# เอกสารประกอบการสอน ระบบวิวัฒนาการอัจฉริยะ EvoX และการปฏิบัติงานวิจัยทางวิทยาศาสตร์แบบ AI Native

เวลาเรียน: 1 · หน้าสื่อการสอน: 16

## แนวทางการอ่าน

- [บทที่ 2｜หัวข้อ: ต้นกำเนิดของการคำนวณเชิงวิวัฒนาการและการบรรจบของหลายเส้นทาง](#lecture-lesson-1)

---

<a id="lecture-lesson-1"></a>

## บทที่ 2｜หัวข้อ: ต้นกำเนิดของการคำนวณเชิงวิวัฒนาการและการบรรจบของหลายเส้นทาง

<a id="lecture-page-1"></a>

### ต้นกำเนิดของการคำนวณเชิงวิวัฒนาการและการบรรจบของหลายเส้นทาง

*หน้า 1*

> **เป้าหมายของหน้า: ** ย้อนรอยจุดบรรจบของสัญลักษณ์นิยม (Symbolism) คอนเนคชันนิซึม (Connectionism) ไซเบอร์เนติกส์ (Cybernetics) และการคำนวณเชิงวิวัฒนาการ เผยให้เห็นว่าการคำนวณเชิงวิวัฒนาการให้เส้นทางการแก้ปัญหาที่ไม่ต้องพึ่งพาคำตอบเฉพาะเจาะจงที่กำหนดไว้ล่วงหน้าอย่างไร

> **เป้าหมายของหน้า**
>
> การคำนวณเชิงวิวัฒนาการไม่ใช่เทคนิคที่แยกตัวโดดเดี่ยว แต่เป็นกระบวนทัศน์การแก้ปัญหาที่เกิดขึ้นหลังจากการบรรจบของประเพณีการวิจัยหลายสายในปัญญาประดิษฐ์ ผู้เรียนควรสามารถอธิบายความเชื่อมโยงระหว่างสัญลักษณ์นิยม คอนเนคชันนิซึม ไซเบอร์เนติกส์ และการคำนวณเชิงวิวัฒนาการ และเข้าใจเบื้องต้นว่าทำไมการคำนวณเชิงวิวัฒนาการจึงเหมาะกับการจัดการกับเป้าหมายที่ขัดแย้งกันและข้อจำกัดที่ซับซ้อน

> **ลำดับการบรรยาย**
>
> เริ่มด้วยการนำเข้าสู่ปัญหาก่อน——ถ้างานหนึ่งไม่มีคำตอบมาตรฐานเพียงหนึ่งเดียว หรือมีเป้าหมายหลายอย่างที่ดึงกันไปมา วิธีการแบบดั้งเดิมที่ "กำหนดคำตอบที่เหมาะสมที่สุดก่อนแล้วจึงแก้ปัญหา" จะเผชิญกับความยากลำบากอะไร? จากนั้นนำไปสู่การแยกและรวมของเส้นทางในประวัติศาสตร์ปัญญาประดิษฐ์: สัญลักษณ์นิยมเน้นการอนุมานเชิงสัญลักษณ์และความรู้ที่ชัดแจ้ง คอนเนคชันนิซึมเน้นการเรียนรู้การแทนค่าจากข้อมูล ไซเบอร์เนติกส์ให้ความสำคัญกับป้อนกลับ การปรับตัว และการควบคุมระบบ; การคำนวณเชิงวิวัฒนาการนำเบาะแสเหล่านี้ไปสู่เส้นทางของ "การค้นหาแบบกลุ่ม การกลายพันธุ์ การคัดเลือก และการปรับปรุงแบบวนซ้ำ" จากนั้นชี้ให้เห็นแกนหลักของบทเรียนนี้: ในสถานการณ์ที่ซับซ้อน ไม่ต้องพึ่งพาคำตอบเฉพาะเจาะจงที่กำหนดไว้ล่วงหน้า แต่ให้แผนการที่เป็นทางเลือกค่อยๆ วิวัฒนาการผ่านการประเมินและการคัดเลือก

**ประเด็นสำคัญในการสอน**

- หนึ่ง ต้นกำเนิดไม่ใช่การสืบทอดแบบตรงไปตรงมา แต่เป็นการบรรจบ ประเพณีที่แตกต่างกันต่างตอบคำถามด้านต่างๆ ของความฉลาด การคำนวณเชิงวิวัฒนาการจึงดูดซับแนวคิดอย่าง "การปรับตัว" "การป้อนกลับ" "การสำรวจแบบกลุ่ม" สอง การบรรจบของหลายเส้นทางหมายความว่าวิธีการไม่ใช่การเลือกเพียงหนึ่งเดียว ในการวิจัยและวิศวกรรมจริง กฎเชิงสัญลักษณ์ โครงข่ายประสาทเทียม การป้อนกลับเชิงควบคุม และการค้นหาเชิงวิวัฒนาการมักเสริมกัน สาม ข้อได้เปรียบของการคำนวณเชิงวิวัฒนาการอยู่ในสถานการณ์ที่: เป้าหมายอาจขัดแย้งกัน ข้อจำกัดซับซ้อนและยากที่จะเขียนเป็นสูตรวิเคราะห์เดียว หรือการประเมินทำได้เพียงผ่านการจำลอง การทดลอง หรือความชอบของมนุษย์ ในกรณีนี้ แทนที่จะไล่หาคำตอบที่เหมาะสมที่สุดเพียงหนึ่งเดียวในครั้งเดียว ควรดูแลกลุ่มของคำตอบที่เป็นทางเลือกและ rapprochement ไปยังการแลกเปลี่ยนที่ดีกว่าในการวนซ้ำ

**ตรวจสอบความเข้าใจ**

"ทำไมจึงกล่าวว่าการคำนวณเชิงวิวัฒนาการให้เส้นทางการแก้ปัญหาที่ไม่ต้องพึ่งพาคำตอบเฉพาะเจาะจงที่กำหนดไว้ล่วงหน้า?" สามารถแนะนำให้พวกเขาตอบจากมุมมองของ "แผนการหลายทางเลือก" "การประเมินและการคัดเลือก" "การปรับปรุงทีละขั้น" "การแลกเปลี่ยนเป้าหมายที่ขัดแย้ง" ถ้านักเรียนตอบเพียงว่า "ลองผิดลองถูกแบบสุ่ม" ต้องเสริมว่า: กุญแจของการคำนวณเชิงวิวัฒนาการไม่ใช่การสุ่มแบบไม่มีเป้าหมาย แต่เป็นการค้นหาที่มีกลุ่ม มีแรงกดดันในการคัดเลือก และมีการป้อนกลับแบบวนซ้ำ

> **คำแนะนำในการเปลี่ยนผ่าน**
>
> ต่อไปจะเข้าสู่กรณีศึกษาและกรอบวิธีการเฉพาะ เพื่อสังเกตว่าแนวคิดนี้ลงมือปฏิบัติเป็นระบบวิวัฒนาการอัจฉริยะที่สามารถดำเนินการได้อย่างไร; ขณะฟัง ให้สังเกตว่าขั้นตอนใดสอดคล้องกับ "การบรรจบของต้นกำเนิด" และขั้นตอนใดสอดคล้องกับ "การแก้ปัญหาภายใต้ข้อจำกัดที่ซับซ้อน"

<a id="lecture-page-2"></a>

### การบรรจบใหม่ของเส้นทางอัจฉริยะหลายสาย

*หน้า 2*

> **เป้าหมายของหน้า: ** ผู้เรียนควรเข้าใจภูมิหลังการบรรจบของเส้นทางการสำรวจหลายสายในประวัติศาสตร์ปัญญาประดิษฐ์และความหมายที่มีต่อระบบอัจฉริยะสมัยใหม่

**ประเด็นสำคัญในการสอน**

- จับคู่สัญลักษณ์นิยม คอนเนคชันนิซึม ไซเบอร์เนติกส์ และการคำนวณเชิงวิวัฒนาการกับการแสดงความรู้ ความเข้าใจปัญหา การป้อนกลับของการกระทำ และการรักษาความหลากหลาย ตามลำดับ จากนั้นรวมเข้าสู่ EvoX เมื่อนึกถึง ให้คิดถึงสี่ต้นกำเนิดก่อน จากนั้นคิดถึงสี่มิติ สุดท้ายลงเอยที่จุดบรรจบ
- การสร้างครั้งเดียวของโมเดลขนาดใหญ่ให้ทางเลือกที่เป็นไปได้ แต่ไม่ประเมินและสืบทอดโดยอัตโนมัติ; วงจรวิวัฒนาการต้องการการป้อนกลับจากสภาพแวดล้อม การประเมินและการคัดเลือก และการสะสมในระยะยาว การตัดสินว่าระบบหนึ่งๆ บรรลุการบรรจบหรือไม่ สามารถดูได้ว่ามีการประเมิน การคัดเลือก การแก้ไขข้อผิดพลาด และการสืบทอดหรือไม่
- ไม่กำหนดคำตอบเฉพาะเจาะจงล่วงหน้า สร้างการเปลี่ยนแปลง ประเมินโดยสภาพแวดล้อม รักษาความหลากหลาย สี่คำสำคัญนี้เป็นจุดยึดสำหรับการเข้าใจต้นกำเนิดทางเทคนิคของ EvoX และยังช่วยให้คุณระบุส่วนที่การคำนวณเชิงวิวัฒนาการรับผิดชอบในโจทย์กรณีศึกษาได้

เป้าหมายของหน้า

หน้านี้เป็นหน้าเริ่มต้นของบทที่ 2 "ต้นกำเนิดของการคำนวณเชิงวิวัฒนาการและการบรรจบของหลายเส้นทาง" ช่วยให้ผู้เรียนทบทวนการแยกและรวมของสัญลักษณ์นิยม คอนเนคชันนิซึม ไซเบอร์เนติกส์ และการคำนวณเชิงวิวัฒนาการในประวัติศาสตร์ปัญญาประดิษฐ์ เข้าใจว่า "การบรรจบใหม่ของเส้นทางอัจฉริยะหลายสาย" อธิบายที่มาทางเทคนิคของ EvoX ได้อย่างไร และสามารถแยกแยะปัญหาที่แต่ละเส้นทางทั้งสี่เผชิญได้

ลำดับการบรรยาย

เริ่มจาก "ปัญญาประดิษฐ์ไม่ได้วิวัฒนาการเป็นเส้นเดียว" จากนั้นอธิบายตามแผนภาพโครงสร้างว่าเส้นทางต้นกำเนิดทั้งสี่เน้นอะไร ต่อไปอธิบายมิติการบรรจบของพวกเขาในระบบอัจฉริยะสมัยใหม่ สุดท้ายลงเอยที่ตำแหน่งของ EvoX และการคำนวณเชิงวิวัฒนาการในฐานะต้นกำเนิดทางเทคนิคที่ตรงที่สุด ในการสอนสามารถแนะนำให้นักเรียนสังเกตแผนภาพ: เส้นทางทั้งสี่ทางซ้ายผ่านสี่มิติตรงกลาง รวมเข้าสู่ EvoX ทางขวา; เส้นทางสีส้มเน้นการคำนวณเชิงวิวัฒนาการ

ประเด็นสำคัญในการสอน

เน้นการแสดงความรู้ที่ชัดแจ้ง การอนุมานเชิงตรรกะ และข้อจำกัดของกฎ เหมาะสำหรับอธิบายว่าความรู้ถูกแสดงและดำเนินการอย่างไร

เน้นการเรียนรู้รูปแบบและการแทนค่าจากข้อมูล เหมาะสำหรับจัดการกับการแมปมิติสูงในการเข้าใจปัญหาและการรับรู้/การสร้าง

เน้นการป้อนกลับ การปรับ และวงจรปิดของการกระทำ เหมาะสำหรับอธิบายว่าระบบปรับพฤติกรรมอย่างต่อเนื่องในสภาพแวดล้อมอย่างไร

เน้นการค้นหาแบบกลุ่ม การสร้างการเปลี่ยนแปลง การประเมินโดยสภาพแวดล้อม และการรักษาความหลากหลาย เหมาะสำหรับการสำรวจแบบเปิดและการเพิ่มประสิทธิภาพแผนการหลายทางเลือก เป็นต้นกำเนิดทางเทคนิคที่ตรงที่สุดของ EvoX

ไม่ใช่การบวกเส้นทางทั้งสี่เข้าด้วยกันอย่างง่ายๆ แต่ให้พวกเขารับบทบาทเสริมกันในระบบอัจฉริยะเดียวกัน: กฎเชิงสัญลักษณ์ให้ข้อจำกัดและความสามารถในการอธิบาย โมเดลเชื่อมโยงให้ความสามารถในการรับรู้และการสร้าง การป้อนกลับเชิงควบคุมให้การแก้ไขการกระทำ การค้นหาเชิงวิวัฒนาการให้การสำรวจแบบเปิดและความหลากหลาย ด้วยวิธีนี้ ระบบจึงสามารถประเมิน คัดเลือก แก้ไขข้อผิดพลาด และสืบทอดได้อย่างต่อเนื่องเมื่อสภาพแวดล้อมเปลี่ยนแปลง

ตั้งอยู่ที่จุดบรรจบของหลายเส้นทาง ไม่ใช่เครื่องมือที่เติบโตเพียงลำพังในเส้นทางเดียว แต่เป็นกรอบการปฏิบัติที่สร้างวงจรวิวัฒนาการระหว่างความสามารถของโมเดลและความสามารถของระบบ โดยการคำนวณเชิงวิวัฒนาการไม่กำหนดคำตอบเฉพาะเจาะจงล่วงหน้า แต่ค้นหาสมดุลผ่านการสร้างการเปลี่ยนแปลงและการประเมินโดยสภาพแวดล้อม และรักษาความหลากหลาย

การครอบคลุมคำสำคัญ

การคำนวณเชิงวิวัฒนาการ ปัญญากลุ่ม ความหลากหลาย สามารถอธิบาย "ความหลากหลาย" ว่าเป็นการรักษาแผนการที่เป็นทางเลือกและทิศทางการสำรวจที่แตกต่างกัน หลีกเลี่ยงการบรรจบเข้ากับค่าที่ดีที่สุดในท้องถิ่นเร็วเกินไป ซึ่งเป็นกุญแจสำคัญในการปรับตัวอย่างต่อเนื่องในสภาพแวดล้อมแบบเปิด

เบาะแสแบบฝึกหัด

แบบฝึกหัดในหน้านี้รวมถึงการแยกแยะแนวคิดและการศึกษากรณีศึกษา โจทย์แนวคิดสามารถขอให้ผู้เรียนตัดสิน "การเข้าใจแกนหลักของการบรรจบใหม่ของเส้นทางอัจฉริยะหลายสาย" คำตอบที่ถูกต้องควรอยู่ที่: เข้าใจภูมิหลังการบรรจบของเส้นทางการสำรวจหลายสายและความหมายที่มีต่อระบบอัจฉริยะสมัยใหม่ ไม่ใช่เพียงจดจำคำศัพท์สี่คำ เมื่อให้ข้อเสนอแนะ ถ้านักเรียนเลือกข้ามแนวคิด ควรแนะนำให้ทบทวนแนวคิดหลักก่อน แล้วลองอีกครั้ง

การศึกษากรณีศึกษา "การรวมเส้นทางของแพลตฟอร์มวิจัยทางวิทยาศาสตร์ AI Native" สามารถจัดการได้ดังนี้:

การป้อนกลับของการกระทำขาดวงจรปิดแบบไซเบอร์เนติกส์ เพราะไม่รับการประเมินจากสภาพแวดล้อมจริง; การแสดงความรู้ขาดข้อจำกัดที่ชัดแจ้งและกฎที่อธิบายได้แบบสัญลักษณ์นิยม; การรักษาความหลากหลายขาดการค้นหาแบบเปิดและแผนการหลายทางเลือกแบบการคำนวณเชิงวิวัฒนาการ; การเข้าใจปัญหาและการปรับตัวอย่างต่อเนื่องขาดการเรียนรู้ที่ขับเคลื่อนด้วยข้อมูลและการอัปเดตการแทนค่าแบบคอนเนคชันนิซึม

แผนการรวมสามารถเข้ารหัสสมมติฐานและแผนการทดลองเป็น个体ที่สามารถกลายพันธุ์ได้ โดยการคำนวณเชิงวิวัฒนาการรับผิดชอบการค้นหาแบบกลุ่ม; ใช้กฎเชิงสัญลักษณ์จำกัดขอบเขตความปลอดภัยและความสอดคล้องเชิงตรรกะ; ใช้โมเดลโครงข่ายประสาทเทียมประมาณค่าความเหมาะสมหรือการเพิ่มข้อมูลจากข้อมูลประวัติศาสตร์; ใช้วงจรปิดแบบไซเบอร์เนติกส์ป้อนผลการทดลองจริงกลับเป็นสัญญาณการประเมิน; จากนั้นผ่านการคัดเลือก การผสมข้าม การกลายพันธุ์ และการสืบทอดรักษาแผนการที่มีศักยภาพ การประเมินสามารถรวมความสามารถในการทำซ้ำ การเพิ่มข้อมูล การใช้ทรัพยากร และตัวชี้วัดความหลากหลาย เมื่อคัดเลือกให้รักษาสัดส่วนของแผนการเชิงสำรวจ หลีกเลี่ยงการบรรจบเร็วเกินไป

กิจกรรมในชั้นเรียน

สัญลักษณ์นิยมสอดคล้องกับการแสดงความรู้ คอนเนคชันนิซึมสอดคล้องกับการเข้าใจปัญหา ไซเบอร์เนติกส์สอดคล้องกับการป้อนกลับของการกระทำ การคำนวณเชิงวิวัฒนาการสอดคล้องกับการรักษาความหลากหลาย จากนั้นรวมเข้าสู่ EvoX คิดถึงสี่ต้นกำเนิดก่อน จากนั้นคิดถึงสี่มิติ สุดท้ายลงเอยที่จุดบรรจบ

การสร้างครั้งเดียวของโมเดลขนาดใหญ่ให้ทางเลือกที่เป็นไปได้ แต่ไม่ประเมินและสืบทอดโดยอัตโนมัติ; วงจรวิวัฒนาการต้องการการป้อนกลับจากสภาพแวดล้อม การประเมินและการคัดเลือก และการสะสมในระยะยาว สามารถให้นักเรียนใช้ "มีการประเมิน การคัดเลือก การแก้ไขข้อผิดพลาด และการสืบทอดหรือไม่" เพื่อตัดสินว่าระบบบรรลุการบรรจบหรือไม่

ไม่กำหนดคำตอบเฉพาะเจาะจงล่วงหน้า สร้างการเปลี่ยนแปลง ประเมินโดยสภาพแวดล้อม รักษาความหลากหลาย

ตรวจสอบความเข้าใจ

เมื่อเห็นการประยุกต์ใช้โมเดลขนาดใหญ่ มันสร้างเพียงครั้งเดียวหรือไม่? มีการป้อนกลับจากสภาพแวดล้อม การประเมินและการคัดเลือก การสืบทอดในระยะยาว และการรักษาความหลากหลายหรือไม่? ถ้าไม่มี แสดงว่ายังไม่บรรลุวงจรปิดของระบบที่รวมหลายเส้นทาง เติมคำสำคัญที่ขาดหายตามคำตอบ

