การบรรจบกันของเส้นทางปัญญาประดิษฐ์และต้นสายธารการคำนวณเชิงวิวัฒนาการ

เมื่อพลังการประมวลผลและความสามารถของโมเดลไม่ใช่สิ่งที่หายากอีกต่อไป คำถามจริงหลังจาก "คำนวณได้มากขึ้น" ก็กลายเป็นว่า：จะค้นหาอย่างไร และวิธีการค้นหาเองนั้นสามารถถูกปรับปรุงอย่างเป็นระบบได้หรือไม่ข้อสรุปที่หน้านี้ต้องการestablishคือ เส้นทางการพัฒนาปัญญาหลายสาย ไม่ว่าจะเป็นการเข้าใจ การแสดงออก การลงมือทำ และการป้อนกลับ ต่างกลับมาบรรจบกันอีกครั้งเมื่อต้องแก้ปัญหาที่เป็นระบบและเป็นปัญหาจริงในโลก และการคำนวณเชิงวิวัฒนาการก็คือต้นสายธารทางเทคนิคที่ตรงที่สุด ณ จุดบรรจบนี้ เพราะมันเป็นทั้งกลไกของการค้นหา และเป็นสิ่งที่ถูกค้นหาได้ในตัวเอง

1. การเปลี่ยนกระบวนทัศน์：จาก "สร้างเพียงครั้งเดียว" สู่ "ค้นหาอย่างต่อเนื่อง"

ข้อจำกัดของการสร้างเพียงครั้งเดียวถูกเปิดเผยอย่างชัดเจนแล้วในปัจจุบัน การสร้างเพียงครั้งเดียวไม่อาจยืนยันความถูกต้องได้ด้วยตัวเอง และยากที่จะยังคงได้ผลเมื่อสภาพแวดล้อมหรือโมเดลเปลี่ยนไป หลังจากความสามารถเพิ่มขึ้น คอขวดก็ย้ายจาก "สร้างคำตอบที่ดีหนึ่งครั้ง" ไปสู่ "จะค้นหา ป้อนกลับ และคัดกรองอย่างต่อเนื่องได้อย่างไร" พูดอีกอย่างคือ ธรรมชาติของปัญหาได้เปลี่ยนจากการสุ่มตัวอย่างกลายเป็นการค้นหา——จุดสำคัญไม่ใช่ว่ามีคำตอบหรือไม่ แต่อยู่ที่ว่าสามารถเสนอ ตรวจสอบ เก็บรักษา และสร้างใหม่ได้ซ้ำ ๆ หรือไม่

2. ทำไมเส้นทางหลายสายจึงบรรจบกัน

ระบบอัจฉริยะไม่ใช่ความสามารถเพียงอย่างเดียว แต่ประกอบด้วยหลายมิติ ทั้งการเข้าใจ การแสดงออก การลงมือทำ การป้อนกลับ และการคัดกรองผลลัพธ์ ไม่มีมิติใดที่สามารถปิดวงจรได้อย่างอิสระ การเข้าใจต้องอาศัยการป้อนกลับมาปรับแก้ การลงมือทำต้องอาศัยการคัดกรองผลลัพธ์มาทำให้ลู่เข้า การแสดงออกต้องอาศัยสภาพแวดล้อมมาตรวจสอบ ดังนั้นเส้นทางเหล่านี้จึงกลับมาบรรจบกันในระดับระบบ มิใช่แทนที่กันและกัน เราสามารถเข้าใจการพึ่งพาซึ่งกันและกันนี้ได้ด้วยห่วงโซ่การสังเกตที่เรียบง่ายที่สุด：ตั้งปัญหา → สร้างทางเลือก → สภาพแวดล้อมป้อนกลับ → ประเมินและคัดกรอง → เก็บรักษาและสร้างใหม่

3. การระบุต้นสายธาร：ทำไมจึงเป็นการคำนวณเชิงวิวัฒนาการ

ในบรรดาเส้นทางที่บรรจบกันมากมาย การคำนวณเชิงวิวัฒนาการได้มอบกลไกที่ตรงที่สุดและลงมือทำได้จริงที่สุด——ประชากร การกลายพันธุ์ การคัดเลือก การทำซ้ำซึ่งสอดคล้องกับวงจรปิดของระบบ "สร้าง—ประเมิน—เก็บรักษา—สร้างใหม่" โดยธรรมชาติ มันไม่ใช่ความสามารถในการแสดงออกอีกประเภทหนึ่ง แต่เป็นกลไกที่ทำให้วงจรปิดหมุนได้จริง ดังนั้นหน้านี้จึงระบุว่ามันเป็นต้นสายธารทางเทคนิคที่ตรงที่สุด ณ จุดบรรจบ

4. จุดบอดของอัลกอริทึมวิวัฒนาการแบบดั้งเดิม

อัลกอริทึมวิวัฒนาการแบบดั้งเดิมใช้การกลายพันธุ์ การสลับสายพันธุ์ และการคัดเลือกเพื่อเปลี่ยนแปลงคำตอบที่เป็นทางเลือก แต่น้อยครั้งที่จะเปลี่ยน "วิธีการสร้างคำตอบที่เป็นทางเลือก" พูดอีกอย่างคือเมต้าเลเยอร์ของอัลกอริทึมยังคงอยู่ในขั้นการออกแบบด้วยมือมาเป็นเวลานาน มันเก่งในการค้นหาคำตอบ แต่ไม่เก่งในการค้นหาตัวเอง

ยกตัวอย่าง Differential Evolution เป็นกรณีศึกษาที่ konkret ของราคาที่ต้องจ่าย：การเลือกกลยุทธ์การกลายพันธุ์แบบใด การเลือกเวกเตอร์ฐานอย่างไร การตั้งค่าปัจจัยการกลายพันธุ์และความน่าจะเป็นในการสลับสายพันธุ์อย่างไร ล้วนส่งผลต่อผลลัพธ์อย่างมีนัยสำคัญ เมื่อเจอปัญหาที่แตกต่างกัน นักวิจัยมักต้องเลือกแบบจากหลายรูปแบบ แล้วปรับพารามิเตอร์ซ้ำไปมาผ่านการทดลองจำนวนมาก งานเหล่านี้เกิดขึ้นนอกเหนือจากการค้นหา ใช้ซ้ำไม่ได้ และยากที่จะตกตะกอนเป็นองค์ความรู้——นี่คือหลักฐานเชิงประจักษ์ของ "อัลกอริทึมกำลังค้นหาคำตอบ แต่อัลกอริทึมเองยังไม่เข้าสู่กระบวนการค้นหา"

5. จุดเปลี่ยนสำคัญ：ให้อัลกอริทึมปรับปรุงอัลกอริทึม

ก้าวสำคัญที่แท้จริงคือการทำให้วิธีการแก้ปัญหานั้นเข้าสู่กระบวนการค้นหาด้วย นั่นคือมุมมองแบบซ้อนของ "อัลกอริทึมปรับปรุงอัลกอริทึม" ตอนนี้อัลกอริทึมไม่ใช่เพียงเครื่องมือสำหรับค้นหาคำตอบอีกต่อไป แต่กลายเป็นวัตถุที่ถูกค้นหาและถูกปรับปรุง EvoX ซึ่งจะแนะนำในภายหลังก็คือ载体ที่ทำให้มุมมองนี้เป็นระบบ (รายละเอียดสถาปัตยกรรมดูในหน้าถัดไป)