# Sistema de Evolução Inteligente EvoX e Práticas de Pesquisa Científica AI Native

[Índice do Curso](START_HERE.html)

## Introdução ao Curso

Este curso apresenta sistematicamente os conceitos centrais da evolução inteligente, a base de computação paralela, os mecanismos de evolução de métodos e as práticas de pesquisa científica AI Native, ajudando pesquisadores a superar a lacuna entre a capacidade dos modelos e a capacidade dos sistemas, explorando e inovando continuamente em ambientes reais.

> Um guia de sistemas de evolução avançados que conecta modelos, algoritmos e ambientes reais

**Autor**: Equipe EvoX

## Objetivos de Aprendizagem

1. Compreender a profundidade histórica e a velocidade de evolução da evolução inteligente
2. Distinguir as limitações da geração única de grandes modelos e a necessidade de evolução sistêmica
3. Revisar a evolução, divergência e convergência de múltiplas abordagens na história da inteligência artificial
4. Dominar as vantagens da computação evolutiva ao lidar com conflitos de objetivos e restrições complexas
5. Identificar os desafios de conflitos de objetivos e feedback esparso na prática de engenharia
6. Compreender o valor prático da exploração de múltiplos candidatos e do caso de otimização de aerofólios
7. Dominar o método de expressar o processo evolutivo como computação tensorial em lote
8. Compreender o papel do Runtime no agendamento de poder computacional heterogêneo e na manutenção da composabilidade dos algoritmos
9. Compreender a ideia central da evolução de métodos (Meta-Evolution)
10. Dominar a arquitetura que delega estratégias de mutação e hiperparâmetros à otimização evolutiva externa
11. Compreender o padrão de engenharia de colaboração multi-Agent e decomposição recursiva de tarefas
12. Dominar o mecanismo de sedimentar modificações eficazes no histórico do projeto por meio de compilação, testes e aceitação
13. Familiarizar-se com métodos de conduzir experimentos EvoX de forma eficiente com ferramentas de IA (como Codex)
14. Definir claramente o senso crítico central e a capacidade de formular perguntas-chave que os pesquisadores devem manter na era da programação automatizada

## Lição 1 · As Origens da Evolução Inteligente e o Contexto do Nascimento do EvoX

Explora a trajetória evolutiva da inteligência humana, a visão de Turing sobre a "máquina criança" e como o EvoX constrói um ciclo evolutivo entre a capacidade dos modelos e a capacidade dos sistemas.

**Objetivos de Aprendizagem**

- Compreender a profundidade histórica e a velocidade de evolução da evolução inteligente
- Distinguir as limitações da geração única de grandes modelos e a necessidade de evolução sistêmica

## Lição 2 · As Origens da Computação Evolutiva e a Convergência de Múltiplas Abordagens

Rastreia os pontos de interseção entre simbolismo, conexionismo, cibernética e computação evolutiva, revelando como a computação evolutiva oferece caminhos de solução que não dependem de uma resposta única predeterminada.

**Objetivos de Aprendizagem**

- Revisar a evolução, divergência e convergência de múltiplas abordagens na história da inteligência artificial
- Dominar as vantagens da computação evolutiva ao lidar com conflitos de objetivos e restrições complexas

## Lição 3 · A Complexidade do Mundo Real e o Equilíbrio Multiobjetivo

Explora objetivos e restrições complexos e mutuamente limitantes no mundo físico real, aprendendo a usar o EvoX para gerar conjuntos de soluções candidatas que contêm diversas relações de trade-off.

**Objetivos de Aprendizagem**

- Identificar os desafios de conflitos de objetivos e feedback esparso na prática de engenharia
- Compreender o valor prático da exploração de múltiplos candidatos e do caso de otimização de aerofólios

## Lição 4 · A Base Computacional Moderna e a Evolução Paralela Tensorial

Aprende como o EvoX organiza população, avaliação e estado como tensores computáveis integralmente, superando gargalos seriais tradicionais para alcançar aceleração em larga escala.

**Objetivos de Aprendizagem**

- Dominar o método de expressar o processo evolutivo como computação tensorial em lote
- Compreender o papel do Runtime no agendamento de poder computacional heterogêneo e na manutenção da composabilidade dos algoritmos

## Lição 5 · Evolução de Métodos: Da Otimização de Soluções à Otimização do Próprio Algoritmo

Explora mecanismos de evolução de métodos como MetaDE e AutoPSO, aprendendo como incorporar os métodos que geram candidatos ao objeto de otimização, realizando a auto-evolução dos algoritmos.

**Objetivos de Aprendizagem**

- Compreender a ideia central da evolução de métodos (Meta-Evolution)
- Dominar a arquitetura que delega estratégias de mutação e hiperparâmetros à otimização evolutiva externa

## Lição 6 · Evolução Contínua em Nível de Sistema: Genesis e a Sedimentação no Mundo do Software

Aprende como o Genesis, por meio de colaboração multi-Agent e mecanismos rigorosos de verificação, permite que o código do projeto se acumule e evolua continuamente ao longo do ciclo de vida.

**Objetivos de Aprendizagem**

- Compreender o padrão de engenharia de colaboração multi-Agent e decomposição recursiva de tarefas
- Dominar o mecanismo de sedimentar modificações eficazes no histórico do projeto por meio de compilação, testes e aceitação

## Lição 7 · O Paradigma de Pesquisa Científica AI Native e a Entrada Prática no EvoX

Domina o caminho prático para entrar no EvoX em um ambiente AI Native, vivenciando o princípio central da pesquisa científica: "Code is cheap. Taste matters".

**Objetivos de Aprendizagem**

- Familiarizar-se com métodos de conduzir experimentos EvoX de forma eficiente com ferramentas de IA (como Codex)
- Definir claramente o senso crítico central e a capacidade de formular perguntas-chave que os pesquisadores devem manter na era da programação automatizada