คำแนะนำในการเปลี่ยนผ่าน

หลังจากยืนยันว่านักเรียนสามารถอธิบายจุดเน้นของเส้นทางทั้งสี่และความสัมพันธ์ของการบรรจบสู่ EvoX ได้แล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับการขยายรายละเอียดต้นกำเนิดของการคำนวณเชิงวิวัฒนาการหรือการประยุกต์ใช้

<a id="lecture-page-3"></a>

### ทบทวนสัญลักษณ์นิยม คอนเนคชันนิซึม และไซเบอร์เนติกส์

*หน้า 3*

> **เป้าหมายของหน้า: ** ผู้เรียนควรเข้าใจจุดเน้นของเส้นทางต่างๆ ของ AI ยุคแรกในการเข้าใจปัญหาและการแสดงความรู้

> **เป้าหมายของหน้า**
>
> ช่วยให้ผู้เรียนเข้าใจคำตอบที่แตกต่างกันของเส้นทางตัวแทนสามสายในปัญญาประดิษฐ์ยุคแรก——สัญลักษณ์นิยม คอนเนคชันนิซึม และไซเบอร์เนติกส์——ต่อคำถาม "ความฉลาดเกิดขึ้นได้อย่างไร" และสามารถใช้พิกัดที่เป็นเอกภาพเปรียบเทียบตัวพาความรู้ กลไกการคำนวณ และความสัมพันธ์กับสภาพแวดล้อมของพวกเขา

> **ลำดับการบรรยาย**
>
> ความฉลาดมาจากไหน? จากนั้นแสดงเส้นทางทั้งสามตามลำดับ สัญลักษณ์นิยมใช้สัญลักษณ์เชิงตรรกะเป็นตัวพา ได้ข้อสรุปผ่านการแสดงความรู้ที่ชัดแจ้งและการอนุมานตามกฎ ลำดับแบบฉบับคือ " premise A—rule A→B—inference engine—conclusion B" คอนเนคชันนิซึมใช้ค่าน้ำหนักการเชื่อมต่อของเซลล์ประสาทเป็นตัวพา สกัดรูปแบบจากข้อมูลผ่านการเรียนรู้การแทนค่าแบบกระจายและขนานระหว่างชั้นอินพุต ชั้นซ่อน และชั้นเอาต์พุต ความฉลาดเกิดจากการร่วมมือของหน่วยง่ายๆ จำนวนมาก ไซเบอร์เนติกส์ใช้วงจรป้อนกลับเป็นแกนกลาง ผ่านค่าที่ต้องการ ตัวเปรียบเทียบ ตัวควบคุม วัตถุที่ถูกควบคุม และส่วนป้อนกลับ ให้ความสำคัญกับการปรับค่าความคลาดเคลื่อนในสภาพแวดล้อมแบบพลวัต กลไกเสถียรภาพ และการบรรลุเป้าหมาย
>
> ตัวพาความรู้ (สัญลักษณ์/ค่าน้ำหนัก/การป้อนกลับสถานะ) กลไกการคำนวณ (การอนุมานเชิงตรรกะ/การแทนค่าแบบขนาน/การปรับด้วยการป้อนกลับ) ความสัมพันธ์กับสภาพแวดล้อม (การสร้างแบบจำลองนอกระบบ/ขับเคลื่อนด้วยข้อมูล/การโต้ตอบออนไลน์)

**ประเด็นสำคัญในการสอน**

- เส้นทางทั้งสามไม่ใช่ค่ายที่互相排斥 และไม่ใช่ใครมาแทนใคร ระบบอัจฉริยะสมัยใหม่มักใช้ข้อจำกัดของกฎ การแทนค่าของโครงข่ายประสาทเทียม และการควบคุมด้วยการป้อนกลับร่วมกันในงานเดียวกัน ตัวอย่างเช่น ระบบควบคุมสัญญาณจราจรในเมืองแบบปรับตัว: ฐานกฎสะท้อนสัญลักษณ์นิยม โครงข่ายประสาทเทียมพยากรณ์การไหลของรถสะท้อนคอนเนคชันนิซึม ตัวควบคุมที่ใช้การป้อนกลับจากค่าความคลาดเคลื่อนของความยาวคิวสะท้อนไซเบอร์เนติกส์ ถ้าเอาวงจรป้อนกลับออก ระบบจะเสื่อมเป็นวงจรเปิด ยากที่จะรับมือกับการจราจรติดขัดฉับพลัน สัญญาณรบกวนของเซ็นเซอร์ และการเลื่อนของโมเดล ความเสถียรและประสิทธิผลในระยะยาวจะลดลง นี่แสดงว่าเส้นทางทั้งสามเสริมกัน และยังให้กรอบประวัติศาสตร์สำหรับการคำนวณเชิงวิวัฒนาการ ปัญญาแบบผสม และ "การบรรจบใหม่ของเส้นทางอัจฉริยะหลายสาย" ต่อไป

**การครอบคลุมคำสำคัญ**

- สัญลักษณ์นิยม คอนเนคชันนิซึม ไซเบอร์เนติกส์ การแสดงความรู้ การอนุมานที่ชัดแจ้ง ค่าน้ำหนักการเชื่อมต่อ การแทนค่าแบบกระจายและขนาน วงจรป้อนกลับ การปรับค่าความคลาดเคลื่อน ตัวพาความรู้ กลไกการคำนวณ ความสัมพันธ์กับสภาพแวดล้อม การเสริมกัน

> **เบาะแสแบบฝึกหัด**
>
> - สัญลักษณ์นิยมสอดคล้องกับสัญลักษณ์ที่ชัดแจ้งและกฎเชิงตรรกะหรือไม่
> - คอนเนคชันนิซึมเน้นค่าน้ำหนักการเชื่อมต่อและการเรียนรู้การแทนค่าแบบขนานหรือไม่
> - ไซเบอร์เนติกส์มีวงจรปิดการรับรู้—ตัดสินใจ—ดำเนินการและการปรับค่าความคลาดเคลื่อนเป็นกุญแจหรือไม่
> - ความแตกต่างของเส้นทางทั้งสามในตัวพาความรู้คือโครงสร้างสัญลักษณ์ ค่าน้ำหนักการเชื่อมต่อ และการป้อนกลับสถานะหรือไม่
> - คุณค่าของการทบทวนเส้นทางทั้งสามคือการระบุการเสริมกันและให้กรอบสำหรับปัญญาแบบผสมและการคำนวณเชิงวิวัฒนาการหรือไม่ เมื่อจัดการ ให้นักเรียนอธิบายเกณฑ์การเลือกก่อน แล้วกลับไปที่หลักฐานที่สอดคล้องในการบรรยาย โจทย์กรณีศึกษาต้องการระบุเส้นทางทั้งสามในระบบจราจรของเมือง และอนุมานข้อจำกัดของการเอาวงจรป้อนกลับออก คำตอบควรอยู่ที่ระบบวงจรเปิด การขาดการแก้ไขค่าความคลาดเคลื่อนแบบเรียลไทม์ และการเปลี่ยนแปลงสภาพแวดล้อมและการเลื่อนของโมเดลที่ยากต่อการแก้ไขด้วยตนเอง

**กิจกรรมในชั้นเรียน**

ขอให้นักเรียนเล่าเส้นทางทั้งสามซ้ำโดยใช้สถานการณ์ที่คุ้นเคย เช่น การจัดการการไหลของคนในมหาวิทยาลัย การควบคุมอุณหภูมิห้องเรียน หรือการจัดตารางจราจร และชี้ให้เห็นว่าส่วนใดในสถานการณ์สอดคล้องกับกฎเชิงสัญลักษณ์ ส่วนใดสอดคล้องกับการพยากรณ์แบบขนาน ส่วนใดสอดคล้องกับการปรับด้วยการป้อนกลับ

**ตรวจสอบความเข้าใจ**

ความรู้ถูกแสดงอย่างไร? การคำนวณขนานกันอย่างไร? พฤติกรรมถูกปรับอย่างไร? ถ้านักเรียนสามารถชี้ให้เห็นในสถานการณ์เดียวกันว่าส่วนใดเป็นของเส้นทางใด แสดงว่าเข้าใจพิกัดการเปรียบเทียบของหน้านี้

> **คำแนะนำในการเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักเรียนสามารถอธิบายความแตกต่างหลักและการเสริมกันของเส้นทางทั้งสามได้แล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับต้นกำเนิดของการคำนวณเชิงวิวัฒนาการ การประยุกต์ใช้ หรือการอภิปรายแบบบูรณาการ

<a id="lecture-page-4"></a>

### การคำนวณเชิงวิวัฒนาการในฐานะต้นกำเนิดทางเทคนิคโดยตรง

*หน้า 4*

> **เป้าหมายของหน้า: ** ผู้เรียนควรเข้าใจลักษณะหลักและคุณค่าของการคำนวณเชิงวิวัฒนาการที่ไม่ต้องพึ่งพาคำตอบเฉพาะเจาะจงที่กำหนดไว้ล่วงหน้า

> **เป้าหมายของหน้า**
>
> เข้าใจตำแหน่งของการคำนวณเชิงวิวัฒนาการในฐานะต้นกำเนิดทางเทคนิคโดยตรง เข้าใจว่ามันไม่ต้องพึ่งพาคำตอบเฉพาะเจาะจงที่กำหนดไว้ล่วงหน้า แต่ผ่านวงจรของการกลายพันธุ์ การประเมิน การคัดเลือก และการรวมตัวใหม่ สร้างคำตอบที่ยอมรับได้ภายใต้เป้าหมายที่ขัดแย้งและข้อจำกัดที่ซับซ้อน

> **ลำดับการบรรยาย**
>
> 1. ต่อเนื่องจากเส้นทางสัญลักษณ์นิยม คอนเนคชันนิซึม และไซเบอร์เนติกส์ ชี้ให้เห็นว่าการคำนวณเชิงวิวัฒนาการสามารถแปลงเป็นระบบอัลกอริทึมได้โดยตรงที่สุด
>
> ไม่กำหนดคำตอบเฉพาะเจาะจงล่วงหน้า; การประเมินคือการป้อนกลับอย่างต่อเนื่อง; การคัดเลือกคือแรงกดดันจากสภาพแวดล้อม
>
> ประชากรเริ่มต้น → การกลายพันธุ์หรือการผสมข้ามสร้างการเปลี่ยนแปลง → ฟังก์ชันสภาพแวดล้อมหรือการประเมินป้อนกลับเป็นรุ่นๆ → การคัดเลือกและการรักษา → ประชากรรุ่นใหม่; หลังจากการประเมินในแต่ละรุ่นจะไหลกลับ วนซ้ำไปเรื่อยๆ 个体หลากสีในภาพแสดงถึงการรักษาความหลากหลายภายใต้เป้าหมายที่ขัดแย้ง แสดงว่าระบบรักษาทิศทางการแลกเปลี่ยนที่แตกต่างกัน
>
> การเพิ่มประสิทธิภาพเป้าหมายเดียวแบบดั้งเดิมมักต้องกำหนดน้ำหนักก่อน บีบตัวชี้วัดหลายตัวเป็นเป้าหมายเดียว; การคำนวณเชิงวิวัฒนาการดูแลกลุ่มประชากรของคำตอบ รักษา个体ที่มีทิศทางการแลกเปลี่ยนที่แตกต่างกันหลังการประเมินในแต่ละรุ่น สุดท้ายให้กลุ่มแผนการที่เปรียบเทียบได้ ไม่ใช่คำตอบเดียว ยกตัวอย่างเช่น ประสิทธิภาพสูง ต้นทุนต่ำ ความทนทานสูง วิธีการเป้าหมายเดียวต้องกำหนดน้ำหนักก่อน การคำนวณเชิงวิวัฒนาการให้个体ที่มีทิศทางการแลกเปลี่ยนที่แตกต่างกันอยู่รอดพร้อมกัน ให้ผู้ตัดสินใจเลือกหลังเห็นต้นทุนชัดเจน
>
> วงจรการกลายพันธุ์ การประเมิน และการคัดเลือกเป็นจุดกำเนิดเชิงแนวคิดของการทำให้เป็นระบบ วิศวกรรม และการประมวลผลแบบขนานในภายหลัง ทำให้ส่วนประกอบอัจฉริยะที่กระจัดกระจายสามารถสะสมได้อย่างต่อเนื่อง

**ประเด็นสำคัญในการสอน**

- ความฉลาดไม่ใช่ผลผลิตของคำตอบเฉพาะเจาะจงที่กำหนดไว้ล่วงหน้า แต่เป็นกระบวนการต่อเนื่องของการสร้างการเปลี่ยนแปลง การรับการประเมินจากสภาพแวดล้อม และการรักษาและการรวมตัวใหม่ จากการสะสมของยีนสู่วัฒนธรรมภาษา จากนั้นสู่ซอฟต์แวร์ กำลังการประมวลผล และตัวพาปัญญาประดิษฐ์ วงจรวิวัฒนาการบีบอัดอย่างต่อเนื่อง
- แนวคิด "เด็กเครื่องจักร" ที่ทัวริงเสนอในปี 1950 ถือได้ว่าเป็นเสียงนำทางความคิดของการได้รับความสามารถทีละน้อยในสภาพแวดล้อมผ่านการศึกษา การทดลอง และการให้รางวัล/ลงโทษ โมเดลขนาดใหญ่แม้มีความสามารถในการเข้าใจ การสร้าง และการอนุมาน แต่การสร้างครั้งเดียวไม่สามารถพิสูจน์ความถูกต้องได้ด้วยตัวเอง และยากที่จะมีประสิทธิผลในระยะยาวเมื่อสภาพแวดล้อมและโมเดลเปลี่ยนแปลงอย่างต่อเนื่อง
- การคำนวณเชิงวิวัฒนาการเติมเต็มส่วนของการป้อนกลับอย่างต่อเนื่อง ไม่กำหนดคำตอบเฉพาะเจาะจงล่วงหน้า อัลกอริทึมสร้าง个体ที่เป็นทางเลือกที่หลากหลาย ให้สภาพแวดล้อมหรือฟังก์ชันการประเมินคัดกรอง
- การประเมินคือการป้อนกลับอย่างต่อเนื่อง ทุกรุ่นให้ทิศทางการปรับแก่ประชากร
- การคัดเลือกคือแรงกดดันจากสภาพแวดล้อม ผ่านการรักษาและการคัดออกทำให้个体ที่เหมาะสมกว่าได้รับโอกาสสืบต่อมากขึ้น การประเมินไม่เท่ากับการตรวจรับครั้งสุดท้าย การประเมินเกิดขึ้นในทุกๆ รุ่น เป็นแรงขับเคลื่อนของการอัปเดตประชากร
- เมื่อถือเป็นการตัดสินครั้งเดียว การแก้ปัญหาจะถอยกลับไปสู่การสร้างครั้งเดียวและภาวะที่พิสูจน์ตัวเองไม่ได้

> **เบาะแสแบบฝึกหัด**
>
> - โจทย์เลือกตอบห้าข้อใช้ตรวจสอบตำแหน่งแนวคิด ข้อ 1 ทิศทางที่ถูกต้องคือการมองการแก้ปัญหาเป็นกระบวนการต่อเนื่องของการสร้างการเปลี่ยนแปลง การประเมินโดยสภาพแวดล้อม และการรักษาหรือการรวมตัวใหม่
> - ถ้าเลือกผิด เตือนคำสำคัญคือกระบวนการต่อเนื่อง ไม่ใช่การให้คำตอบในครั้งเดียว ข้อ 2 ทิศทางที่ถูกต้องคือการประเมินเป็นการป้อนกลับอย่างต่อเนื่องที่เกิดขึ้นทุกๆ รุ่น
> - ถ้าเลือกผิด ถามกลับว่าถ้าการประเมินเกิดขึ้นเพียงครั้งเดียว ประชากรยังสามารถถูกนำทางในรุ่นต่อๆ ไปได้หรือไม่ ข้อ 3 ทิศทางที่ถูกต้องคือการคัดเลือกเป็นการรักษาและการคัดออกภายใต้แรงกดดันของสภาพแวดล้อม ทำให้个体ที่เหมาะสมกว่าได้รับโอกาสสืบต่อมากขึ้น
> - ถ้าเลือกผิด เน้นว่าการคัดเลือกไม่ใช่การตัดสินครั้งเดียว แต่เป็นกลไกที่เกิดซ้ำในทุกๆ รุ่น ข้อ 4 ทิศทางที่ถูกต้องคือการดูแลกลุ่มประชากรของคำตอบ รักษา个体ที่มีทิศทางการแลกเปลี่ยนที่แตกต่างกัน ส่งออกกลุ่มแผนการที่เปรียบเทียบได้
> - ถ้าเลือกผิด นึกถึงตัวอย่างประสิทธิภาพ ต้นทุน ความทนทาน ข้อ 5 ทิศทางที่ถูกต้องคือกลไกการกลายพันธุ์ การประเมิน และการคัดเลือกสามารถแปลงเป็นระบบอัลกอริทึมได้โดยตรง และสร้างคำตอบที่ปรับตัวได้ในการวนซ้ำ
> - ถ้าเลือกผิด ชี้ให้เห็นว่า "โดยตรง" หมายถึงสามารถลงมือปฏิบัติและรันได้ ไม่ใช่หยุดอยู่ที่ระดับการคิดวิเคราะห์ ทีมหนึ่งออกแบบระบบอนุมานออนไลน์ พร้อมกันนั้น poursuit ประสิทธิภาพการประมวลผลสูง ต้นทุนการปรับใช้ต่ำ และความทนทานของบริการสูง ถ้ายังคงใช้วิธีการเป้าหมายเดียว ต้องกำหนดน้ำหนักก่อน บีบตัวชี้วัดสามตัวเป็นคะแนนรวมเดียว จากนั้นค้นหาการตั้งค่าที่เหมาะสมที่สุดเพียงหนึ่งเดียวตามคะแนนรวม
> - ความเสี่ยงคือน้ำหนัก隐含การตัดสินคุณค่า จะกำจัดทิศทางการประนีประนอมอื่นล่วงหน้า และเมื่อความสำคัญสัมพัทธ์ของตัวชี้วัดสามตัวเปลี่ยน ต้องกำหนดน้ำหนักใหม่และค้นหาใหม่ หลังเปลี่ยนมาใช้การคำนวณเชิงวิวัฒนาการ ทีมไม่กำหนดคำตอบเฉพาะเจาะจงล่วงหน้า แต่ดูแลกลุ่มประชากรของคำตอบ หลังการประเมินในแต่ละรุ่นรักษา个体ที่มีทิศทางการแลกเปลี่ยนที่แตกต่างกัน ผ่านการกลายพันธุ์และการรวมตัวใหม่สร้างการตั้งค่าใหม่ต่อเนื่อง สุดท้ายให้กลุ่มแผนการที่เปรียบเทียบได้ ให้ผู้ตัดสินใจเลือกหลังเห็นต้นทุนจริง ขั้นตอนสำคัญของวงจรปิดคือ: ประชากรเริ่มต้น → การกลายพันธุ์หรือการผสมข้ามสร้างการเปลี่ยนแปลง → ฟังก์ชันสภาพแวดล้อมหรือการประเมินให้คะแนน → การคัดเลือกและการรักษา → ประชากรรุ่นใหม่ และไหลกลับเข้าสู่รอบถัดไป การประเมินเกิดขึ้นทุกรุ่นและสามารถอัปเดตตามสภาพแวดล้อมและข้อจำกัด ดังนั้นจึงเป็นการป้อนกลับอย่างต่อเนื่องไม่ใช่การตรวจรับครั้งสุดท้าย
> - ความหมายอยู่ที่การไม่ต้องบีบคุณค่าทั้งหมดเป็นเป้าหมายเดียว สามารถสำรวจแผนการประนีประนอมระหว่างตัวชี้วัดหลายตัว และผ่านการป้อนกลับในแต่ละรุ่น rapprochement ไปยังคำตอบสมดุลที่ยอมรับได้ภายใต้ข้อจำกัดที่ซับซ้อน ใช้สามจังหวะจำวงจรวิวัฒนาการ——การกลายพันธุ์ (สร้างการเปลี่ยนแปลง) → การประเมิน (การป้อนกลับจากสภาพแวดล้อม) → การคัดเลือก (รักษาหรือคัดออก) เมื่อพบอัลกอริทึมวิวัฒนาการใดๆ ถามสามสิ่งก่อน: การเปลี่ยนแปลงมาจากไหน ใครให้คะแนน ใครถูกเก็บไว้ การประเมินไม่เท่ากับการตรวจรับ
> - เป้าหมายหลายตัวอย่างรีบรวมเป็นหนึ่ง ถามก่อนว่ากลุ่มแผนการครอบคลุมทิศทางการแลกเปลี่ยนที่แตกต่างกันหรือไม่ ไม่ใช่เพียงเก็บคำตอบที่มีคะแนนรวมสูงสุด

