ทบทวนแก่นความคิดของหลักสูตรและที่มาของวิวัฒนาการ

สรุปทั้งหลักสูตรเป็นประโยคเดียวว่าความฉลาดไม่ใช่ผลิตภัณฑ์สำเร็จรูปที่กำหนดไว้ล่วงหน้าเพียงหนึ่งเดียว หากแต่เป็นกระบวนการที่วิวัฒนาการอย่างต่อเนื่องภายใต้ผลตอบกลับจากสภาพแวดล้อม เส้นทางการแก้ปัญหาที่การคำนวณเชิงวิวัฒนาการมอบให้มีประชากร การกลายพันธุ์ การคัดเลือก และความเหมาะสมเป็นโครงกระดูกสันหลัง—มันไม่สัญญาว่าจะเขียนคำตอบที่ถูกต้องเพียงหนึ่งเดียวไว้ล่วงหน้า แต่ปล่อยให้แนวทางที่เป็นไปได้ถูกดัดแปลงและสืบทอดผ่านการประเมินและการคัดเลือกซ้ำแล้วซ้ำเล่า

แนวคิดนี้มีที่มาทางประวัติศาสตร์ที่ชัดเจน ย้อนไปถึงปี 1950 ทัวริงได้เสนอแนวคิด "เครื่องจักรเด็ก" โดยเสนอว่าเครื่องจักรควรได้รับความสามารถทีละน้อยผ่านการศึกษา การทดลอง และการให้รางวัลหรือลงโทษในสภาพแวดล้อม เช่นเดียวกับเด็ก—ความสามารถไม่ใช่ผลิตภัณฑ์ที่เขียนไว้เพียงครั้งเดียว แต่เป็นกระบวนการหนึ่งโมเดลสร้างความเป็นไปได้ สภาพแวดล้อมให้ผลตอบกลับ ระบบรับหน้าที่ประเมิน คัดเลือก และสืบทอด เมื่อเชื่อมสามส่วนนี้ให้เป็นวงจร ก็จะก่อให้เกิดสิ่งที่หลักสูตรนี้เน้นย้ำ นั่นคือวงจรวิวัฒนาการแบบปิด และ EvoX ที่กล่าวถึงในหลักสูตรก็เป็นสิ่งที่เชื่อมวงจรปิดนี้ระหว่างความสามารถของโมเดลกับความสามารถของระบบ แผนภาพด้านล่างนำวงจรปิดนี้กลับไปวางในบริบททางประวัติศาสตร์: การ์ดสี่ใบทางซ้ายเรียงตามลำดับคือสัญลักษณ์นิยม คอนเนกชันนิสม์ ไซเบอร์เนติกส์ และการคำนวณเชิงวิวัฒนาการ ส่วนโหนดตรงกลางคือวงจรวิวัฒนาการต่อเนื่องที่ทั้งสี่สายมาบรรจบกันภายใต้ผลตอบกลับจากสภาพแวดล้อม (สร้างตัวเลือก → ประเมิน → คัดเลือก → สืบทอด → ทำซ้ำ) แถบเวลาด้านล่างระบุสี่ช่วงคือ แรงบันดาลใจทางชีววิทยา การพัฒนาอิสระ การกลับมาบรรจบกัน และวิวัฒนาการแบบขนานขนาดใหญ่

จุดบรรจบทางประวัติศาสตร์ของสี่เส้นทางความคิด

• สัญลักษณ์นิยม: มอบความฉลาดไว้กับการแทนค่าแบบชัดแจ้งและการอนุมานรูปนัย โดยสันนิษฐานว่าโลกสามารถอธิบายได้อย่างค่อนข้างสมบูรณ์ด้วยโครงสร้างสัญลักษณ์ มีประสิทธิภาพและอธิบายได้ในปัญหาที่กฎชัดเจนและขอบเขตปิด แต่ล้มเหลวง่ายเมื่อเผชิญกับความคลุมเครือ สัญญาณรบกวน และการขาดสามัญสำนึกในสภาพแวดล้อมแบบเปิด
• คอนเนกชันนิสม์: แทนที่กฎที่เขียนด้วยมือด้วยการแทนค่าแบบกระจายและการเรียนรู้ โดยปรับความสัมพันธ์ "จากอินพุตสู่การตัดสินใจ" จากข้อมูล มันเก่งด้านการรับรู้และการวางนัยทั่วไป แต่ผลลัพธ์จากการส่งผ่านไปข้างหน้าครั้งเดียวไม่ได้มาพร้อมการพิสูจน์ความถูกต้อง และยังขาดกลไกการตรวจสอบตนเองและการสั่งสมในระยะยาว
• ไซเบอร์เนติกส์: มุ่งเน้นการปรับเป้าหมายในวงจรป้อนกลับ—วัดความคลาดเคลื่อน ลงมือกระทำ แล้ววัดอีกครั้ง มันตอบคำถามว่า "ระบบจะรักษาทิศทางท่ามกลางการรบกวนได้อย่างไร" ซึ่งเป็นต้นแบบวงจรปิดที่ระบบวิวัฒนาการต่อเนื่องทุกระบบต้องมี
• การคำนวณเชิงวิวัฒนาการ: มอบกลไกการปรับตัวระดับกลุ่มสำหรับพื้นที่ค้นหาแบบเปิด ใช้ "สร้างตัวเลือก—ประเมิน—คัดเลือก—สืบทอด—ทำซ้ำ" ในการสำรวจพื้นที่คำตอบอย่างต่อเนื่อง และรักษาความหลากหลายกับแรงกดดันในการค้นหาในรูปของประชากร

