Cuando ni la capacidad de cómputo ni la de los modelos siguen siendo escasas, tras «calcular más» la verdadera pregunta pasa a ser:cómo buscar, y si el propio método de búsqueda puede ser mejorado sistemáticamente. El juicio que esta página busca establecer es el siguiente: las múltiples rutas de desarrollo de la inteligencia —comprensión, expresión, acción y retroalimentación, entre otras— vuelven a converger al resolver problemas sistémicos del mundo real; y la computación evolutiva es, precisamente, la corriente técnica más directa en ese punto de convergencia: es a la vez el mecanismo de búsqueda y un objeto que puede ser buscado.
I. Cambio de premisa: de «generar una vez» a «buscar de forma continua»
Las limitaciones de la generación única han quedado hoy plenamente al descubierto: una sola generación no puede demostrar su propia corrección y difícilmente sigue siendo válida tras un cambio de entorno o de modelo. Una vez reforzadas las capacidades, el cuello de botella se desplaza de «generar una buena respuesta una vez» hacia «cómo buscar, retroalimentar y filtrar de forma continua». En otras palabras, la naturaleza del problema ha pasado de lamuestreoa labúsqueda: lo importante ya no es si hay una respuesta, sino si se puede proponer, verificar, conservar y regenerar una y otra vez.
II. Por qué convergen múltiples rutas
Un sistema inteligente no es una capacidad única, sino que abarca múltiples dimensiones: comprensión, expresión, acción, retroalimentación y filtrado de resultados, entre otras. Ninguna dimensión puede cerrar el bucle por sí sola: la comprensión se calibra con la retroalimentación, la acción converge mediante el filtrado de resultados y la expresión se pone a prueba con el entorno. Por eso estas rutas vuelven a confluir a nivel de sistema, en lugar de sustituirse entre sí. Basta una cadena de observación muy sencilla para entender esta interdependencia: plantear el problema → generar candidatos → retroalimentación del entorno → evaluación y filtrado → conservar y regenerar.
III. Ubicación de la corriente de origen: por qué la computación evolutiva
Entre las numerosas rutas de convergencia, la computación evolutiva ofrece el mecanismo más directo y más operativo:población, mutación, selección, iteración, que corresponden de forma natural al bucle cerrado del sistema «generar—evaluar—conservar—regenerar». No es otra capacidad de expresión, sino el conjunto de mecanismos que hace girar de verdad el bucle cerrado; por eso esta página lo sitúa como la corriente técnica más directa en el punto de convergencia.
IV. El punto ciego de los algoritmos evolutivos tradicionales
Los algoritmos evolutivos tradicionales usan la mutación, el cruce y la selección para cambiar las soluciones candidatas, pero rara vez cambian «el método que produce las soluciones candidatas». En otras palabras, elmeta-niveldel algoritmo permanece durante largo tiempo en la fase de diseño manual. Es bueno buscando respuestas, pero no es bueno buscándose a sí mismo.
Tomemos la evolución diferencial como ejemplo concreto del costo: qué estrategia de mutación adoptar, cómo elegir el vector base, cómo fijar el factor de mutación y la probabilidad de cruce influyen de manera notable en el resultado. Ante problemas distintos, los investigadores suelen tener que elegir entre numerosas variantes y luego ajustar los parámetros una y otra vez mediante multitud de experimentos. Este trabajo ocurre fuera de la búsqueda, no es reutilizable y difícilmente se consolida: es justamente la nota al pie de la realidad de que «el algoritmo busca respuestas, pero el propio algoritmo no entra en el proceso de búsqueda».
V. El giro clave: hacer que el algoritmo optimice el algoritmo
El verdadero avance consiste en hacer que el propio método de resolución entre también en el proceso de búsqueda, es decir, la perspectiva anidada de la «optimización de algoritmos por algoritmos». En ese momento el algoritmo deja de ser solo una herramienta para buscar respuestas y pasa a ser un objeto que se busca y se mejora. EvoX, que se presentará más adelante, es precisamente el vehículo que sistematiza esta perspectiva (los detalles de su arquitectura se ven en páginas posteriores).
Múltiples rutas convergen en la computación evolutivaLas rutas de comprensión, expresión, acción y retroalimentación no pueden cerrar el bucle por sí solas: la comprensión se calibra con la retroalimentación y la acción converge mediante el filtrado de resultados, por lo que vuelven a confluir al resolver problemas de sistemas reales. La computación evolutiva, con población, mutación, selección e iteración, ofrece un mecanismo de bucle cerrado que puede ponerse a funcionar directamente y que no solo busca respuestas, sino que también incorpora a la búsqueda el propio método de resolución —estrategias de mutación y ajuste de parámetros, entre otros—, logrando la optimización de algoritmos por algoritmos.