**ตรวจสอบความเข้าใจ**

ขอให้นักเรียนอธิบายด้วยคำพูดของตัวเองว่าทำไมการประเมินต้องเกิดขึ้นทุกรุ่น และตัดสินว่ากลุ่มแผนการครอบคลุมทิศทางการแลกเปลี่ยนที่แตกต่างกันหรือไม่ สามารถอธิบายว่าหลังจากฟังก์ชันการประเมินเปลี่ยน การกระจายของประชากรจะเคลื่อนไปในทิศทางที่สอดคล้อง แสดงว่าเข้าใจความหมายของการป้อนกลับ; สามารถชี้ให้เห็นว่ากลุ่มแผนการไม่ควรเก็บเพียงผู้ที่มีคะแนนรวมสูงสุด แสดงว่าเข้าใจการแลกเปลี่ยนเป้าหมายหลายตัว

> **คำแนะนำในการเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักเรียนสามารถอธิบายสามขั้นตอนการกลายพันธุ์ การประเมิน และการคัดเลือกได้ครบถ้วน และสามารถแยกแยะการประเมินออกจากการตรวจรับครั้งสุดท้ายได้แล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับตัวอย่าง การประยุกต์ใช้ หรือสรุป

<a id="lecture-page-5"></a>

### ความฉลาดเป็นผลิตภัณฑ์ที่กำหนดไว้ล่วงหน้าหรือกระบวนการในสภาพแวดล้อม

*หน้า 5*

> **เป้าหมายของหน้า: ** ผู้เรียนควรเข้าใจว่าระบบอัจฉริยะเป็นกระบวนการพลวัตที่ก่อตัวขึ้นอย่างต่อเนื่องในสภาพแวดล้อม ไม่ใช่ผลิตภัณฑ์ที่ออกแบบเสร็จสมบูรณ์ล่วงหน้า

**ประเด็นสำคัญในการสอน**

- โหมดผลิตภัณฑ์ถาม "มันส่งออกอะไร" ความสามารถถูกแช่แข็งก่อนการปรับใช้; โหมดกระบวนการถาม "มันกระทำอย่างไร ได้รับการป้อนกลับอย่างไร" ความสามารถถูกสร้างขึ้นทีละน้อยระหว่างการดำเนินการ เมื่อพบกรณีใหม่ ถามตัวเองก่อนว่า: ขอบเขตพฤติกรรมของระบบนี้ถูกกำหนดตายตัวก่อนการดำเนินการหรือไม่?
- การเข้าใจความฉลาดเป็นกระบวนการ สิ่งที่ออกแบบเปลี่ยนจาก "พฤติกรรมคงที่" เป็น "กลไกที่สร้างและปรับปรุงพฤติกรรม" การกระทำเกิดขึ้นได้อย่างไร การป้อนกลับมาจากไหน ใช้เกณฑ์อะไรประเมินทางเลือก เก็บอะไรไว้ และอัปเดตเมื่อไหร่ สิ่งเหล่านี้ขาดไม่ได้แม้แต่ข้อเดียว การขาดส่วนใดส่วนหนึ่งจะทำให้วงจรหยุด
- การตัดสินว่าระบบหนึ่งมีความสามารถเชิงวิวัฒนาการจริงหรือไม่ สามารถถามต่อเนื่องได้: สัญญาณการป้อนกลับมีอยู่จริงและสามารถไหลกลับเข้าสู่ระบบได้หรือไม่? มีการสร้างกลุ่มทางเลือกหลายกลุ่มให้เปรียบเทียบกันหรือไม่? มีกฎการประเมินและการรักษาที่ชัดเจนทำให้ประสบการณ์ไม่สูญหายหรือไม่? ถ้าตอบคำถามสามข้อใดข้อหนึ่งไม่ได้ มันยังคงอยู่ในด้าน "ผลิตภัณฑ์ที่กำหนดไว้ล่วงหน้า"

# ความฉลาดเป็นผลิตภัณฑ์ที่กำหนดไว้ล่วงหน้าหรือกระบวนการในสภาพแวดล้อม

## เป้าหมายของหน้า

ระบบอัจฉริยะไม่ใช่ผลิตภัณฑ์ที่ออกแบบเสร็จสมบูรณ์ล่วงหน้าและไม่เปลี่ยนแปลงหลังการปรับใช้ แต่เป็นกระบวนการพลวัตที่วิวัฒนาการอย่างต่อเนื่องในสภาพแวดล้อมผ่านการกระทำ การป้อนกลับ การคัดกรอง และการรักษา การเข้าใจความแตกต่างนี้เป็นพื้นฐานสำหรับการเข้าใจแนวคิดการคำนวณเชิงวิวัฒนาการในภายหลัง

## ลำดับการบรรยายและประเด็นสำคัญ

โหมดผลิตภัณฑ์และโหมดกระบวนการในสภาพแวดล้อม

ความต้องการ→การออกแบบ→การห่อหุ้ม→การปรับใช้ ความสามารถถูกกำหนดขอบเขตก่อนการดำเนินการ และไม่เปลี่ยนแปลงหลังการปรับใช้ ข้อดีคือควบคุมได้ ทำซ้ำได้ ง่ายต่อการตรวจรับ; ข้อเสียคือเมื่อสภาพแวดล้อมเปลี่ยนทำได้เพียงออกแบบและปรับใช้ใหม่ ปัญหาเกิดขึ้นซ้ำเป็นวงจร

การกระทำ→การป้อนกลับจากสภาพแวดล้อม→การประเมินทางเลือกหลายทาง→การรักษาสิ่งที่ดีกว่า→การอัปเดตนโยบาย→การกระทำอีกครั้ง ความสามารถถูกสร้างขึ้นทีละน้อยระหว่างการดำเนินการ ไม่ต้องการความถูกต้องในครั้งเดียว แต่กระทำต่อเนื่อง รับการป้อนกลับ และแปลงเป็นพื้นฐานในการปรับ

แนวคิด "เด็กเครื่องจักร" ที่ทัวริงเสนอในปี 1950——การได้รับความสามารถทีละน้อยในสภาพแวดล้อมผ่านการศึกษา การทดลอง และการให้รางวัล/ลงโทษ เป็นรูปแบบเริ่มต้นของแนวคิดกระบวนการในสภาพแวดล้อม การสร้างครั้งเดียวของโมเดลขนาดใหญ่ไม่สามารถพิสูจน์ความถูกต้องได้ด้วยตัวเอง และยากที่จะมีประสิทธิผลต่อเนื่องเมื่อสภาพแวดล้อมเปลี่ยนแปลง

การคัดกรองและการรักษา โหมดกระบวนการปรับตัวอย่างต่อเนื่องได้ด้วยการประเมิน คัดกรอง และรักษาผลลัพธ์ที่มีประสิทธิผลมากขึ้นจากผลลัพธ์ที่เป็นไปได้หลายอย่าง แต่ละรอบสร้างกลุ่มทางเลือกหลายกลุ่ม สภาพแวดล้อมให้สัญญาณความสำเร็จ/ล้มเหลวและคุณภาพ ระบบคัดออก รักษา และตกตะกอนเส้นทางที่ดีกว่าเป็นจุดเริ่มต้นของรอบถัดไป การรักษาทำให้ประสบการณ์ไม่สูญเปล่า ความสามารถสะสมได้

การเข้าใจความฉลาดเป็นกระบวนการไม่เท่ากับการละทิ้งการออกแบบ อินเทอร์เฟซการกระทำ สัญญาณการป้อนกลับ เกณฑ์การประเมิน กฎการรักษา ล้วนต้องถูกออกแบบอย่างชัดเจน เพียงแต่สิ่งที่ออกแบบเปลี่ยนจาก "พฤติกรรมคงที่" เป็น "กลไกที่สร้างและปรับปรุงพฤติกรรม"

จุดเน้นการวิจัยเปลี่ยนจาก "เลือกหรือปรับใช้คำตอบคงที่" เป็น "สร้างกระบวนการที่สามารถสำรวจ ป้อนกลับ วิวัฒนาการได้" โมเดลสร้างความเป็นไปได้ สภาพแวดล้อมให้การป้อนกลับ ระบบรับผิดชอบการประเมิน การคัดเลือก และการสืบทอด การตัดสินว่าเป็น AI Native หรือไม่ ดูว่ามีวงจรปิดนี้หรือไม่ ไม่ใช่ดูว่าโมเดลแข็งแกร่งแค่ไหน

## การครอบคลุมคำสำคัญ

ผลิตภัณฑ์ที่กำหนดไว้ล่วงหน้า กระบวนการในสภาพแวดล้อม การกระทำ การป้อนกลับ การคัดกรอง การรักษา การประเมินทางเลือกหลายทาง การอัปเดตนโยบาย วงจรวิวัฒนาการ เด็กเครื่องจักร AI Native EvoX

## เบาะแสวัสดุ

หน้านี้มี "แผนภาพเปรียบเทียบโหมดผลิตภัณฑ์ที่กำหนดไว้ล่วงหน้ากับโหมดวิวัฒนาการในสภาพแวดล้อม" ด้านซ้ายโหมดผลิตภัณฑ์เป็นกระบวนการเชิงเส้น: ความต้องการ→การออกแบบ→การห่อหุ้ม→การปรับใช้→ความสามารถคงที่ ด้านล่างหมายเหตุ "ขอบเขตความสามารถถูกกำหนดก่อนการดำเนินการ ไม่เปลี่ยนแปลงหลังการปรับใช้" ด้านขวาโหมดวิวัฒนาการในสภาพแวดล้อมเป็นวงจรปิด: การกระทำ→การป้อนกลับจากสภาพแวดล้อม→การประเมินทางเลือกหลายทาง→การรักษาสิ่งที่ดีกว่า→การอัปเดตนโยบาย→การกระทำอีกครั้ง ตรงกลางระบุ "วงจรวิวัฒนาการ: การป้อนกลับ·การคัดกรอง·การสืบทอด" ด้านล่างหมายเหตุ "กระทำในสภาพแวดล้อม ปรับตัวอย่างต่อเนื่องจาการป้อนกลับ" สามารถใช้แผนภาพนี้เปรียบเทียบสองโหมดได้อย่างชัดเจน

## การจัดการแบบฝึกหัด

หน้านี้มีโจทย์เลือกตอบห้าข้อและกรณีศึกษาหนึ่งกรณี ใช้ตรวจสอบความเข้าใจ

ประเด็นสำคัญของโจทย์เลือกตอบ:

ขอบเขตพฤติกรรมของระบบถูกกำหนดโดยพื้นฐานแล้วก่อนการดำเนินการ หลังการปรับใช้ความสามารถคงที่ การป้อนกลับ: โหมดผลิตภัณฑ์ความสามารถถูกห่อหุ้มเสร็จก่อนการดำเนินการ ระยะการดำเนินการไม่มีการเปลี่ยนแปลงเชิงโครงสร้าง; ถ้าระบบสามารถเปลี่ยนพฤติกรรมตามการป้อนกลับระหว่างการดำเนินการ จะใกล้เคียงกับ "กระบวนการ" มากขึ้น

กฎและพารามิเตอร์เป็นการตั้งค่าล่วงหน้าก่อนการดำเนินการ โหมดกระบวนการเน้นสัญญาณการป้อนกลับที่ได้รับระหว่างการดำเนินการ

ความแม่นยำ รอบการปรับใช้ ขนาดข้อมูลเป็นตัวชี้วัดครั้งเดียวของโหมดผลิตภัณฑ์ ไม่ constitute กลไกการปรับอย่างต่อเนื่อง

คำสำคัญคือ "การประเมิน การคัดกรอง การรักษา" การแจกแจงทั้งหมดเป็นไปไม่ได้ กฎที่กำหนดด้วยมือไม่สามารถครอบคลุมการเปลี่ยนแปลง การลองแบบสุ่มล้วนๆ ขาดการรักษาและการสะสม

5. นัยต่อ EvoX และการวิจัยทางวิทยาศาสตร์ AI Native? คำตอบที่ถูกต้อง: เปลี่ยนจากการเลือกหรือปรับใช้คำตอบคงที่ เป็นการสร้างกระบวนการที่สามารถสำรวจ ป้อนกลับ วิวัฒนาการได้ การป้อนกลับ: โมเดลที่ใหญ่ขึ้น การสร้างครั้งเดียว การปรับใช้ออนไลน์ล้วนหยุดอยู่ที่แนวคิด "คำตอบคงที่" ขาดวงจรปิดที่สามารถป้อนกลับและวิวัฒนาการได้

ทีมฝึกนโยบายการหยิบจับแบบคงที่ตามโหมดผลิตภัณฑ์ หลังการปรับใช้เนื่องจากสภาพแวดล้อมเปลี่ยนทำให้อัตราความสำเร็จลดลง ทำได้เพียงเก็บข้อมูล ฝึก และปรับใช้ใหม่ซ้ำๆ

ใชกรอบ "ผลิตภัณฑ์ที่กำหนดไว้ล่วงหน้า/กระบวนการในสภาพแวดล้อม" อธิบายปัญหาในระยะแรกและทำไมจึงล้มเหลวซ้ำๆ ประเด็นคำตอบ: ระยะแรกถือความฉลาดเป็นผลิตภัณฑ์ที่กำหนดไว้ล่วงหน้า ความสามารถถูกห่อหุ้มก่อนการดำเนินการ ขอบเขตพฤติกรรมถูกกำหนดตายตัวเมื่อปรับใช้ ระบบไม่สามารถปรับตามการเปลี่ยนแปลงของสภาพแวดล้อม; เมื่อวัสดุหีบห่อ แสงสว่าง ความเร็วสายพานเปลี่ยน เงื่อนไขที่กลยุทธ์เดิมพึ่งพาล้มเหลว ระบบทำได้เพียงถอยกลับไปจุดเริ่มต้น เก็บข้อมูล ฝึก และปรับใช้ใหม่ด้วยมือ; แต่ละรอบการปรับใช้ใหม่แช่แข็งขอบเขตอีกครั้ง ปัญหาเกิดขึ้นซ้ำเป็นวงจร รอบการปรับยาวนาน ประสบการณ์สะสมยาก

① การสร้างการกระทำ: การหยิบจับแต่ละครั้งสร้างกลุ่มท่าทางและแรงจับหลายกลุ่ม; ② แหล่งที่มาของการป้อนกลับ: สภาพแวดล้อมให้สัญญาณความสำเร็จ/ล้มเหลว (สำเร็จ ลื่นไถล ใช้เวลา เสียหาย) เสริมด้วยการสุ่มตรวจของมนุษย์; ③ การประเมินและการคัดกรอง: ให้คะแนนและจัดอันดับตามอัตราความสำเร็จ เวลา อัตราความเสียหาย และตัวชี้วัดอื่นๆ คัดออกทางเลือกที่ไม่มีประสิทธิผล; ④ การรักษาและการสืบทอด: บันทึกแผนการที่ได้คะแนนสูงและสถานการณ์ที่สอดคล้อง เป็นจุดเริ่มต้นของสถานการณ์ที่คล้ายกัน สะสมประสบการณ์; ⑤ การอัปเดตนโยบายและการกระทำอีกครั้ง: ใช้ตัวอย่างที่มีคุณภาพอัปเดตนโยบาย เข้าสู่รอบถัดไป สร้างวงจรปิดต่อเนื่อง

## กิจกรรมในชั้นเรียนและการตรวจสอบความเข้าใจ

สามารถให้นักเรียนใช้ตัวอย่างที่ใกล้ชีวิต (เช่น การเรียนขี่จักรยาน การปรับอัลกอริทึมแนะนำ) เล่าความแตกต่างของสองโหมดซ้ำ และอธิบายความสัมพันธ์ระหว่างตัวอย่างกับ "โหมดผลิตภัณฑ์ถามว่าส่งออกอะไร โหมดกระบวนการถามว่ากระทำอย่างไรและได้รับการป้อนกลับอย่างไร" สุ่มเรียกนักเรียนหนึ่งคนสรุปประเด็นสำคัญของหน้านี้ด้วยคำพูดของตัวเอง ครูเติมคำสำคัญที่ขาดหายตามคำตอบ เช่น "อินเทอร์เฟซการกระทำ" "สัญญาณการป้อนกลับ" "เกณฑ์การประเมิน" "กฎการรักษา" เป็นต้น

## คำแนะนำในการเปลี่ยนผ่าน

หลังจากยืนยันว่านักเรียนสามารถอธิบายความแตกต่างหลักระหว่างผลิตภัณฑ์ที่กำหนดไว้ล่วงหน้ากับกระบวนการในสภาพแวดล้อม และสามารถใช้ "ขอบเขตพฤติกรรมถูกกำหนดตายตัวก่อนการดำเนินการหรือไม่" เพื่อตัดสินว่าระบบอยู่ในด้านใดได้แล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับตัวอย่าง การประยุกต์ใช้ หรือสรุป

<a id="lecture-page-6"></a>

### ความซับซ้อนของโลกจริงและความขัดแย้งของเป้าหมายหลายตัว

*หน้า 6*

> **เป้าหมายของหน้า: ** ผู้เรียนควรเข้าใจความจริงเชิงภววิสัยที่ว่าในโลกจริง เป้าหมายหลายตัวดึงกันไปมาทำให้ไม่มีคำตอบที่เหมาะสมที่สุดเพียงหนึ่งเดียว

> **เป้าหมายของหน้า**
>
> เข้าใจความจริงเชิงภววิสัยในการเพิ่มประสิทธิภาพเป้าหมายหลายตัวในโลกจริงที่เป้าหมายดึงกันไปมา ไม่มีคำตอบที่เหมาะสมที่สุดเพียงหนึ่งเดียว และสามารถอธิบายว่าทำไมการคำนวณเชิงวิวัฒนาการจึงเหมาะกับปัญหาประเภทนี้

