟大不能被计划出来》涉及了 ALife 最经典的研究主题：开放式进化 (OEE)。Stanley 指导了 Pic Breeder 的创建，这是一个在线协作的 OEE 艺术项目，在这里可以“复制”和进化图片。他还创造了一类新的遗传算法，主要用于神经网络优化。Stanley 的 NEAT 算法最引人注目的特点是它专注于优化解决方案的多样性，而不仅仅是性能，从而使解决方案优于传统的只限于性能的优化方法。NEAT 荣获 2017 年度国际人工生命学会近十年优秀论文奖。

意料之中的是，遗传算法的概念本身也来源于 ALife 社区内， John Holland 在 1975 年开创性地出版了《自然和人工系统的分析》，展示他在复杂的自适应系统和遗传算法领域的工作成果， Francisco Varela 于 1992 年在第一个欧洲峰会上提出了一个版本，他的大名在 ALife 界家喻户晓，正是他想出了自创生的概念。现在，遗传算法有了自己的会议，GECCO。

Karl Sims 的进化的虚拟生物

人工智能和机器学习社区可能已经忘记了遗传算法的 ALife 起源，但它们从未停止成为我们这个行业的一大研究领域。最著名的例子可能是 Karl Sims 的《进化的虚拟生物》，而最近关于遗传算法的研究包括的 Emily Dolson 的《空间分布对进化速度的影响》，以及 Artem Kaznatcheev 的《适应度景观中的计算复杂性》

ALife 在人工智能之上

当然，ALife 不仅仅对单个生物的行为感兴趣。

生命中有关生物之间相互作用的部分可以广义地定义为群体动力学。从简单的模拟鸟类中复杂的群体模式，到你最喜欢的电影中 CGI 战士群体，再到由单个真菌组成的“智能”黏液霉菌的群体，再到群体化学，群体研究背后的首要原则是寻找涌现。涌现性是一种“超过其各部分之和”的东西：一种由较简单的部分意外产生的复杂性形式。生命本身被认为是一个涌现的过程；一堆孤立的分子可不像由这些分子组成的细胞那么“有趣”或复杂。

我们在历史上如何从“成堆的分子”变成“活的有机体”的是生命起源的研究主题。这是一个与 ALife 有些不同的领域，但在它们试图回答的问题上，又有着明显的重叠。生命起源研究人员往往是生物学家、地质学家或化学家，他们最感兴趣的是生命“实际上”(从历史观点) 是如何产生的，而不是它可能是如何产生的。但有一些也与 ALife 社区有所重叠，研究生命起源中的哪些事件是随机的，哪些是真正必要的；什么可以在不同的系统中复制，什么不能。

特别是人工化学，它是从 ALife 中衍生出来的一个领域。像 Susan Stepney 这样的人工化学研究者调查研究了复杂性的起源、自组装式的进化以及其他生命进化的先决条件。

尽管跨越了广泛的学科，ALife 试图回答的所有问题都是有联系的：一个活的有机体和一个个体粒子集合的基本特征是什么？这些特征是如何出现的？我们如何在人工系统中从头开始复制它们？

展望未来

就我的这一领域的未来，我看到了三条大路。首先，我认为我们正看到了下一个人工智能冬天的初步迹象，这是一个人们对人工智能研究失去信心、资金枯竭的时期。一方面，夸大其词宣传偷走了人们本应关注真正进展的目光。另一方面，一些人工智能从业者在深度学习热潮中看到了局限，在过去几年里，他们开始基于新的想法去看待 ALife。

ALife 的问题是，如果你设法建造人工生命，并将进化应用到它身上，只要你做得对，最终一定会得到智能系统。在我看来，人工智能首先离不开 ALife，因此我对未来的愿景是两者的融合。

这种大的融合将是 ALife 更大进步的一部分：在人工系统中融合开放式进化 (OEE)。OEE 这种思想，说的是一些系统随着时间的推移会以指数级的方式变得更加复杂，而且复杂性永远不会停止增长。地球上的生命就是这样一个开放的系统。在计算机或化学系统中创建 OEE 意味着你从一些简单的东西开始，可能是一堆分子，或者是一个空洞的模拟，然后从中获得巨大的复杂性，就像活着的动物或有意识的人一样。

对于 ALife 而言，可能发生的最后一件事也是最大的一件事，那就是发现另一个星球上的生命。不幸的是，目前我们只知道一种生命形式。当样本容量的 N=1 时，很难进行科学研究。找到任何其他类型的生命将会为我们带来大量的知识，了解什么对于构成生命来说很重要，什么又无关紧要。

它将彻底改变我们处理“生命是什么”这一问题的方式，并将导致 ALife 在理论和实践方面的空前进步。

作者简介：

Lana Sinapayen 是索尼计算机科学实验室和东京地球生命科学研究所的 ALife 研究员。本文仅是她的个人观点，并不代表她的雇主。她获得了优秀的老式人工智能的硕士学位，厌倦了为愚蠢的机器人建造智能模型，转而攻读博士学位，希望创造出能够构建它们自己的智能模型的机器人。这些天来，她主要致力于预言性的编码和感知的起源，以及为更公平的科学界提供工具。她最近被选为国际人工生命协会的理事。

原文链接： thegradient.pub/an-introduction-to-artificial-life-for-people-who-like-ai

,