課程核心思想與演化源流回顧

課程整體可以歸結為一句話：智能並非一次性預設好的唯一產品，而是在環境回饋中持續演化的過程。演化計算給出的求解路徑以種群、變異、選擇、適應度為骨架——它不承諾事先寫出唯一正確解，而是讓候選方案在反覆評價與選擇中被改造、被繼承。

這一思路有清晰的歷史來源：早在 1950 年，圖靈就提出「兒童機器」的設想，主張機器像兒童一樣透過教育、試驗與獎懲，在環境中逐步獲得能力——能力不是一次寫定的產品，而是一段過程。模型生成可能、環境提供回饋、系統負責評價、選擇與繼承，把這三者接成迴路，就構成本課程強調的演化閉環；課程中討論的 EvoX 正是在模型能力與系統能力之間架起這一閉環。下方示意圖把這一閉環放回歷史脈絡：左側四張卡片依次是符號主義、連接主義、控制論與演化計算，中央節點是它們在環境回饋下匯合的持續演化迴路（生成候選 → 評價 → 選擇 → 繼承 → 迭代），底部時間軸標記生物啟發、獨立發展、重新匯合與大規模並行演化四個階段。

四條思想路線的歷史交匯

• 符號主義：把智能寄託於顯式表示與形式推理，假設世界可被符號結構較完整地刻畫。在規則清晰、邊界封閉的問題上高效且可解釋，但在開放環境中的模糊性、雜訊與常識缺失面前容易失效。
• 連接主義：以分散式表示與學習替代手工規則，從資料中擬合「輸入到決策」的映射。它擅長感知與泛化，但單次前向輸出並不自帶正確性證明，也缺少自我檢驗與長期積累機制。
• 控制論：關注回饋迴路中的目標調節——測量偏差、施加動作、再測量。它回答的是「系統如何在擾動中保持方向」，這正是任何持續演化系統都必須具備的閉環原型。
• 演化計算：面向開放搜索空間提供群體適應機制，用「生成候選—評價—選擇—繼承—迭代」在解空間中持續探索，並以種群形式維持多樣性與搜索壓力。

早期四條路線彼此競爭，如今在現代智能系統中走向互補：符號層給出可解釋的結構約束與驗證條件，連接層提供感知與生成能力，控制層保證回饋與目標調節，演化層負責在不確定環境中搜索並保留多樣化方案。理解這種分工，才能解釋為什麼複雜智能系統需要把能力「接成迴路」，而不是指望一次性輸出。

生物學啟發與工程抽象

演化計算借鑑了變異、選擇、遺傳、種群多樣性等生物學機制，但在現代實踐中它們被抽象為可計算、可並行、可組合的最佳化過程：適應度是可度量的目標函數，變異常用機率分布刻畫，選擇壓力由取樣與保留規則實現。仿生只是起點，可複現的算子與可度量的評價才是落地形態。

常見誤解是「機制像進化，所以結果一定正確」。事實上，一個演化系統是否有效，取決於編碼方式、適應度設計與選擇壓力是否與任務匹配——機制上的生物學隱喻不構成任何正確性保證。

為什麼不依賴預設的唯一答案

真實任務往往同時具備三個特徵：多目標衝突、反馈稀疏、环境不确定。当目标之间相互制约时，通常并不存在同时使所有目标最优的单点解，只存在一组权衡解集；当反馈稀疏且滞后时，也无法一次性获得完整评价；当环境参数持续变化时，任何静态的“唯一最优方案”都会很快过期。预先指定一条唯一路径，正是在这些条件下失效的。

演化计算的做法是并行生成大量候选，评价它们在各目标上的权衡表现，并保留多样化方案供后续决策，从而把“选哪一个”推迟到信息更充分或偏好更明确的阶段。

这也解释了大规模并行探索的必要性：搜索空间巨大时，传统串行循环无法在可接受时间内完成足量采样，更难以支撑“持续演化”。GPU、张量与统一运行时把种群级并行、算子并行和长期在线迭代变成工程底座，使单位时间内可评价的候选规模与种群多样性大幅提升。需要强调的是，并行提升的是“可行规模”，并不替代适应度设计与选择压力设计。