**ประเด็นสำคัญในการสอน**

- การเพิ่มความแม่นยำมักเพิ่มความหน่วงในการอนุมานและต้นทุนการประมวลผล
- การเสริมความทนทานอาจ sacrifices ประสิทธิภาพสูงสุด
- การลดการใช้พลังงานอาจจำกัดความจุของโมเดล เป้าหมายเหล่านี้ไม่สามารถวัดเทียบกันได้อย่างสมบูรณ์ ดังนั้นจึงไม่มีคำตอบเดียวที่ทำให้ทุกเป้าหมายดีที่สุดพร้อมกัน มีเพียงกลุ่มคำตอบแลกเปลี่ยนที่ไม่อยู่ใต้การครอบงำ คือ rapprochement ไปยัง Pareto front แกนนอนคือความหน่วงในการอนุมาน แกนตั้งคือต้นทุนการประมวลผล
- จุดสีเทาคือคำตอบที่เป็นไปได้ ขอบสีแดงคือ Pareto front
- จุดที่อยู่ด้านในของ front และถูกคำตอบอื่นครอบงำอย่างสมบูรณ์ (ไม่แย่กว่าในทุกเป้าหมายและแย่กว่าอย่างน้อยหนึ่งเป้าหมาย) เป็นคำตอบที่ถูกครอบงำ จุดเข่า (จุดหัก) เป็นจุดแลกเปลี่ยนที่คุ้มค่าสูงบน front การปรับปรุงเป้าหมายหนึ่งต่อไปต้อง sacrifices เป้าหมายอื่นอย่างมาก
- ประชากรวิวัฒนาการ rapprochement ไปยัง front ทีละขั้นผ่านการค้นหาแบบขนาน เป้าหมายหลายตัวดึงกัน——การปรับปรุงเป้าหมายหนึ่งมักทำให้อีกเป้าหมายหนึ่งเสื่อมลง
- ข้อจำกัดซับซ้อน——ข้อจำกัดแข็ง ข้อจำกัดอ่อน ความไม่แน่นอน และสภาพแวดล้อมแบบพลวัตร่วมกันบีบขอบเขตที่เป็นไปได้ ทำให้สมมติฐานคำตอบที่เหมาะสมที่สุดจุดเดียวล้มเหลว
- คำตอบที่เหมาะสมที่สุดเพียงหนึ่งเดียวมักไม่มีอยู่——การลดเป็นสเกลาร์หรือการค้นหาจุดเดียวไม่สามารถแสดงพื้นที่การตัดสินใจจริงได้
- ผลลัพธ์ควรเป็นกลุ่มแผนการ——รักษาทางเลือกที่หลากหลาย ให้ผู้ตัดสินใจมีขอบเขตการแลกเปลี่ยนที่เปรียบเทียบได้และพื้นที่เลือกความชอบ คำตอบ A ครอบงำคำตอบ B ก็ต่อเมื่อ A ไม่แย่กว่า B ในทุกเป้าหมาย และดีกว่า B อย่างเคร่งครัดในอย่างน้อยหนึ่งเป้าหมาย การคำนวณเชิงวิวัฒนาการมักใช้การจัดอันดับแบบไม่อยู่ใต้การครอบงำและระยะความแออัด เพื่อรักษาการบรรจบและความหลากหลายพร้อมกันขณะ rapprochement ไปยัง front ไม่ต้องพึ่งพาเกรเดียนต์หรือความสามารถในการหาอนุพันธ์ของฟังก์ชันเป้าหมาย 个体แต่ละตัวในประชากรเป็นตัวแทนของแผนการทางเลือกหนึ่ง ผ่านการค้นหาแบบขนาน rapprochement ไปยังคำตอบแลกเปลี่ยนหลายตัวพร้อมกัน
- ความชอบของผู้ตัดสินใจมักเข้ามาในขั้นตอนสุดท้าย เลือกแผนการจาก front ซึ่งมั่นคงกว่าการล็อกน้ำหนักล่วงหน้า

**การจัดการแบบฝึกหัด**

ข้อ 1 ตัวเลือกที่ถูกต้องเน้นเป้าหมายดึงกันไปมา ไม่มีคำตอบเดียวที่ทุกเป้าหมายดีที่สุดพร้อมกัน; การลดเป็นสเกลาร์จะสูญเสียข้อมูลการแลกเปลี่ยน

ข้อ 2 ตัวเลือกที่ถูกต้องคือ "A ไม่แย่กว่า B ในทุกเป้าหมาย และดีกว่า B อย่างเคร่งครัดในอย่างน้อยหนึ่งเป้าหมาย"; เตือนนักเรียนว่าการครอบงำต้องการไม่แย่กว่าในทุกด้าน ไม่ใช่แค่ดีกว่าในเป้าหมายเดียว

ข้อ 3 ตัวเลือกที่ถูกต้องชี้ให้เห็นว่าวิธีผลรวมถ่วงน้ำหนัก依赖น้ำหนักเชิงนิรนัย ได้คำตอบจำกัด และอาจพลาดส่วนของ front ที่ไม่นูน

ข้อ 4 ตัวเลือกที่ถูกต้องคือ "การค้นหาแบบขนานของประชากรและการรักษาความหลากหลาย สามารถ rapprochement ไปยังคำตอบแลกเปลี่ยนหลายตัวพร้อมกัน"; เมื่อให้ข้อเสนอแนะสามารถเน้นการพึ่งพาเกรเดียนต์ต่ำและการรักษาความหลากหลาย

ข้อ 5 ตัวเลือกที่ถูกต้องคือการค้นหากลุ่มคำตอบแลกเปลี่ยน Pareto แล้วเลือกตามความชอบของสถานการณ์; การบวกกันอย่างง่ายหรือเพิ่มประสิทธิภาพเป้าหมายเดียวจะปกปิดความสัมพันธ์แลกเปลี่ยน

**กิจกรรมในชั้นเรียน**

เป้าหมายคือเพิ่มความแม่นยำสูงสุด ลดความหน่วงต่ำสุด ลดการใช้พลังงานต่ำสุด; ข้อจำกัดแข็งเช่นขีดจำกัดหน่วยความจำอุปกรณ์ ข้อจำกัดอ่อนสามารถรวมงบประมาณพลังงานและแบนด์วิดท์; ความไม่แน่นอนมาจากความผันผวนของแบนด์วิดท์ การตัดการเชื่อมต่อ การเปลี่ยนแปลงโหลด เนื่องจากเป้าหมายขัดแย้งกันและไม่สามารถวัดเทียบกันได้อย่างสมบูรณ์ จึงไม่มีคำตอบที่เหมาะสมที่สุดเพียงหนึ่งเดียว ทำได้เพียงได้กลุ่มคำตอบแลกเปลี่ยน Pareto ทีมสามารถใช้การค้นหาแบบขนานของประชากรรักษาคำตอบที่ไม่อยู่ใต้การครอบงำหลายตัว รักษาความหลากหลายและ rapprochement ไปยัง front ด้วยการจัดอันดับแบบไม่อยู่ใต้การครอบงำและระยะความแออัด; สุดท้ายรวมจุดเข่ากับช่วงความชอบเพื่อเลือกแผนการ ใช้กฎความเป็นไปได้หรือฟังก์ชันปรับโทษสำหรับข้อจำกัดแข็ง และแนะนำการวิวัฒนาการออนไลน์หรือการเพิ่มประสิทธิภาพแบบทนทานสำหรับสภาพแวดล้อมแบบพลวัต

**ตรวจสอบความเข้าใจ**

ขอให้นักเรียนอธิบายด้วยคำพูดของตัวเองว่า "ทำไมในปัญหาเป้าหมายหลายตัวเมื่อเห็นคำตอบที่เหมาะสมที่สุดเพียงหนึ่งเดียวต้องระวัง" และยกตัวอย่างว่าการปรับปรุงเป้าหมายหนึ่งทำให้อีกเป้าหมายหนึ่งเสื่อมลงอย่างไร

> **คำแนะนำในการเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักเรียนสามารถแยกแยะคำตอบที่ถูกครอบงำ คำตอบที่ไม่อยู่ใต้การครอบงำ และจุดเข่าได้ และสามารถอธิบายว่าทำไมความหลากหลายของประชากรจึงสำคัญ จึงเข้าสู่หน้าถัดไปเกี่ยวกับการประยุกต์ใช้หรือสรุป

<a id="lecture-page-7"></a>

### การฝ่าวิกฤตความขัดแย้งระหว่างความหลากหลายกับต้นทุนทางวิศวกรรม

*หน้า 7*

> **เป้าหมายของหน้า: ** ผู้เรียนควรเข้าใจแรงบันดาลใจจากกลไกการกลายพันธุ์-การคัดเลือกในธรรมชาติต่อการแก้ปัญหาต้นทุนความหลากหลายทางวิศวกรรมแบบดั้งเดิมที่สูง

> **เป้าหมายของหน้า**
>
> โครงสร้างที่ซับซ้อนในธรรมชาติมาจากกระบวนการต่อเนื่องของ "การกลายพันธุ์—การคัดเลือก" ความหลากหลายเป็นผลผลิตภายในของกลไกนี้; ในขณะที่วิศวกรรมแบบดั้งเดิมมองความหลากหลายเป็นต้นทุนเพิ่มเติมมาเป็นเวลานาน การเปลี่ยนแปลงหลักคือการเข้าใจความหลากหลายใหม่จาก "รายการต้นทุน" เป็น "ทรัพยากรการค้นหา"

> **ลำดับการบรรยาย**
>
> การกลายพันธุ์สร้างสาขาทางเลือกใหม่ การคัดเลือกอาศัยการป้อนกลับจากสภาพแวดล้อมรักษาเส้นทางที่มีประสิทธิผลและคัดออกเส้นทางที่ไม่มีประสิทธิภาพ การสร้างและการคัดกรองทางเลือกเกิดขึ้นพร้อมกัน ไม่จำเป็นต้องแจกแจงทางเลือกที่เป็นไปได้ทั้งหมดก่อนแล้วตรวจสอบทีละตัว
>
> ถ้าต้องการ 100 แผนการที่เป็นไปได้ มักหมายถึงประมาณ 100 ครั้งของ "การออกแบบ—การจำลอง—การประเมิน—การสร้างต้นแบบ" แบบอนุกรม แต่ละครั้งใช้คน กำลังการประมวลผล และเวลา ความหลากหลาย manifest เป็นต้นทุนส่วนเพิ่มที่สูง กระบวนการเป็นอนุกรมโดยธรรมชาติ การจัดตารางยุ่งยาก ขนาดการสำรวจถึงเพดานอย่างรวดเร็ว
>
> การจัดระเบียบทางเลือกเป็นประชากรสามารถสร้างพร้อมกัน ประเมินพร้อมกัน แรงกดดันในการคัดเลือกถูกใช้อย่างสม่ำเสมอบนชุดทางเลือกแบบขนาน การประมวลผลแบบขนานไม่ใช่เทคนิคเพิ่มประสิทธิภาพภายหลัง แต่เป็นคุณสมบัติที่มีมาแต่กำเนิดของกลไกนี้
>
> ความหลากหลายเปลี่ยนจาก "รายการต้นทุนเพิ่มเติม" เป็น "ทรัพยากรการค้นหา"——ทางเลือกที่มากขึ้นหมายถึงการครอบคลุมที่กว้างขึ้นและความทนทานที่แข็งแกร่งขึ้น; คอขวดเปลี่ยนจากการจัดตารางด้วยมือแบบอนุกรมเป็นปริมาณการประมวลผลแบบขนาน ความสามารถในการขยายถูกกำหนดโดยขนาดของกำลังการประมวลผล
>
> กำลังการประมวลผลแบบขนานของ GPU และความสามารถในการสร้างอัจฉริยะของโมเดลขนาดใหญ่ให้ฐานสำหรับการสร้างทางเลือกขนาดใหญ่และการประเมินแบบขนาน แต่ตัวมันเองไม่ใช่กลไกการคัดเลือกและการสืบทอด; แกนหลักของกลไกยังคงเป็นวงจรปิดของ "การกลายพันธุ์สร้างทางเลือก การคัดเลือกรักษาเส้นทาง"

**ประเด็นสำคัญในการสอน**

- ทางเลือกเดียวสอดคล้องกับการวนซ้ำหนึ่งครั้งในกระบวนการอนุกรม ประชากรทั้งหมดสอดคล้องกับการประมวลผลแบบกลุ่มขนานหนึ่งครั้ง การตัดสินว่าวิธีการหนึ่งสามารถประมวลผลแบบขนานได้หรือไม่ ดูที่หน่วยการค้นหาของมันเป็นคำตอบเดียว หรือเป็นประชากรที่สามารถสร้างพร้อมกัน ประเมินพร้อมกัน GPU และโมเดลขนาดใหญ่ทำให้การสำรวจแบบขนานขนาดใหญ่เป็นไปได้ทางวิศวกรรม แต่ขั้นตอนการประเมินและการคัดกรองยังขาดไม่ได้ ต้นไม้วิวัฒนาการธรรมชาติทางซ้ายแสดงสาขาการกลายพันธุ์และการรักษา/การคัดออก
- ท่อส่งแบบอนุกรมด้านขวาบนเน้นความหลากหลายเท่ากับต้นทุนเพิ่มเติม
- ประชากรแบบขนานด้านขวาล่างแสดงการสร้างแบบกลุ่ม การประเมินแบบขนาน การคัดเลือกและการรักษา และชี้ให้เห็นว่าคอขวดเปลี่ยนเป็นปริมาณการประมวลผลแบบขนาน การคำนวณเชิงวิวัฒนาการเปลี่ยนความขัดแย้งแบบดั้งเดิมที่ว่า "ความหลากหลายต้องมีต้นทุนสูงและการจัดตารางแบบอนุกรมยุ่งยาก" ให้เป็นปัญหาการประมวลผลแบบขนานที่สามารถขยายได้

**การจัดการแบบฝึกหัด**

หน้านี้มีโจทย์ตัดสินแนวคิดและโจทย์กรณีศึกษา โจทย์แนวคิดเน้นตรวจสอบว่าผู้เรียนสามารถอธิบาย "ความหลากหลาย" เป็นทรัพยากรการค้นหา และอธิบายว่าทำไมการคำนวณเชิงวิวัฒนาการจึงเหมาะกับการประมวลผลแบบขนาน; คำตอบที่ถูกต้องควรเชื่อมโยงกับการสร้างและการประเมินประชากรพร้อมกันและการใช้แรงกดดันในการคัดเลือกอย่างสม่ำเสมอ โจทย์กรณีศึกษาต้องการชี้ให้เห็นว่าความขัดแย้ง "ความหลากหลาย—ต้นทุน" กระจุกตัวในสามขั้นตอน: การสร้างแผนการ การประเมินด้วยการจำลอง และการจัดตารางกระบวนการ; เมื่อจัดระเบียบกระบวนการใหม่ ควรจัดกลุ่มประชากรสำหรับการสร้างแบบกลุ่ม การประเมินแบบขนาน การคัดเลือกแบบรวม การรักษาคำตอบที่แตกต่างและกลายพันธุ์ต่อ สร้างวงจรปิด "สร้าง—ประเมิน—คัดเลือก—กลายพันธุ์อีกครั้ง" คอขวดเปลี่ยนจากการจัดตารางด้วยมือเป็นปริมาณการประมวลผลแบบขนาน เมื่อให้ข้อเสนอแนะ สำหรับคำตอบที่ถูกต้องให้ยืนยันว่าสามารถเชื่อมโยงกับหลักฐานในหน้านี้; สำหรับคำตอบที่ผิดแนะนำให้กลับไปดูแผนภาพเปรียบเทียบท่อส่งแบบอนุกรมกับประชากรแบบขนาน

**ตรวจสอบความเข้าใจ**

ทำไมความหลากหลายจึงเป็นต้นทุนในวิศวกรรมแบบดั้งเดิม แต่เป็นทรัพยากรในการคำนวณเชิงวิวัฒนาการ? ถ้าผู้เรียนสามารถอธิบาย "ประชากรสามารถประมวลผลแบบขนาน การประเมินและการคัดเลือกยังจำเป็น คอขวดเปลี่ยนเป็นปริมาณการประมวลผล" ก็สามารถเข้าสู่หน้าถัดไปได้

> **คำแนะนำในการเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่าผู้เรียนสามารถแยกแยะ "ฐานที่ทำให้สามารถ" กับ "กลไกการกลายพันธุ์—การคัดเลือก" ได้แล้ว จึงขยายรายละเอียดในหน้าถัดไปเกี่ยวกับวิธีที่ GPU และโมเดลขนาดใหญ่สนับสนุนการสร้างทางเลือกขนาดใหญ่และการประเมินแบบขนาน

<a id="lecture-page-8"></a>

### ฐานทางวิศวกรรมที่ประกอบด้วย GPU และโมเดลขนาดใหญ่

*หน้า 8*

> **เป้าหมายของหน้า: ** ผู้เรียนควรเข้าใจการสนับสนุนที่มั่นคงของ GPU สำหรับการประมวลผลแบบขนานและความสามารถในการสร้างของโมเดลขนาดใหญ่ต่อการสำรวจวิวัฒนาการขนาดใหญ่

> **เป้าหมายของหน้า**
>
> GPU ให้ปริมาณการประมวลผลแบบขนาน โมเดลขนาดใหญ่ให้ประตูความหมายและการเชื่อมต่อบริบท EvoX รับผิดชอบวงจรปิดของการค้นหา การคัดเลือก และการป้อนกลับ ผู้เรียนต้องสามารถแยกแยะการแบ่งงานสามชั้น และใช้มันตัดสินจุดอ่อนของระบบ

> **ลำดับการบรรยาย**
>
> นำนักเรียนดูแผนภาพโครงสร้างสามชั้นก่อน ชั้นโมเดลขนาดใหญ่ด้านบนรับผิดชอบการเข้าใจเจตนาภาษาธรรมชาติ การเข้าใจและการสร้างโค้ด และการเชื่อมต่อบริบทของโครงการ; ฐานทางวิศวกรรม EvoX ตรงกลางดำเนินการตาม "การสร้างทางเลือก→การประเมินแบบขนาน→การไหลกลับของการป้อนกลับ→วิวัฒนาการต่อ"; ชั้น GPU ด้านล่างรับผิดชอบการประเมินแบบขนานเป็นกลุ่ม การวนซ้ำที่มีปริมาณการประมวลผลสูง และการขยายขอบเขตการสำรวจ จากนั้นอธิบายการเปลี่ยนแปลงหลังกำลังการประมวลผลเปิดออก: การประเมินไม่ต้องรอคิวอีกต่อไป ทางเลือกจำนวนมากสามารถส่งเข้าสู่การประเมินแบบขนานพร้อมกัน การป้อนกลับไหลกลับเกือบพร้อมกัน ต่อไปอธิบายว่าแหล่งที่มาของทางเลือกเปลี่ยนจาการ์ออกแบบด้วยมือและการสุ่มตัวอย่างจำนวนน้อย เป็นโหมดผสมของ "การจัดหาจำนวนมากด้วยการประมวลผลแบบขนาน + การสร้างและเขียนใหม่ด้วยโมเดลขนาดใหญ่" สุดท้ายชี้แจงขอบเขตระหว่างฐานกับอัลกอริทึม และเสริมการร่วมมือของหลาย Agent การแบ่งงานแบบเรียกซ้ำ และการทำให้คงทนในระดับโครงการ