ในยุคแรกทั้งสี่เส้นทางแข่งขันกัน แต่ปัจจุบันในระบบอัจฉริยะสมัยใหม่กลับมุ่งสู่การเติมเต็มซึ่งกันและกัน:ชั้นสัญลักษณ์ให้ข้อจำกัดเชิงโครงสร้างที่อธิบายได้และเงื่อนไขการตรวจสอบ ชั้นคอนเนกชันมอบความสามารถในการรับรู้และสร้าง ชั้นควบคุมรับประกันผลตอบกลับและการปรับเป้าหมาย ชั้นวิวัฒนาการรับผิดชอบการค้นหาและเก็บรักษาแนวทางที่หลากหลายในสภาพแวดล้อมที่ไม่แน่นอน การเข้าใจการแบ่งหน้าที่นี้จึงจะอธิบายได้ว่าทำไมระบบอัจฉริยะที่ซับซ้อนจำเป็นต้อง "เชื่อมความสามารถให้เป็นวงจร" แทนที่จะหวังพึ่งผลลัพธ์เพียงครั้งเดียว

แรงบันดาลใจทางชีววิทยากับนามธรรมเชิงวิศวกรรม

การคำนวณเชิงวิวัฒนาการนำกลไกทางชีววิทยา เช่น การกลายพันธุ์ การคัดเลือก การถ่ายทอดทางพันธุกรรม และความหลากหลายของประชากรมาใช้ แต่ในการปฏิบัติสมัยใหม่ กลไกเหล่านี้ถูกทำให้เป็นนามธรรมเป็นคำนวณได้ ขนานได้ และประกอบรวมได้กระบวนการปรับเหมาะ: ความเหมาะสมคือฟังก์ชันเป้าหมายที่วัดได้ การกลายพันธุ์มักอธิบายด้วยการแจกแจงความน่าจะเป็น และแรงกดดันในการคัดเลือกทำได้ด้วยกฎการสุ่มตัวอย่างและการเก็บรักษา การเลียนแบบชีววิทยาเป็นเพียงจุดเริ่มต้น ส่วนตัวดำเนินการที่ทำซ้ำได้และการประเมินที่วัดได้ต่างหากคือรูปแบบที่นำไปใช้ได้จริง

ความเข้าใจผิดที่พบบ่อยคือ "กลไกดูเหมือนวิวัฒนาการ ดังนั้นผลลัพธ์ต้องถูกต้องแน่นอน" อันที่จริง ระบบวิวัฒนาการจะได้ผลหรือไม่นั้น ขึ้นอยู่กับว่าวิธีการเข้ารหัส การออกแบบความเหมาะสม และแรงกดดันในการคัดเลือกสอดคล้องกับงานหรือไม่—อุปมาทางชีววิทยาในเชิงกลไกไม่ได้ให้การรับประกันความถูกต้องใด ๆ เลย

ทำไมจึงไม่พึ่งพาคำตอบเดียวที่กำหนดไว้ล่วงหน้า

งานจริงมักมีลักษณะสามประการพร้อมกัน:เป้าหมายหลายข้อขัดแย้งกัน ผลตอบกลับเบาบาง สภาพแวดล้อมไม่แน่นอน เมื่อเป้าหมายต่าง ๆ กำกัดกัน มักไม่มีคำตอบจุดเดียวที่ทำให้ทุกเป้าหมายดีที่สุดพร้อมกัน แต่มีเพียงชุดคำตอบที่ต้องแลกกัน เมื่อผลตอบกลับเบาบางและล่าช้า ก็ไม่อาจได้รับการประเมินที่สมบูรณ์ในครั้งเดียว เมื่อพารามิเตอร์สภาพแวดล้อมเปลี่ยนแปลงตลอดเวลา "แผนที่ดีที่สุดเพียงหนึ่งเดียว" แบบคงที่ใด ๆ ก็หมดอายุอย่างรวดเร็ว การกำหนดเส้นทางเดียวไว้ล่วงหน้าจึงล้มเหลวภายใต้เงื่อนไขเหล่านี้

วิธีการของการคำนวณเชิงวิวัฒนาการคือการสร้างตัวเลือกจำนวนมากแบบขนาน ประเมินผลการแลกกันในแต่ละเป้าหมายของพวกมัน และเก็บรักษาแนวทางที่หลากหลายไว้ให้การตัดสินใจในภายหลัง จึงเลื่อนการ "เลือกอันไหน" ไปสู่ขั้นที่ข้อมูลครบถ้วนกว่าหรือความชอบชัดเจนกว่า

นี่ก็อธิบายด้วยว่าความจำเป็นของการสำรวจแบบขนานขนาดใหญ่: เมื่อพื้นที่ค้นหามีขนาดมหึมา วงจรแบบอนุกรมดั้งเดิมไม่อาจสุ่มตัวอย่างได้เพียงพอในเวลาที่รับได้ ยิ่งยากที่จะรองรับ "วิวัฒนาการต่อเนื่อง" GPU เทนเซอร์ และรันไทม์แบบรวมศูนย์ทำให้การขนานระดับประชากร การขนานตัวดำเนินการ และการทำซ้ำออนไลน์ระยะยาวกลายเป็นฐานวิศวกรรม ยกระดับขนาดตัวเลือกที่ประเมินได้ต่อหน่วยเวลาและความหลากหลายของประชากอย่างมาก ต้องเน้นว่าการขนานยกระดับ "ขนาดที่เป็นไปได้" ไม่ได้แทนที่การออกแบบความเหมาะสมและการออกแบบแรงกดดันในการคัดเลือก