**ประเด็นสำคัญในการสอน**

- การมีส่วนร่วมพื้นฐานที่สุดของ GPU คือปริมาณการประมวลผล ผลักดันการประเมินและการค้นหาจากแบบอนุกรม กลุ่มเล็ก ไปสู่การสำรวจขนาดใหญ่พร้อมกัน
- มันไม่รับผิดชอบการเข้าใจความหมาย และไม่รับผิดชอบการจัดเก็บบริบท บทบาทที่แม่นยำที่สุดของโมเดลขนาดใหญ่คือประตูความหมายและการเชื่อมต่อบริบท แปลงเจตนาการวิจัยเป็นทางเลือกที่ดำเนินการได้ สคริปต์ หรือร่างตัวดำเนินการได้เร็วขึ้น และรักษาความสอดคล้องกับบริบทของโครงการ
- ทางเลือกมากแค่ไหนก็ต้องอาศัยการป้อนกลับจากสภาพแวดล้อมและการประเมินการคัดเลือกเพื่อกรองเป็นความสามารถที่สะสมได้อย่างยั่งยืน จำสามสิ่งเป็นประโยคเดียว: GPU ดูแล "รันได้" โมเดลขนาดใหญ่ดูแล "เชื่อมต่อได้" EvoX ดูแล "หมุนได้" เมื่อเห็นปัญหา ให้ตัดสินก่อนว่าสิ่งที่ขาดคือปริมาณการประมวลผล ประตูความหมาย หรือกลไกวงจรปิด แล้วจึงตัดสินว่าจะเสริมที่ชั้นใด

**การครอบคลุมคำสำคัญ**

- ฐานทางวิศวกรรม การประมวลผลแบบขนานของ GPU โมเดลขนาดใหญ่ ประตูความหมาย การเชื่อมต่อบริบท วงจรปิดการค้นหา·การคัดเลือก·การป้อนกลับ การสร้างทางเลือก การประเมินแบบขนาน การไหลกลับของการป้อนกลับ วิวัฒนาการต่อ การส่งทางเลือกแบบกลุ่ม ปริมาณการประมวลผลสูง การขยายขอบเขตการสำรวจ การร่วมมือของหลาย Agent การแบ่งงานแบบเรียกซ้ำ การทำให้คงทนในระดับโครงการ ข้ามบริบทของ Agent

> **เบาะแสวัสดุ**
>
> - แผนภาพสถาปัตยกรรมสามชั้นเหมาะสำหรับการสอนแบบชี้ไปพร้อมอธิบาย——ชั้นโมเดลขนาดใหญ่สีม่วงด้านบน วงจรปิด EvoX สีเขียวตรงกลาง ชั้น GPU สีน้ำเงินด้านล่าง ลูกศรในภาพแสดง "เจตนาการวิจัย→ร่างทางเลือก" และ "การไหลกลับของข้อจำกัดและบริบท" รวมถึง "การส่งทางเลือกแบบกลุ่ม" "ผลการประเมินแบบขนาน" เมื่ออธิบายการทำให้คงทนในระดับโครงการ สามารถใช้ "เป้าหมาย ข้อจำกัด ผลผลิตขั้นกลาง ผลการประเมิน" เป็นสี่สินทรัพย์ของโครงการที่ต้องตกตะกอน

> **เบาะแสแบบฝึกหัด**
>
> - โจทย์เลือกตอบห้าข้อตรวจสอบหน้าที่ของ GPU หน้าที่ของโมเดลขนาดใหญ่ การเปลี่ยนแปลงแหล่งที่มาของทางเลือก หลาย Agent กับการทำให้คงทนในระดับโครงการ และการแบ่งงานระหว่างฐานกับอัลกอริทึม คำตอบตามลำดับคือ: C, A, A, C, C เมื่อจัดการไม่เพียงรายงานคำตอบ ให้นักเรียนอธิบายเหตุผลในการตัดออก: GPU ไม่ใช่การเข้าใจความหมายหรือการจัดเก็บ
> - โมเดลขนาดใหญ่ไม่ใช่วงจรปิดเอง
> - แหล่งที่มาของทางเลือกคือการขยายและการผสม ไม่ใช่การยกเลิกการประเมินหรือถอยกลับไปออกแบบทีละตัวด้วยมือ
> - การทำให้คงทนทำให้บริบทสำคัญสามารถสืบต่อข้าม Agent ต่างๆ ได้
> - ฐานไม่แทนที่อัลกอริทึมเอง และไม่กำจัดความไม่แน่นอน แพลตฟอร์มค้นหาตัวดำเนินการอัตโนมัติ ประเด็นคำตอบแบ่งเป็นสองชั้น ชั้นแรก ชั้น GPU รับผิดชอบปริมาณการประมวลผล การประเมินแบบขนานเป็นกลุ่มและการขยายขอบเขตที่สำรวจได้
> - ชั้นโมเดลขนาดใหญ่รับผิดชอบประตูความหมายและการเชื่อมต่อบริบท แปลงความต้องการเป็น的实现ทางเลือก สคริปต์ หรือร่างตัวดำเนินการ ทั้งสองไม่สามารถแทนกันได้ เพราะโมเดลขนาดใหญ่ไม่มีปริมาณการประมวลผลสำหรับการประเมินเชิงตัวเลขแบบขนานเป็นกลุ่ม และ GPU ก็ไม่เข้าใจภาษาธรรมชาติและความหมายของโครงการ ชั้นที่สอง การร่วมมือของหลาย Agent และการแบ่งงานแบบเรียกซ้ำต้องการการทำให้คงทนในระดับโครงการที่ใช้ร่วมกัน: แบ่งเป้าหมายรวมเป็นงานย่อย เช่น การเข้าใจความต้องการ การแบ่งงาน การสร้างทางเลือก การประเมินแบบขนาน การเก็บผลลัพธ์ ให้ Agent ต่างๆ รับผิดชอบ
> - ตกตะกอนการกำหนดเป้าหมาย เงื่อนไขข้อจำกัด เวอร์ชันทางเลือก ตัวชี้วัดการประเมิน และสาเหตุความล้มเหลวในระดับโครงการ ด้วยวิธีนี้แม้เปลี่ยน Agent หรือเวอร์ชันโมเดลกลางทาง Agent ใหม่ก็สามารถสืบต่อความคืบหน้าที่มีอยู่ได้ ผลการประเมินฝั่ง GPU หลังเขียนกลับกลายเป็นอินพุตสำหรับการสร้างทางเลือกในรอบถัดไป วงจรปิดสามารถดำเนินต่อข้ามบริบทได้

**ตรวจสอบความเข้าใจ**

สุ่มเรียกนักเรียนหนึ่งคนสรุปการแบ่งงานสามชั้นด้วยคำพูดของตัวเอง และตอบว่า "ถ้าประสิทธิผลของระบบไม่ดี ควรตรวจสอบปริมาณการประมวลผล ประตูความหมาย หรือกลไกวงจรปิดก่อน" จากนั้นให้นักเรียนตรวจสอบวงจรปิดตาม "การสร้างทางเลือก→การประเมินแบบขนาน→การไหลกลับของการป้อนกลับ→วิวัฒนาการต่อ" ชี้ให้เห็นว่าขั้นตอนใดขาดหายหรือช้าลง; ถ้าทุกรอบต้องอธิบายพื้นหลังให้ Agent ใหม่ทั้งหมด ส่วนใหญ่เป็นการทำให้คงทนในระดับโครงการที่ยังไม่ดี

> **คำแนะนำในการเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักเรียนสามารถแยกแยะการแบ่งงานระหว่างฐานกับอัลกอริทึมได้แล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับการดำเนินการเฉพาะ กรณีศึกษาการประยุกต์ใช้ หรือเนื้อหาสรุป

<a id="lecture-page-9"></a>

### การขยายขอบเขตวัตถุวิวัฒนาการ: จากพารามิเตอร์สู่โปรแกรม

*หน้า 9*

> **เป้าหมายของหน้า: ** ผู้เรียนควรเข้าใจว่าระบบวิวัฒนาการสมัยใหม่ขยายวัตถุวิวัฒนาการจากพารามิเตอร์เชิงตัวเลขไปสู่โปรแกรมและกลไกอัลกอริทึมอย่างไร

> **เป้าหมายของหน้า**
>
> เข้าใจว่าระบบวิวัฒนาการสมัยใหม่ขยายวัตถุวิวัฒนาการจากพารามิเตอร์เชิงตัวเลขไปสู่โปรแกรมและกลไกอัลกอริทึมอย่างไร เชี่ยวชาญบันไดสี่ระดับ "พารามิเตอร์เชิงตัวเลข → ไฮเปอร์พารามิเตอร์และโครงสร้างโมเดล → กลไกอัลกอริทึมและตัวดำเนินการ → โปรแกรมและสถานะทางวิศวกรรม"

**ประเด็นสำคัญในการสอน**

- ทุกครั้งที่ขึ้นหนึ่งชั้น ต้องถามสามสิ่ง——ทางเลือกถูกแสดงอย่างไร? ถูกจำกัดด้วยอะไร? ใช้สัญญาณอะไรประเมิน? จาก "ช่วงค่าที่เป็นไปได้" ของชั้นพารามิเตอร์เปลี่ยนเป็น "ไวยากรณ์ ความหมาย และความสามารถในการดำเนินการ" ของชั้นโปรแกรม ยิ่งวัตถุมีอิสระมาก ความรับผิดชอบในการตรวจสอบก็ยิ่งหนักขึ้น ไม่สามารถตีความการขยายผิดว่าเป็นการสร้างโค้ดได้ตามอำเภอใจ ถ้ายังใช้ฟังก์ชันสูญเสียเดียวประเมินทางเลือกในระดับโมดูลโค้ด แสดงว่าการประเมินล้าหลัง
- ต้องตรวจสอบว่าการคอมไพล์ผ่านหรือไม่ การทดสอบครอบคลุมหรือไม่ 基準ปรับปรุงหรือไม่ ต้นทุนทรัพยากรยอมรับได้หรือไม่ ต้องการการแลกเปลี่ยนเป้าหมายหลายตัวหรือไม่ การอัปเกรดวิวัฒนาการของกระบวนการฝึกระบบแนะนำ ระยะที่หนึ่ง อัตราการเรียนรู้และขนาดแบตช์สอดคล้องกับชั้นพารามิเตอร์เชิงตัวเลข ทางเลือกคือเวกเตอร์จำนวนจริงต่อเนื่อง สามารถใช้เป้าหมายเดียวของชุดตรวจสอบประเมิน
- ระยะที่สอง จำนวนชั้นความกว้างของเครือข่ายและการเพิ่มข้อมูลสอดคล้องกับชั้นไฮเปอร์พารามิเตอร์และโครงสร้างโมเดล ค่าไม่ต่อเนื่อง พื้นที่การรวมขนาดใหญ่ นอกจากตัวชี้วัดการตรวจสอบยังต้องให้ความสำคัญกับการวางนัยทั่วไปและการ overfitting
- ระยะที่สาม รูปแบบฟังก์ชันสูญเสียและตัวดำเนินการสุ่มตัวอย่างสอดคล้องกับชั้นกลไกอัลกอริทึมและตัวดำเนินการ ทางเลือกต้องเป็นไปตามข้อจำกัดทางไวยากรณ์และความหมาย การประเมินควรเพิ่มความทนทาน ความเสถียร และการแลกเปลี่ยนเป้าหมายหลายตัว
- ระยะที่สี่ สคริปต์การฝึกและ配置文件ของท่อส่งทางวิศวกรรมสอดคล้องกับชั้นโปรแกรมและสถานะทางวิศวกรรม การประเมินยกระดับเป็นการคอมไพล์และการทดสอบผ่านหรือไม่ ต้นทุนทรัพยากรยอมรับได้หรือไม่ และการแลกเปลี่ยนเป้าหมายหลายตัวระหว่างความแม่นยำกับต้นทุน กฎหลัก: ยิ่งวัตถุใกล้โปรแกรมมากเท่าไร การประเมินยิ่งต้องเปลี่ยนจากสเกลาร์เดียวเป็นดุลยพินิจระดับระบบมากขึ้น การแสดง: abstrakt สคริปต์เป็นโครงสร้างไวยากรณ์ที่ดำเนินการได้หรือส่วนประกอบแบบโมดูล (ขั้นตอนของท่อส่ง จุดฉีดไฮเปอร์พารามิเตอร์ บล็อกการควบคุมการไหล) ไม่ใช่ข้อความล้วนที่ไม่สามารถแยกวิเคราะห์ได้
- ข้อจำกัด: รับประกันว่าสามารถคอมไพล์ได้ อินเทอร์เฟซและ dependencies สอดคล้องกัน สามารถรันได้ภายในเวลาที่จำกัดและงบประมาณกำลังการประมวลผล
- การประเมิน: นอกจากความแม่นยำ ยังรวมอัตราการผ่านการทดสอบ ต้นทุนการประเมินแต่ละครั้ง ความสามารถในการทำซ้ำ และการแลกเปลี่ยน Pareto เป้าหมายหลายตัว ความเสี่ยงหลักคือพื้นที่การค้นหาเพิ่มขึ้นอย่างรวดเร็ว ต้นทุนการประเมินสูง ทางเลือกจำนวนมากที่ "รันผ่านแต่ไม่มีกำไร" เสียกำลังการประมวลผล ทางเลือกที่ผิดยังอาจทำลายเสถียรภาพทางวิศวกรรม วิธีรับมือรวมถึงลำดับชั้นนิรนัย การปล่อยทีละชั้น โมเดลตัวแทน หรือการคัดกรองต้นทุนต่ำ และแลกเปลี่ยนความแม่นยำกับค่าใช้จ่ายอย่างชัดแจ้ง

**การจัดการแบบฝึกหัด**

โจทย์ในหน้านี้ใช้ตรวจสอบว่าสามารถใช้หลักฐานหรือตัวอย่างอธิบายแนวคิดหลักและการขยายวัตถุวิวัฒนาการได้หรือไม่ ทิศทางที่ถูกต้องคือ "สามารถเชื่อมโยงกับแนวคิดในหน้านี้และอธิบายเกณฑ์"; ถ้าเลือก "เปลี่ยนทุกปัจจัยพร้อมกันเพื่อเปรียบเทียบผลลัพธ์" "ตัดสินตามความรู้สึกเท่านั้น" "ข้ามเอกสารแล้วท่องจำ" เป็นต้น ถือว่าไม่เป็นไปตามข้อกำหนด การให้ข้อเสนอแนะสามารถทำได้ดังนี้: เมื่อตอบถูกพูดว่า "ความเข้าใจนี้สอดคล้องกับโครงร่างที่ยืนยันแล้ว"; เมื่อตอบผิดแนะนำว่า "ทบทวนแนวคิดหลักก่อน หรือกลับไปที่การบรรยายในหน้านี้เพื่อหาหลักฐานสำคัญหรือตัวอย่างแล้วจึงตัดสิน"

**ตรวจสอบความเข้าใจ**

สุ่มเรียกนักเรียนหนึ่งคนสรุปบันไดสี่ระดับด้วยคำพูดของตัวเอง และยกตัวอย่างการแสดง ข้อจำกัด และสัญญาณการประเมินของวัตถุในชั้นหนึ่ง คำแนะนำในการเปลี่ยนผ่าน: หลังจากยืนยันว่านักเรียนสามารถอธิบาย "การถ่ายโอนข้อจำกัด" และ "สัญญาณการประเมินที่สอดคล้องกับระดับ" ได้แล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับตัวอย่าง การประยุกต์ใช้ หรือสรุป

<a id="lecture-page-10"></a>

### ขอบเขตความสามารถของโมเดลขนาดใหญ่และวิวัฒนาการต่อเนื่องระดับระบบ

*หน้า 10*

> **เป้าหมายของหน้า: ** ผู้เรียนควรเข้าใจว่าแม้โมเดลขนาดใหญ่จะมีความสามารถสูง แต่ยังต้องอาศัยกรอบระดับระบบเพื่อจัดการการพัฒนาต่อเนื่อง

**ประเด็นสำคัญในการสอน**

- การตัดสินว่างานหนึ่งกำลัง推进จริงหรือไม่ ถามตัวเองก่อนว่า: ผลลัพธ์ครั้งนี้สามารถถูกสืบทอดโดยงานถัดไปได้โดยตรงหรือไม่? ถ้าคำตอบคือไม่ มันส่วนใหญ่เป็นการใช้ครั้งเดียว ไม่ใช่วิวัฒนาการ จุดยึดความจำ: การสร้างความเป็นไปได้อาศัยโมเดล การสะสมการปรับปรุงอาศัยระบบ
- บริบทหมดลง การขาดค่าจริง และการจัดตารางการทดลอง สอดคล้องกับการตกตะกอนและการนำกลับมาใช้ การประเมินและการคัดกรอง และการสร้างและการเรียกใช้สภาพแวดล้อม ตามลำดับ เมื่อพบปัญหาที่ "แก้ไม่ได้" ให้ระบุช่องว่างก่อนว่าอยู่ในประเภทใด แล้วจึงตัดสินว่าจะเสริมความสามารถของระบบประเภทใด ไม่ใช่พิจารณาเปลี่ยนโมเดลเป็นอันดับแรก
- วิธีลงมือปฏิบัติของวิวัฒนาการต่อเนื่องระดับโครงการคือให้ผลลัพธ์ของแต่ละงานตกตะกอนเป็นสินทรัพย์สี่ประเภทนี้ สร้างนิสัย: หลังงานเสร็จใช้เวลาสิบนาทีเขียนส่วนที่นำกลับมาใช้ได้กลับเข้าคลังเก็บ โดยเฉพาะบันทึกกรณีล้มเหลวที่ "ทางนี้ไปไม่ได้"——พวกมันก็ยกจุดเริ่มต้นของงานถัดไปเช่นกัน

> **เป้าหมายของหน้า**
>
> เข้าใจว่าแม้โมเดลขนาดใหญ่จะมีความสามารถสูง แต่วิวัฒนาการต่อเนื่องเป็นความรับผิดชอบระดับระบบ ไม่ใช่การขยายความสามารถของโมเดลตามธรรมชาติ การแบ่งงานหลัก: โมเดลรับผิดชอบสร้างความเป็นไปได้ ระบบรับผิดชอบ施加แรงกดดันในการคัดเลือกและรักษาประวัติศาสตร์
>
> ประเด็นสำคัญในการสอน
>
> การเข้าใจความหมายสามารถแยกแยะความต้องการที่คลุมเครือเป็นคำอธิบายที่ดำเนินการได้และระบุข้อจำกัด; ความสามารถในการสร้างสามารถผลิตโค้ด การตั้งค่า แผนการ และคำอธิบายได้ภายในไม่กี่นาที และแก้ไขตัวเองภายในบทสนทนาเดียวกัน; การอนุมานหลายขั้นสามารถทำงานแบ่งงาน การอนุมานแบบลูกโซ่ และการอธิบายการแลกเปลี่ยน; การเรียกใช้เครื่องมือผ่านฟังก์ชันและอินเทอร์เฟซภายนอกเชื่อมต่อเอาต์พุตภาษากับการกระทำจริง ดังนั้นการสร้างทางเลือกจึงเกือบฟรี สิ่งที่หายากจริงๆ คือกลไกที่施加แรงกดดันในการคัดเลือกต่อทางเลือก
>
> เซสชันเดียวไม่สามารถปิดวงจรได้ สถานะภายในเซสชันสูญหายง่าย หลังบริบทหมดลงความจำข้ามงานขาด; การขาดค่าจริง โมเดลไม่สามารถกำหนด "อะไรถือว่าถูก" ได้ด้วยตัวเอง และยากที่จะให้เกณฑ์การประเมินที่เป็นอิสระจากเอาต์พุตของตัวเอง; การขาดการจัดตารางการทดลอง การทดสอบ基準แบบกลุ่ม การทดสอบนัยสำคัญทางสถิติ การตัดสินความสอดคล้องของข้อจำกัด และการดำเนินการในสภาพแวดล้อมจริงที่มีต้นทุนสูง ล้วนไม่อยู่ในขอบเขตการควบคุมของโมเดล ดังนั้นโมเดลไม่สามารถทำงาน "การสร้างทางเลือก—การตรวจสอบโดยสภาพแวดล้อม—การตกตะกอนผลลัพธ์" ให้เสร็จสิ้นอย่างอิสระภายในเซสชันเดียวหรืองานเดียว นี่ไม่ใช่ความสามารถที่ไม่เพียงพอ แต่เป็นความรับผิดชอบที่ไม่ได้อยู่กับโมเดลตั้งแต่แรก
>
> การสร้างและการกลายพันธุ์ของทางเลือก จัดระเบียบเอาต์พุตของโมเดลและขยายพื้นที่การค้นหาอย่างเชิงรุกและมีโครงสร้าง; การสร้างและการเรียกใช้สภาพแวดล้อม สร้างสภาพแวดล้อมการทดลองที่รันซ้ำได้ รับผิดชอบการจัดตาราง การดำเนินการ และการตรวจรับ; การประเมินและการคัดกรอง กำหนดค่าจริงและตัวประเมิน ทำการจัดอันดับ การคัดกรอง และการตัดสินนัยสำคัญ; การตกตะกอนและการนำกลับมาใช้ เขียนผลลัพธ์ที่สำเร็จและประสบการณ์ล้มเหลวเข้าสู่ความจำระยะยาว เป็นจุดเริ่มต้นของงานถัดไป ถ้าไม่มีโมเดล ระบบขาดความหลากหลายที่สามารถคัดกรองได้; ถ้าไม่มีระบบ โมเดลทำได้เพียงกลับไปที่ศูนย์ครั้งแล้วครั้งเล่า
>
> เกณฑ์วัดว่าระบบกำลังวิวัฒนาการจริงหรือไม่ ไม่ใช่ "เอาต์พุตครั้งเดียวดีแค่ไหน" แต่เป็น "การปรับปรุงสามารถสะสมข้ามงาน ข้ามรอบ Agent ได้หรือไม่" เอาต์พุตที่ยอดเยี่ยมแต่ไม่สามารถสืบทอดได้ยังคงเป็นการใช้ครั้งเดียว เมื่อผลลัพธ์ของแต่ละงานตกตะกอนเป็นสินทรัพย์ทางวิศวกรรมที่นำกลับมาใช้ได้——โค้ด การตั้งค่า ตัวประเมิน ชุดกรณีล้มเหลว——จุดเริ่มต้นของงานถัดไปจะสูงกว่าครั้งก่อน นี่คือวิวัฒนาการต่อเนื่องระดับโครงการ การปฏิบัติของ EvoX ให้กระบวนทัศน์การตกตะกอนทางวิศวกรรมที่มั่นคงและเชื่อถือได้: ข้าม Agent และรอบงาน ตกตะกอนประสบการณ์เป็นสินทรัพย์ ไม่ใช่เก็บไว้ในบันทึกบทสนทนา
>
> เมื่อพบ "การปรับปรุงไม่สามารถสะสมได้" ปฏิกิริยาแรกมักเป็น "เปลี่ยนโมเดลที่แข็งแกร่งกว่า" แต่สาเหตุรากมักเป็นการขาดสถาปัตยกรรม สามารถตรวจสอบตัวเอง: มอบหมายงานเดียวกันให้โมเดลที่แข็งแกร่งกว่า จะได้รับความจำข้ามงาน การตัดสินค่าจริง และการจัดตารางการทดลองโดยอัตโนมัติหรือไม่? ถ้าไม่ได้ ปัญหาไม่ได้อยู่ที่ฝั่งโมเดล การกระทำที่ถูกต้องคือเสริมระบบ ไม่ใช่เปลี่ยนโมเดล
>
> หน้านี้อภิปรายเพียง "ทำไมต้องวิวัฒนาการต่อเนื่องระดับระบบ" ไม่ขยายกลไกวิวัฒนาการสองชั้นของอัลกอริทึมเอง ส่วนหลังดูเนื้อหา MetaDE ที่เกี่ยวข้อง
>
> การสร้างความเป็นไปได้อาศัยโมเดล การสะสมการปรับปรุงอาศัยระบบ
>
> การจัดการแบบฝึกหัด
>
> โมเดลสามารถสร้างทางเลือกได้ แต่ไม่สามารถทำงาน "การสร้างทางเลือก—การตรวจสอบโดยสภาพแวดล้อม—การตกตะกอนผลลัพธ์" ให้เสร็จสิ้นอย่างอิสระภายในเซสชันเดียว ถ้านักเรียนเลือกผิดว่า "การเรียกใช้เครื่องมือสามารถจัดตารางการทดลองได้อย่างอิสระ" แนะนำให้กลับไปที่ครึ่งหลังของวงจรปิด
>
> โจทย์เลือกตอบข้อ 2 สอดคล้องกับ "การขาดค่าจริง→การประเมินและการคัดกรอง" สามารถเตือนว่าช่องว่างสามประเภทสอดคล้องกับหน้าที่ของระบบแบบหนึ่งต่อหนึ่ง: บริบทหมดลง→การตกตะกอนและการนำกลับมาใช้ การขาดค่าจริง→การประเมินและการคัดกรอง การจัดตารางการทดลอง→การสร้างและการเรียกใช้สภาพแวดล้อม
>
> สาเหตุรากของปัญหาขอบเขตคือการขาดสถาปัตยกรรม การขาดระบบทำให้ไม่สามารถ施加แรงกดดันในการคัดเลือกและรักษาประวัติศาสตร์ การเปลี่ยนโมเดลไม่เปลี่ยนโครงสร้าง
>
> การปรับปรุงสามารถสะสมข้ามงาน ข้ามรอบ Agent ทำให้จุดเริ่มต้นของงานถัดไปสูงกว่าครั้งก่อน
>
> คุณค่าโดยตรงของโจทย์เลือกตอบข้อ 5 คือทำให้ประสบการณ์สำเร็จและล้มเหลวเข้าสู่ความจำระยะยาว ยกจุดเริ่มต้นของงานถัดไป หลีกเลี่ยงการเหยียบหลุมซ้ำ; สินทรัพย์รวมถึงโค้ด การตั้งค่า ตัวประเมิน และชุดกรณีล้มเหลว
>
> โมเดลสามารถทำงานเข้าใจความต้องการและระบุข้อจำกัด สร้าง的实现หลายแบบและการอธิบายการแลกเปลี่ยน การอนุมานหลายขั้นและการตรวจสอบตัวเองในระดับโค้ดได้อย่างอิสระ; สิ่งที่ระบบต้องรับช่วงคืองานจัดระเบียบและกลายพันธุ์ทางเลือก การจัดตารางการดำเนินการและการตรวจรับสภาพแวดล้อม基準แบบกลุ่ม การประเมินการคัดกรองและการตัดสินนัยสำคัญและความสอดคล้อง การตกตะกอนและการนำกลับมาใช้ ถ้าขาดระบบ ทางเลือกไม่สามารถเปรียบเทียบได้ ข้อสรุปไม่สามารถทำซ้ำได้ ประสบการณ์ไม่สามารถสืบทอดได้ ครั้งถัดไปยังคงเริ่มจากศูนย์ การปรับปรุงจะกลับเป็นศูนย์
>
> กลไกการตกตะกอนควรรวมโค้ดและการตั้งค่าที่นำกลับมาใช้ได้ ตัวประเมินที่นำกลับมาใช้ได้ ชุดกรณีล้มเหลว เส้นทางการทดลองงาน—ผลลัพธ์; หน้าที่ของมันคือให้งานถัดไปเริ่มจากพื้นที่ทางเลือกที่มีอยู่และขอบเขตความล้มเหลวที่ทราบ ตัวประเมินสามารถเปรียบเทียบกับค่าที่ดีที่สุดในประวัติศาสตร์ ชุดความล้มเหลวลดพื้นที่การค้นหา เส้นทางการทดลองรวมมาตรวัด ทำให้การปรับปรุงสามารถสะสม ตรวจสอบ และส่งต่อได้

**ตรวจสอบความเข้าใจ**

ขอให้นักเรียนเล่า "โมเดลรับผิดชอบสร้างความเป็นไปได้ ระบบรับผิดชอบ施加แรงกดดันในการคัดเลือกและรักษาประวัติศาสตร์" ซ้ำด้วยคำพูดของตัวเอง และยกตัวอย่างความแตกต่างระหว่างเอาต์พุตครั้งเดียวกับสินทรัพย์ทางวิศวกรรมที่สืบทอดได้ หลังจากยืนยันว่านักเรียนสามารถแยกแยะช่องว่างสามประเภทกับงานระบบสี่ประเภทได้แล้ว จึงเข้าสู่เนื้อหาถัดไป

<a id="lecture-page-11"></a>

### MetaDE: ใช้อัลกอริทึมวิวัฒนาการปรับปรุงอัลกอริทึมวิวัฒนาการ

*หน้า 11*

> **เป้าหมายของหน้า: ** ผู้เรียนควรเข้าใจกลยุทธ์ขั้นสูงในการเพิ่มประสิทธิภาพการตั้งค่าวิวัฒนาการผ่านการซ้อนสองชั้นภายในและภายนอกโดยใช้กลไกวิวัฒนาการ

**ประเด็นสำคัญในการสอน**

- ชั้นในค้นหา "คำตอบของปัญหา" ชั้นนอกค้นหา "อัลกอริทึมที่หาาคำตอบได้เก่งกว่า" เมื่อพบปัญหาการเพิ่มประสิทธิภาพเมตา ถามตัวเองก่อน: 个体ที่กำลังวิวัฒนาการในปัจจุบันเป็นตัวแทนของคำตอบ หรือการตั้งค่า? คำถามนี้กำหนดวิธีการเข้ารหัสและการประเมินในภายหลัง
- การสร้างการตั้งค่า → การแก้ปัญหา → การป้อนกลับประสิทธิภาพ → การอัปเดตการตั้งค่า จำสี่ขั้นตอนนี้ก็เข้าใจโครงกระดูกการทำงานของ MetaDE; "การป้อนกลับประสิทธิภาพ" เป็นสิ่งเดียวที่เชื่อมสองชั้นเข้าด้วยกัน ถ้าขาดมัน ชั้นนอกก็ไม่มีทางเลือก
- ทุกครั้งที่ชั้นนอกประเมินการตั้งค่าหนึ่ง ชั้นในต้องรันเต็มหนึ่งครั้ง งบประมาณจะเพิ่มขึ้นเป็นทวีคูณ; พร้อมกันต้องระวังการตั้งค่าที่ใช้ได้เฉพาะกับงานปัจจุบัน เมื่อเปรียบเทียบควรทำภายใต้งบประมาณการประเมินเดียวกัน และใช้หลายงานหรือทำซ้ำหลายครั้งเพื่อทดสอบความทนทานของผลลัพธ์

> **เป้าหมายของหน้า**
>
> เข้าใจว่า MetaDE ใช้อัลกอริทึมวิวัฒนาการเองเป็นวัตถุวิวัฒนาการอย่างไร ผ่านการซ้อนสองชั้นภายในและภายนอกให้ differential evolution ปรับตัวเข้ากับงานโดยอัตโนมัติ ประโยคหลัก: ชั้นในค้นหา "คำตอบของปัญหา" ชั้นนอกค้นหา "อัลกอริทึมที่หาาคำตอบได้เก่งกว่า"

> **ลำดับการบรรยาย**
>
> อัลกอริทึมวิวัฒนาการก่อนหน้านี้วางประชากรในพื้นที่คำตอบเพื่อค้นหา ค่าความเหมาะสมวัดคำตอบที่เป็นทางเลือก MetaDE ดันขึ้นไปอีกชั้นหนึ่ง ใช้อัลกอริทึมวิวัฒนาการเองเป็นวัตถุในการเพิ่มประสิทธิภาพ เป้าหมายขยายจาก "หาคำตอบของปัญหา" เป็น "ปรับปรุงวิธีการแก้ปัญหา"
>
> ชั้นในรัน differential evolution ในพื้นที่คำตอบ เมื่อได้รับการStrategieการกลายพันธุ์และพารามิเตอร์สำคัญ เช่น ตัวคูณสเกล F อัตราการผสมข้าม CR ขนาดประชากร NP แก้ฟังก์ชัน基准หรืองานทางวิศวกรรม และผลิตผลการทำงานเป็นค่าความเหมาะสม ชั้นนอกวิวัฒนาการในพื้นที่การตั้งค่าอัลกอริทึม 个体แต่ละตัวเข้ารหัสชุดการตั้งค่าอัลกอริทึมหนึ่งชุด; ค่าความเหมาะสมของมันคำนวณเองไม่ได้ ต้องให้ชั้นในรันงานด้วยการตั้งค่านั้นแล้วส่งกลับประสิทธิภาพ จึงตัดสินได้ ชั้นนอกจึงคัดเลือก รวมตัวใหม่ และกลายพันธุ์ตามนี้
>
> การสร้างการตั้งค่า → การแก้ปัญหา → การป้อนกลับประสิทธิภาพ → การอัปเดตการตั้งค่า สี่ขั้นตอนวนซ้ำ อัลกอริทึมปรับตัวตามงาน ไม่ใช่กำหนดพารามิเตอร์ล่วงหน้าด้วยมือ "การป้อนกลับประสิทธิภาพ" เป็นสิ่งเดียวที่เชื่อมสองชั้น ถ้าไม่มีมัน ชั้นนอกก็ไม่มีทางเลือก
>
> พื้นที่การตั้งค่าไม่เท่ากับพื้นที่คำตอบ ชั้นในค้นคำตอบ ชั้นนอกค้นการตั้งค่า; ทั้งสอง耦合กัน เพราะการตั้งค่าชั้นนอกดีหรือไม่ต้องวัดจากการรันจริงของชั้นใน โครงกระดูกทั่วไปของการเพิ่มประสิทธิภาพเมตาคือ: ทำให้การค้นหาเองกลายเป็นวัตถุที่ถูกค้นหา
>
> ทุกครั้งที่ชั้นนอกประเมินการตั้งค่าหนึ่ง ชั้นในต้องรันเต็มหนึ่งครั้ง งบประมาณการคำนวณเพิ่มขึ้นเป็นทวีคูณ ดังนั้นความละเอียดของพื้นที่การตั้งค่าและงบประมาณการประเมินต้อง权衡; ยังต้องระวังการตั้งค่า overfitting กับงานปัจจุบัน และสัญญาณรบกวนแบบสุ่มของชั้นในที่ชักนำการเลือกของชั้นนอก เมื่อเปรียบเทียบควรทำภายใต้งบประมาณการประเมินเดียวกัน และใช้หลายงานหรือทำซ้ำหลายครั้งทดสอบความทนทาน

**การครอบคลุมคำสำคัญ**

- MetaDE
- สองชั้นภายในและภายนอก
- พื้นที่การตั้งค่าและพื้นที่คำตอบ
- Differential evolution
- Strategieการกลายพันธุ์
- ตัวคูณสเกล F
- อัตราการผสมข้าม CR
- ขนาดประชากร NP
- การสร้างการตั้งค่า
- การแก้ปัญหา
- การป้อนกลับประสิทธิภาพ
- การอัปเดตการตั้งค่า
- การเพิ่มประสิทธิภาพเมตา
- งบประมาณการคำนวณ
- Overfitting
- ความทนทาน

> **เบาะแสวัสดุ**
>
> - ประชากรการตั้งค่าชั้นนอกสร้างการตั้งค่าและส่งลง
> - ชั้นในรัน differential evolution ตามการตั้งค่าและประเมินผลการทำงาน
> - การป้อนกลับประสิทธิภาพกลับสู่ชั้นนอก
> - ชั้นนอกอัปเดตการตั้งค่า เมื่อดูภาพเตือนนักเรียนให้ระบุทิศทางลูกศรและวงจรปิดสี่ขั้นตอน

> **เบาะแสแบบฝึกหัด**
>
> - แบบฝึกหัดในหน้านี้เน้นการแยกแยะหน้าที่สองชั้น เนื้อหาการป้อนกลับ และลำดับวงจรปิด ข้อ 1 ควรเลือก "Strategieการกลายพันธุ์และพารามิเตอร์สำคัญของอัลกอริทึมวิวัฒนาการเอง" สามารถเตือน: สิ่งที่วิวัฒนาการไม่ใช่คำตอบแต่เป็นการตั้งค่า ข้อ 2 ควรเลือกชั้นใน ชั้นในรัน differential evolution แก้ปัญหาภายใต้การตั้งค่าที่กำหนด ข้อ 3 ควรเลือกผลการทำงาน เช่น ตัวชี้วัดประสิทธิภาพเช่นค่าความเหมาะสม
> - สิ่งที่ชั้นนอกต้องการคือหลักฐาน "การตั้งค่าชุดนี้ได้ผลแค่ไหน" ข้อ 4 ควรเลือก "ชั้นในค้นหาคำตอบในพื้นที่คำตอบ ชั้นนอกค้นหาการตั้งค่าอัลกอริทึมในพื้นที่การตั้งค่า" และเสริมว่าทั้งสอง耦合กันผ่านการตั้งค่า—ประสิทธิภาพ ข้อ 5 ควรเลือก "การสร้างการตั้งค่า → การแก้ปัญหา → การป้อนกลับประสิทธิภาพ → การอัปเดตการตั้งค่า" จำตามสายเหตุผล: ตั้งค่าก่อน แก้ปัญหา ป้อนกลับ สุดท้ายอัปเดต ถ้านักเรียนตอบผิด แนะนำให้กลับไปที่หน้าที่ของชั้นหรือลูกศรวงจรปิดเพื่อตัดสินใหม่ ตั้งค่า differential evolution อย่างปรับตัวสำหรับงานทางวิศวกรรม 个体ชั้นนอกมักเข้ารหัส: ประเภทStrategieการกลายพันธุ์ (เช่น DE/rand/1/bin, DE/best/1/bin เป็นต้น) และพารามิเตอร์สำคัญ F, CR, NP สามารถใช้การเข้ารหัสผสมของเวกเตอร์จำนวนจริงกับตัวเลือกไม่ต่อเนื่อง การประเมินชั้นนอกอาศัยข้อมูลจากชั้นใน: ใช้การตั้งค่านั้นรัน differential evolution เต็มหนึ่งครั้งบนงานเพิ่มประสิทธิภาพโครงสร้างเป้าหมาย ใช้ตัวชี้วัดเช่นความแม่นยำการบรรจบ จำนวนการประเมินฟังก์ชันที่ใช้ หรือเวลา
> - งานเดียวกัน งบประมาณการประเมินเดียวกัน ประชากรเริ่มต้นเดียวกันและชุด seed สุ่มเดียวกัน
> - กลุ่มควบคุมใช้การตั้งค่า DE แบบคลาสสิกที่มีพารามิเตอร์เชิงประสบการณ์ กลุ่มทดลองใช้การตั้งค่า MetaDE วิวัฒนาการ
> - ทั้งสองกลุ่มทำซ้ำอย่างอิสระหลายครั้ง เปรียบเทียบคุณภาพคำตอบสุดท้ายกับเส้นโค้งการบรรจบ และทำการทดสอบทางสถิติ ต้องพิจารณาต้นทุนและความเสี่ยง: ทุกครั้งที่ชั้นนอกประเมินการตั้งค่าหนึ่งต้องรันชั้นในเต็ม งบประมาณเพิ่มเป็นทวีคูณ
> - การตั้งค่าอาจ overfitting กับงานปัจจุบัน
> - สัญญาณรบกวนประสิทธิภาพของชั้นในอาจชักนำการเลือกของชั้นนอก

**ตรวจสอบความเข้าใจ**

ชั้นในกำลังค้นหาอะไร ชั้นนอกกำลังค้นหาอะไร? ลำดับสี่ขั้นตอนของวงจรปิด MetaDE คืออะไร? สามารถอธิบาย "ชั้นในค้นคำตอบ ชั้นนอกค้นการตั้งค่า การป้อนกลับประสิทธิภาพเชื่อมสองชั้น" ถือว่าเข้าใจแล้ว

> **คำแนะนำในการเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักเรียนสามารถแยกแยะพื้นที่การตั้งค่ากับพื้นที่คำตอบ และสามารถเล่าวงจรปิดสี่ขั้นตอนซ้ำได้แล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับการประยุกต์ใช้ การขยาย หรือสรุป

<a id="lecture-page-12"></a>

### การกำหนดองค์ประกอบหลักสำหรับเชื่อมต่อ EvoX

*หน้า 12*

> **เป้าหมายของหน้า: ** ผู้เรียนควรเชี่ยวชาญคำถามสำคัญและขั้นตอนที่ต้องชัดเจนเมื่อเชื่อมต่องานจริงเข้ากับ EvoX

> **เป้าหมายของหน้า**
>
> เข้าใจว่าเมื่อเชื่อมต่อ EvoX ควรจัดรูปแบบงานจริงเป็นระบบการสำรวจที่สามารถวิวัฒนาการได้ก่อน แล้วจึงอภิปรายตัวดำเนินการและการประมวลผลแบบขนาน แกนหลักคือตอบสามคำถาม: เปลี่ยนแปลงอะไร วัดอะไร เก็บอะไร

**ประเด็นสำคัญในการสอน**

- 1. กรอบสามองค์ประกอบ วัตถุที่เปลี่ยนแปลงได้ (พื้นที่การสำรวจ) ระบุวัตถุที่อนุญาตให้เปลี่ยนแปลงและช่วงการเปลี่ยนแปลงที่ถูกต้องกับข้อจำกัดแข็ง สามารถครอบคลุมพารามิเตอร์ โครงสร้าง หรือแม้แต่วัตถุระดับโปรแกรม
- ขอบเขตแคบเกินไปจะบีบความหลากหลาย กว้างเกินไปจะทำให้ห่วงโซ่การประเมินไม่สามารถดำเนินการได้ ผลลัพธ์ที่สังเกตได้ (สัญญาณการประเมิน) ต้องแยกแยะตัวชี้วัดเป้าหมาย ตัวชี้วัดข้อจำกัด และสัญญาณตัวแทนที่จำเป็น และประเมินสัญญาณรบกวน ต้นทุนการประเมินแต่ละครั้ง และความสอดคล้องของการประเมินซ้ำ
- สัญญาณตัวแทนต้องผ่านการปรับเทียบกับเป้าหมายจริงก่อนจึงจะใช้ตัดสินการรักษาได้ เกณฑ์การรักษา (กลไกการคัดเลือก) กำหนดเกณฑ์การตัดสินว่าการเปลี่ยนแปลงถูกรักษา เช่น เกณฑ์ค่าความเหมาะสม ความสัมพันธ์การครอบงำเป้าหมายหลายตัว ความพึงพอใจข้อจำกัด หรือกลไกความชอบ มันกำหนดว่าการสำรวจถูกนำทางหรือสูญเปล่า 2. วงจรปิด สามารถสำรวจ (พื้นที่การเปลี่ยนแปลง) × สามารถดำเนินการ (ห่วงโซ่การประเมิน) × สามารถตรวจสอบ (เกณฑ์การรักษา) ขาดไม่ได้ ถ้าไม่มีพื้นที่การเปลี่ยนแปลงก็ไม่มีการค้นหา ถ้าไม่มีห่วงโซ่การประเมินก็ไม่มีการป้อนกลับ ถ้าไม่มีเกณฑ์การรักษาก็ไม่มีการสะสม
- ถ้าขาดส่วนใดส่วนหนึ่ง วิวัฒนาการจะเสื่อมเป็นวงจรที่หมุนเปล่า 3. ความเข้าใจผิดทั่วไปและความหมายทางวิศวกรรม อย่าเลือกตัวดำเนินการก่อน กำหนดระดับการประมวลผลแบบขนานก่อน แล้วจึงกลับมาเติมการกำหนดองค์ประกอบ
- ลำดับที่กลับกันจะทำให้การเริ่มต้นประชากร การออกแบบตัวดำเนินการ และการประเมินเป้าหมายหลายตัวขาดเกณฑ์การบรรจบ การกำหนดองค์ประกอบยิ่งชัดเจน ยิ่งสามารถแมปไปยังกราฟการคำนวณแบบเทนเซอร์ การจัดตาราง Runtime และการจัดการกำลังการประมวลผลแบบต่างประเภท: วัตถุที่เปลี่ยนแปลงได้สอดคล้องกับมิติเทนเซอร์และช่วงค่า ผลลัพธ์ที่สังเกตได้สอดคล้องกับห่วงโซ่การประเมินแบบกลุ่ม เกณฑ์การรักษาสอดคล้องกับตรรกะการจัดตารางการคัดกรองและการสืบทอดในแต่ละรุ่น 4. ประโยคสั้นและการวินิจฉัย เมื่อเชื่อมต่องานใหม่ให้ตอบตามลำดับ "เปลี่ยนแปลงอะไร → วัดอะไร → เก็บอะไร" ถ้าแผนการทางเลือกมักไม่สามารถประเมินได้ ห่วงโซ่การประเมินรายงานข้อผิดพลาดบ่อย ส่วนใหญ่ขอบเขตกว้างเกินไป
- ถ้าประชากรกลายเป็นเอกพันธ์อย่างรวดเร็ว หลังไม่กี่รุ่นแทบไม่เปลี่ยนแปลง ส่วนใหญ่ขอบเขตแคบเกินไป สำหรับผลการสังเกตแต่ละรายการให้ระบุระดับสัญญาณรบกวน ต้นทุนการประเมินแต่ละครั้ง ความสอดคล้องของการประเมินซ้ำ

**การจัดการแบบฝึกหัด**

หน้านี้มีโจทย์เลือกตอบ 5 ข้อ ข้อ 1 ตัวเลือกที่ถูกต้องคือ "กำหนดวัตถุที่เปลี่ยนแปลงได้ ผลลัพธ์ที่สังเกตได้ และเกณฑ์การรักษาสามองค์ประกอบนี้ก่อน"; ข้อ 2 ตัวเลือกที่ถูกต้องคือ "ห่วงโซ่การประเมินไม่สามารถดำเนินการได้ การค้นหาสูญเสียความสามารถในการตรวจสอบ"; ข้อ 3 ตัวเลือกที่ถูกต้องคือ "แยกแยะตัวชี้วัดเป้าหมาย ตัวชี้วัดข้อจำกัด และสัญญาณตัวแทนที่จำเป็น และประเมินสัญญาณรบกวน ต้นทุน และความสามารถในการทำซ้ำ"; ข้อ 4 ตัวเลือกที่ถูกต้องคือ "ตัดสินว่าการเปลี่ยนแปลงของทางเลือกเข้าสู่รุ่นถัดไปหรือไม่ กล่าวคือ การสำรวจถูกนำทางหรือสูญเปล่า"; ข้อ 5 ตัวเลือกที่ถูกต้องคือ "ตัดสินว่ามันสามารถแมปไปยังกราฟการคำนวณแบบเทนเซอร์ การจัดตาราง Runtime และการจัดการกำลังการประมวลผลแบบต่างประเภทได้อย่างมีประสิทธิภาพหรือไม่" เมื่อให้ข้อเสนอแนะเน้น: ตัวดำเนินการและการประมวลผลแบบขนานเป็นรายละเอียดการดำเนินการ ไม่ใช่จุดเริ่มต้น;
อาการทั่วไปของขอบเขตแคบเกินไปคือความหลากหลายลดลงและการบรรจบเร็วเกินไป อาการทั่วไปของขอบเขตกว้างเกินไปคือห่วงโซ่การประเมินถูกทำให้ล่ม

การนำส่งแบบไม่มีคนขับในนิคมอุตสาหกรรมเชื่อมต่อ EvoX วัตถุที่เปลี่ยนแปลงได้สามารถรวมลำดับและเวลาการเยี่ยมจุดรับ-ส่ง การจัดสรรยานพาหนะในเส้นทาง พารามิเตอร์เส้นโค้งความเร็ว เมื่อจำเป็นรวมโครงสร้างกฎการจัดตาราง; ข้อจำกัดแข็งอย่างน้อยรวมขีดจำกัดน้ำหนักบรรทุกและขีดจำกัดความเร็วในนิคม (รวมเขตห้ามเข้า ช่วงเวลาที่อนุญาต) ผลลัพธ์ที่สังเกตได้สามารถแบ่งชั้นเป็นตัวชี้วัดเป้าหมายเช่นต้นทุนการนำส่งรวม เวลาในการส่งถึงเฉลี่ยหรืออัตราการเกินเวลา ตัวชี้วัดข้อจำกัดเช่นปริมาณการละเมิดน้ำหนัก จำนวนการละเมิดความเร็วและเขตห้ามเข้า อัตราความพึงพอใจช่วงเวลา และสัญญาณตัวแทนเช่นระดับการจราจรติดขัดหรือจำนวนความขัดแย้งของเส้นทาง เกณฑ์การรักษาแนะนำให้ใช้การรวม "ความพึงพอใจข้อจำกัดก่อน + ความสัมพันธ์การครอบงำเป้าหมายหลายตัว" กรองคำตอบที่เป็นไปได้ก่อน แล้วรักษาคำตอบที่ไม่อยู่ใต้การครอบงำในด้านต้นทุนและเวลา

ถ้าขาดขั้นตอนการตรวจสอบ การสำรวจสูญเสียการป้อนกลับที่มีประสิทธิผล ประชากรไม่สามารถสะสมโครงสร้างที่ได้เปรียบ วิวัฒนาการเสื่อมเป็นารหมุนเปล่าต่อเนื่อง

**ตรวจสอบความเข้าใจ**

ขอให้นักเรียนเล่าสามองค์ประกอบและความสัมพันธ์วงจรปิดซ้ำด้วยคำพูดของตัวเอง และตัดสินอาการของขอบเขตแคบเกินไปหรือกว้างเกินไปในตัวอย่างหนึ่ง

> **คำแนะนำในการเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักเรียนสามารถอธิบายว่า "วัตถุที่เปลี่ยนแปลงได้—ผลลัพธ์ที่สังเกตได้—เกณฑ์การรักษา" สร้างวงจรปิดอย่างไรได้แล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับตัวอย่าง การประยุกต์ใช้ หรือสรุป

<a id="lecture-page-13"></a>

### ขั้นตอนการทำงานที่สมบูรณ์ของ EvoX Runtime

*หน้า 13*

> **เป้าหมายของหน้า: ** ผู้เรียนควรเข้าใจวงจรปิดการประสานงานของโมเดล เครื่องมือ สภาพแวดล้อม และกลไกวิวัฒนาการใน EvoX Runtime

> **เป้าหมายของหน้า**
>
> เข้าใจว่า EvoX Runtime ไม่ใช่การเรียกอนุมานครั้งเดียว แต่เป็นการจัดระเบียบโมเดล เครื่องมือ สภาพแวดล้อม และกลไกวิวัฒนาการเป็นระบบดำเนินการวงจรปิด ทำให้ทางเลือกผ่านการดำเนินการ การป้อนกลับ การคัดเลือก การตรวจรับ และการสืบทอดแล้ววิวัฒนาการต่อเนื่อง

> **ลำดับการบรรยาย**
>
> ให้สายโซ่รวมของวงจรปิดก่อน จากนั้นอธิบายหกขั้นตอนทีละขั้น; ต่อมาเน้นกลไกสองอย่างที่容易被低估——การทำให้คงทนในระดับโครงการของบริบทข้าม Agent และการตรวจรับอย่างเข้มงวดกับการสืบทอดประวัติศาสตร์; สุดท้ายใช้แบบฝึกหัดและกรณีศึกษาตรวจสอบว่านักเรียนเข้าใจลำดับขั้นตอนและขอบเขตหน้าที่จริงหรือไม่

**ประเด็นสำคัญในการสอน**

- ข้อเสนอทางเลือก → การจัดตาราง Runtime และการดำเนินการเครื่องมือ → การป้อนกลับจากสภาพแวดล้อม → การคัดเลือกเชิงวิวัฒนาการ → การตรวจรับและการทำให้คงทน → การสืบทอดประวัติศาสตร์ แล้วกลับสู่โมเดล/Agent ลำดับนี้มีความสัมพันธ์เชิงพึ่งพา: ไม่มีการดำเนินการก็ไม่มีการป้อนกลับจากสภาพแวดล้อม ไม่มีการป้อนกลับก็ไม่สามารถคัดเลือกได้อย่างมีประสิทธิผล การตรวจรับและการทำให้คงทนต้องเกิดหลังการคัดเลือกเสมอ หกขั้นตอนของวงจรปิด: จากการกำหนดปัญหา สถานะประวัติศาสตร์ และข้อจำกัด สร้างทางเลือกระดับพารามิเตอร์ ระดับตัวดำเนินการ ระดับกลยุทธ์乃至ระดับโปรแกรม กำหนดว่าพื้นที่การค้นหาเข้าจากประตูใด Runtime เรียกตัวประเมิน การจำลองหรือโมเดลตัวแทน คลังตัวดำเนินการ และเวิร์กโฟลว์ แปลงทางเลือกเป็นการคำนวณจริงและการเปลี่ยนแปลงสภาพแวดล้อมที่สังเกตได้ สภาพแวดล้อมงานให้ตัวชี้วัด การละเมิดข้อจำกัด รูปแบบความล้มเหลว และเส้นทางการดำเนินการ สัญญาณเหล่านี้ใช้ทั้งให้คะแนนและนำทางการเสนอในรอบถัดไป ผ่านการอัปเดตประชากร การกลายพันธุ์/ผสมข้าม การเลือก Pareto หรือตามความชอบ รักษาทางเลือกที่มีคุณค่าสูง ดัดแปลงหรือคัดออกทางเลือกที่มีคุณค่าต่ำ รับผิดชอบการจัดเรียงโมดูล การจัดการสถานะ การจัดตาราง การจัดสรรกำลังการประมวลผลแบบต่างประเภท และการดำเนินการที่ทำซ้ำได้ ทำให้อัลกอริทึมและปัญหาถูกแยกออกจากกัน รวมได้ตามต้องการ บริบทข้าม Agent บันทึกสถานะระดับโครงการ การตรวจรับอย่างเข้มงวดกำหนดว่าผลลัพธ์ใดตกตะกอนเป็นเส้นฐานที่เชื่อถือได้ สองกลไกที่容易被低估: บริบทของเซสชันเดียวจะหายไปเมื่อบทสนทนาจบ แต่วิวัฒนาการต้องการการสะสมข้ามเซสชัน EvoX เขียนทางเลือก บันทึกการประเมิน และข้อสรุปเข้าสู่ที่จัดเก็บระดับโครงการ เซสชัน Agent ใหม่สามารถโหลดประวัติได้โดยตรง ไม่ต้องทำงานที่เสร็จแล้วซ้ำ ไม่ใช่ผลลัพธ์ทั้งหมดที่ควรค่าเข้าสู่เส้นฐาน ประตูการตรวจรับตรวจสอบตัวชี้วัด ข้อจำกัด และความสามารถในการทำซ้ำ เฉพาะเวอร์ชันที่ผ่านจึงถูกเขียนเข้าสู่ประวัติและถูกสืบทอดโดยรอบถัดไป ทำให้การสืบทอดเป็นตัวเร่งที่เชื่อถือได้ ไม่ใช่ตัวขยายข้อผิดพลาด รอบการสำรวจถัดไปไม่ต้องเริ่มจากศูนย์ แต่วิวัฒนาการต่อบนผลลัพธ์ที่ผ่านการตรวจสอบ โมเดลรับผิดชอบเสนอความเป็นไปได้ ระบบรับผิดชอบตรวจสอบ คัดเลือก และสะสม นี่คือฐานการดำเนินการต่อเนื่องของการวิจัยทางวิทยาศาสตร์ AI Native คำเตือนสำคัญ: แยกแยะ "การสร้างครั้งเดียว" กับ "การวิวัฒนาการหนึ่งรอบ"——อย่างแรกเพียงสร้างทางเลือก อย่างหลังยังรวมการดำเนินการ การป้อนกลับ การคัดเลือก การตรวจรับ และการสืบทอด
- ถ้าขาดส่วนใดส่วนหนึ่ง ระบบไม่สามารถยกระดับได้อย่างต่อเนื่อง

**การจัดการแบบฝึกหัด**

ข้อ 1 ตรวจสอบลำดับหกขั้นตอน ตัวเลือกที่ถูกต้องคือ "ข้อเสนอทางเลือก → การจัดตาราง Runtime และการดำเนินการเครื่องมือ → การป้อนกลับจากสภาพแวดล้อม → การคัดเลือกเชิงวิวัฒนาการ → การตรวจรับและการทำให้คงทน → การสืบทอดประวัติศาสตร์ แล้วกลับสู่โมเดล/Agent"; ตัวเลือกที่ผิดมักสลับลำดับ หรือให้การคัดเลือกเกิดก่อนการป้อนกลับ ข้อ 2 ตรวจสอบหน้าที่ของ Runtime: Runtime รับผิดชอบการจัดเรียงโมดูล การจัดการสถานะ การจัดตาราง การจัดสรรกำลังการประมวลผลแบบต่างประเภท และการดำเนินการที่ทำซ้ำได้ ไม่แทนที่ตัวประเมิน ไม่รับผิดชอบเสนอทางเลือก และไม่เลือกแทนกลไกวิวัฒนาการ ข้อ 3 ตรวจสอบการจัดการการละเมิดข้อจำกัด: การละเมิดควรถูกส่งเป็นสัญญาณการป้อนกลับให้การวิวัฒนาการและการตรวจรับ อาจถูกคัดออก หรืออาจซ่อมแซมแล้วเข้าสู่รอบถัดไป;
มันบันทึกทางเลือก บันทึกการประเมิน และข้อสรุปเป็นสถานะระดับโครงการ ทำให้เซสชันใหม่สามารถโหลดเส้นฐานประวัติศาสตร์ได้; มันไม่ใช่เพียงบันทึกบริบทบทสนทนา ไม่เท่ากับบันทึกค่าน้ำหนักโมเดล และไม่ใช่การที่โมเดลดูแลเองในบทสนทนา ข้อ 5 ตรวจสอบความสัมพันธ์ระหว่างการตรวจรับและการสืบทอด: เฉพาะผลลัพธ์ที่ผ่านการตรวจสอบตัวชี้วัด ข้อจำกัด และความสามารถในการทำซ้ำเท่านั้นที่เหมาะเป็นเส้นฐานที่เชื่อถือได้ให้รอบถัดไปสืบทอด; ถ้าขาดการตรวจรับ การสืบทอดจะทำให้ข้อสรุปที่บังเอิญและทำซ้ำไม่ได้ถูก固化 กลายเป็นตัวขยายข้อผิดพลาด

ในสถานการณ์ Agent สร้างทางเลือก 40 กลุ่ม Runtime จัดตารางตัวประเมินการจำลองและโมเดลตัวแทนแบบกลุ่ม ส่งคืนตัวชี้วัดเป้าหมายหลายตัวและการละเมิดข้อจำกัด กลไกวิวัฒนาการรักษา 8 กลุ่มตาม Pareto ประตูการตรวจรับตรวจสอบความสามารถในการทำซ้ำของ 1 กลุ่มแล้วเขียนเข้าสู่ประวัติโครงการ เซสชันถัดไปโหลดประวัตินั้นและกลายพันธุ์เพิ่มประสิทธิภาพต่อ สามารถแนะนำให้นักเรียนระบุ: การป้อนกลับจากสภาพแวดล้อมรวมตัวชี้วัดเป้าหมายหลายตัว บันทึกการละเมิดข้อจำกัด เส้นทางการประเมิน และข้อมูลความสามารถในการทำซ้ำ; พวกมันส่งผลต่อการคัดเลือกเชิงวิวัฒนาการ การตัดสินการตรวจรับ และข้อเสนอรอบถัดไป ตามลำดับ

ถ้ายกเลิกการตรวจรับและเขียนทั้ง 8 กลุ่มเข้าสู่ประวัติ ความเสี่ยงคือเส้นฐานถูกปนเปื้อน ข้อผิดพลาดสะสมและขยายตามเวลา การกลายพันธุ์ในภายหลังดำเนินรอบจุดเริ่มต้นที่ผิด ต้นทุนการค้นหาเพิ่มขึ้นแต่ผลตอบแทนลดลง ประวัติถูกเจือจางด้วยรายการที่เชื่อถือได้ต่ำ ยากต่อการตัดสินข้อสรุปที่ใช้ได้จริง

**ตรวจสอบความเข้าใจ**

ขอให้นักเรียนเล่าลำดับหกขั้นตอนซ้ำด้วยคำพูดของตัวเอง และอธิบายขอบเขตหน้าที่ของ "โมเดลเสนอทางเลือก Runtime จัดระเบียบการดำเนินการ กลไกวิวัฒนาการคัดเลือก ประตูการตรวจรับตรวจสอบ ระบบการทำให้คงทนสืบทอด" ถ้านักเรียนอธิบาย Runtime ว่าเป็นผู้ตัดสินใจหรือผู้เสนอทางเลือก ต้องกลับไปที่แผนภาพเพื่อชี้แจง

> **คำแนะนำในการเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักเรียนสามารถแยกแยะการสร้างครั้งเดียวกับการวิวัฒนาการหนึ่งรอบ และสามารถอธิบายว่าการตรวจรับเป็นประตูของการสืบทอดได้แล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับตัวอย่าง การประยุกต์ใช้ หรือสรุป

**พื้นฐานเอกสาร**

การทำให้คงทนในระดับโครงการของบริบทข้าม Agent; กลไกการตรวจรับอย่างเข้มงวดและการสืบทอดประวัติศาสตร์

<a id="lecture-page-14"></a>

### การวิเคราะห์ปฏิบัติการในชั้นเรียน: เส้นทางวิวัฒนาการหลายสายกับเส้นทางเดียวที่กำหนดไว้ล่วงหน้า

*หน้า 14*

> **เป้าหมายของหน้า: ** ผู้เรียนควรวิเคราะห์ข้อได้เปรียบของเส้นทางวิวัฒนาการหลายสายเมื่อเผชิญกับการรบกวนที่ไม่ทราบผ่านตัวอย่างทางวิศวกรรม

> **เป้าหมายของหน้า**
>
> ผ่านตัวอย่างการเพิ่มประสิทธิภาพทางวิศวกรรมที่มีการรบกวนที่ไม่ทราบ เปรียบเทียบประสิทธิภาพของเส้นทางเดียวที่กำหนดไว้ล่วงหน้ากับเส้นทางวิวัฒนาการหลายสาย จุดสำคัญไม่ใช่การพิสูจน์ว่าวิวัฒนาการดีกว่าเสมอ แต่คือการเข้าใจว่าเส้นทางหลายสายรวมความไม่แน่นอน ความหลากหลาย และการป้อนกลับออนไลน์เข้าสู่กระบวนการค้นหาอย่างไร เพื่อยกระดับความทนทานและความสามารถในการปรับตัว

> **ลำดับการบรรยาย**
>
> เลือกปัญหาการเพิ่มประสิทธิภาพทางวิศวกรรมที่สามารถฉีดการรบกวนที่ไม่ทราบ เช่น การเพิ่มประสิทธิภาพพารามิเตอร์แบบพลวัตหรืองานค้นหาที่มีข้อจำกัดพร้อมสัญญาณรบกวน; กำหนดฟังก์ชันเป้าหมาย งบประมาณการประเมิน และลำดับการรบกวนให้คงที่ เพื่อให้การทดลองสองกลุ่มเปรียบเทียบได้
>
> กำหนดอัลกอริทึม ไฮเปอร์พารามิเตอร์ และทิศทางการค้นหาให้คงที่ แก้ปัญหาตามสมมติฐานนอกระบบในครั้งเดียว ก่อนการรบกวนอาจมีประสิทธิภาพดี แต่ขาดการปรับออนไลน์ หลังการรบกวนง่ายต่อการติดอยู่ในค่าที่ดีที่สุดในท้องถิ่นหรือประสิทธิภาพลดลงอย่างรวดเร็ว
>
> ใช้ประชากร หลายกลยุทธ์ หรือทางเลือกหลายทางค้นหาแบบขนาน ผ่านการกลายพันธุ์ การผสมข้าม การคัดเลือก และการป้อนกลับจากสภาพแวดล้อมปรับอย่างต่อเนื่อง เส้นทางหลายสายไม่ใช่การรันซ้ำอย่างง่าย แต่ใช้ข้อมูลออนไลน์สร้างความซ้ำซ้อนในการสำรวจ
>
> แกนนอนคือความเข้มข้นของการรบกวนหรือรอบการประเมิน แกนตั้งคืออัตราการรักษาประสิทธิภาพ หลังจุดฉีดการรบกวน เส้นทางเดียวที่กำหนดไว้ล่วงหน้าลดลงอย่างชัดเจนและซบเซาต่อเนื่อง; เส้นทางวิวัฒนาการหลายสายมีหน้าต่างการฟื้นตัว และรักษาช่วงความหลากหลายของทางเลือกไว้ ภาพสามารถเปรียบเทียบขนาดของประสิทธิภาพที่ลดลง หน้าต่างการฟื้นตัว และความหลากหลายของทางเลือกได้โดยตรง
>
> การรบกวนสามารถรวมการเลื่อนของเป้าหมาย การเปลี่ยนแปลงข้อจำกัด การเพิ่มสัญญาณรบกวน การสลับสถานะสภาพแวดล้อม หรือตัวแปรที่ไม่ได้สร้างแบบจำลอง โดยเฉพาะสังเกตการรบกวนที่ไม่เคยเห็นในระยะที่กำหนดไว้ล่วงหน้า ตัวชี้วัดเปรียบเทียบรวมค่าที่ดีที่สุดก่อนการรบกวน ขนาดประสิทธิภาพที่ลดลงหลังการรบกวน ความเร็วในการฟื้นตัว อัตราความสำเร็จ ความหลากหลายของทางเลือก และต้นทุนการคำนวณและการประเมินในการบรรลุประสิทธิภาพเท่ากัน
>
> ความเปราะบางของเส้นทางเดียวมาจากการตรึงสมมติฐานและความหลากหลายที่ไม่เพียงพอ; ข้อได้เปรียบของหลายเส้นทางมาจากการสำรวจต่อเนื่อง การป้อนกลับค่าความเหมาะสม และแรงกดดันในการคัดเลือก แต่ต้อง权衡ต้นทุนการคำนวณ ความเสถียรของการบรรจบ และความสามารถในการอธิบายทางวิศวกรรม ข้อสรุปควรอยู่บนงบประมาณที่ยุติธรรม การทดลองที่ทำซ้ำได้ และขอบเขตการรบกวนที่ชัดเจน หลีกเลี่ยงการตีความหลายเส้นทางผิดว่าดีกว่าเส้นทางเดียวแบบไม่มีเงื่อนไข

**ประเด็นสำคัญในการสอน**

- การทดลองสองกลุ่มต้องใช้ฟังก์ชันเป้าหมาย งบประมาณการประเมิน และลำดับการรบกวนเดียวกัน และทำซ้ำหลายครั้งหาค่าเฉลี่ย มิฉะนั้นข้อสรุปอาจถูกชักนำโดยเงื่อนไขเริ่มต้นหรือความผันผวนแบบสุ่ม อย่าทดสอบเพียงใน distriubtion การฝึก ควรฉีดการรบกวนที่ไม่เคยเห็นในระยะที่กำหนดไว้ล่วงหน้า เช่น การเลื่อนของเป้าหมาย การเปลี่ยนแปลงข้อจำกัด การเพิ่มสัญญาณรบกวน หรือการสลับสภาพแวดล้อม เพื่อตรวจสอบความทนทานที่แท้จริง ความซ้ำซ้อนในการสำรวจนำมาซึ่งความสามารถในการปรับตัว แต่ก็เพิ่มต้นทุนการคำนวณและการประเมิน อาจส่งผลต่อความเสถียรของการบรรจบและความสามารถในการอธิบาย ต้อง权衡ภายใต้ข้อจำกัดทางวิศวกรรมเฉพาะ กุญแจในการตัดสินว่าเส้นทางเดียวล้มเหลว ไม่ใช่ความเข้มข้นของการรบกวนหรือทรัพยากรการคำนวณเอง แต่คือการตรึงสมมติฐานนอกระบบ การขาดการปรับออนไลน์ และความหลากหลายที่ไม่เพียงพอ

**การจัดการแบบฝึกหัด**

สิ่งที่ต้องรักษาให้สอดคล้องกันมากที่สุดระหว่างสองกลุ่มคือ "งบประมาณการประเมินและลำดับการรบกวน" ประเภทอัลกอริทึม ขนาดประชากร ตัวดำเนินการกลายพันธุ์เป็นความแตกต่างของกลยุทธ์ที่ถูกเปรียบเทียบ ไม่ใช่เงื่อนไขการทดลองที่ควรตรึงไว้ การป้อนกลับเมื่อตอบถูก: สามารถเชื่อมโยงกับหลักการเปรียบเทียบที่ยุติธรรมในหน้านี้และอธิบายเกณฑ์; เมื่อตอบผิดแนะนำ: กลับไปที่การบรรยายในหน้านี้ หาความแตกต่างระหว่างตัวแปรควบคุมกับปัจจัยเปรียบเทียบ

เส้นทางเดียวที่กำหนดไว้ล่วงหน้าลดลงอย่างรวดเร็วหลังการรบกวน สาเหตุที่เป็นไปได้มากที่สุดคือ "การตรึงสมมติฐานนอกระบบ ขาดการปรับออนไลน์และความหลากหลาย" การป้อนกลับเมื่อตอบถูก: สามารถจับแกนหลักของการขาดกลไกการปรับตัว; เมื่อตอบผิดแนะนำ: อย่า attributing สาเหตุให้ทรัพยากรการคำนวณภายนอกหรือความเข้มข้นของการรบกวน

"หลายเส้นทาง" ในเส้นทางวิวัฒนาการหลายสายโดยพื้นฐานหมายถึง "การใช้ประชากร หลายกลยุทธ์ หรือทางเลือกหลายทางแบบขนาน และใช้การป้อนกลับออนไลน์สร้างความซ้ำซ้อนในการสำรวจ" ไม่ใช่การรันซ้ำอย่างง่าย ไม่ใช่เพียงเพิ่มทรัพยากรหรือการปรับพารามิเตอร์ที่ซับซ้อน

ตัวชี้วัดที่สะท้อนความสามารถในการฟื้นตัวหลังการรบกวนได้ดีที่สุดคือ "ความเร็วในการฟื้นตัวและอัตราความสำเร็จ" ค่าที่ดีที่สุดก่อนการรบกวนและความหลากหลายเป็นตัวชี้วัดเสริม ขนาดการลดลงแสดงความเปราะบางมากกว่า

ข้อความที่รัดกุมที่สุดคือ "ภายใต้งบประมาณที่ยุติธรรม การทดลองที่ทำซ้ำได้ และขอบเขตการรบกวนที่ชัดเจน หลายเส้นทางมักแสดงความทนทานที่แข็งแกร่งกว่า แต่ต้อง权衡ต้นทุนเพิ่มเติม" ต้องหลีกเลี่ยงการพูดแบบสัมบูรณ์ และไม่สามารถรับประกันค่าที่ดีที่สุดทั่วโลกได้ เส้นทางเดียวยังมีคุณค่าในสภาพแวดล้อมที่เสถียร

เมื่อออกแบบการทดลองที่ยุติธรรมและทำซ้ำได้ ควรตรึงฟังก์ชันเป้าหมาย งบประมาณการประเมิน และลำดับการรบกวน; สองกลุ่มใช้เงื่อนไขเริ่มต้นและ seed สุ่มเดียวกัน; ทำซ้ำหลายครั้งหาค่าเฉลี่ย; บันทึกค่าที่ดีที่สุดก่อนการรบกวน ขนาดประสิทธิภาพที่ลดลงหลังการรบกวน ความเร็วในการฟื้นตัว อัตราความสำเร็จ ความหลากหลายของทางเลือก และต้นทุนการคำนวณ; ระบุขอบเขตการรบกวนและเวลาที่ฉีดให้ชัดเจน

เส้นทางเดียวพึ่งพาสมมติฐานนอกระบบและความหลากหลายไม่เพียงพอ หลังการรบกวนไม่สามารถปรับออนไลน์ได้ ง่ายต่อการติดอยู่ในค่าที่ดีที่สุดในท้องถิ่น; หลายเส้นทางผ่านการค้นหาแบบขนานของประชากรหรือหลายกลยุทธ์ ใช้การกลายพันธุ์ การผสมข้าม การคัดเลือก และการป้อนกลับจากสภาพแวดล้อมปรับอย่างต่อเนื่อง สร้างความซ้ำซ้อนในการสำรวจ จึงสามารถฟื้นตัวได้ ต้นทุนเพิ่มเติมหลักคือค่าใช้จ่ายในการคำนวณและการประเมิน; ถ้างานต้องการความทนทานและความสามารถในการปรับตัวสูง และผลตอบแทนจากการฟื้นตัวเกินต้นทุน ก็คุ้มค่าที่จะใช้; มิฉะนั้นต้อง权衡ระหว่างความเสถียรของการบรรจบ ความสามารถในการอธิบาย และข้อจำกัดทางวิศวกรรม

**ตรวจสอบความเข้าใจ**

สุ่มเรียกนักเรียนหนึ่งคนสรุปประเด็นสำคัญของหน้านี้ด้วยคำพูดของตัวเอง ผู้สอนเติมคำสำคัญที่ขาดหายตามคำตอบ

ทำไมการเปรียบเทียบที่ยุติธรรมต้องตรึงงบประมาณการประเมินและลำดับการรบกวน? ถ้าเปลี่ยนเพียงประเภทอัลกอริทึม สามารถอธิบายว่าหลายเส้นทางดีกว่าได้หรือไม่?

ข้อได้เปรียบของหลายเส้นทางเกิดขึ้นภายใต้เงื่อนไขใด? ต้องจ่ายค่าตอบแทนเพิ่มเติมอะไรบ้าง?

> **คำแนะนำในการเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักเรียนสามารถอธิบายความสัมพันธ์สามชั้น "การเปรียบเทียบที่ยุติธรรมเป็นเงื่อนไขของข้อสรุป" "การรบกวนต้องครอบคลุมการเปลี่ยนแปลงที่ไม่เคยเห็น" "หลายเส้นทางไม่ดีกว่าแบบไม่มีเงื่อนไข" ได้แล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับตัวอย่าง การประยุกต์ใช้ หรือสรุป

**การครอบคลุมคำสำคัญ**

- เส้นทางเดียวที่กำหนดไว้ล่วงหน้า เส้นทางวิวัฒนาการหลายสาย การรบกวนที่ไม่ทราบ การป้อนกลับออนไลน์ ความซ้ำซ้อนในการสำรวจ ความทนทาน ความสามารถในการปรับตัว การเปรียบเทียบที่ยุติธรรม งบประมาณการประเมิน ลำดับการรบกวน อัตราการรักษาประสิทธิภาพ หน้าต่างการฟื้นตัว ความหลากหลายของทางเลือก ต้นทุนการคำนวณ ความเสถียรของการบรรจบ ความสามารถในการอธิบาย

> **เบาะแสวัสดุ**
>
> - กราฟเส้นเปรียบเทียบประสิทธิภาพแสดงจุดฉีดการรบกวน ประสิทธิภาพเส้นทางเดียวที่ลดลงอย่างรวดเร็วและซบเซาต่อเนื่อง หน้าต่างการฟื้นตัวของหลายเส้นทาง และช่วงความหลากหลายของทางเลือก สามารถใช้เป็นหลักฐานภาพหลักสำหรับการวิเคราะห์ในชั้นเรียน

<a id="lecture-page-15"></a>

### ทบทวนแกนความคิดของหลักสูตรและต้นกำเนิดวิวัฒนาการ

*หน้า 15*

> **เป้าหมายของหน้า: ** ผู้เรียนควรทบทวนอย่างเป็นระบบถึงแรงบันดาลใจทางชีววิทยาและตรรกะแกนหลักของต้นกำเนิดทางประวัติศาสตร์ของการคำนวณเชิงวิวัฒนาการ

> **เป้าหมายของหน้า**
>
> ความฉลาดไม่ใช่ผลิตภัณฑ์เดียวที่กำหนดไว้ล่วงหน้าครั้งเดียว แต่เป็นกระบวนการที่วิวัฒนาการอย่างต่อเนื่องในการป้อนกลับจากสภาพแวดล้อม ผู้เรียนควรสามารถอธิบายตามต้นกำเนิดทางประวัติศาสตร์ว่าสัญลักษณ์นิยม คอนเนคชันนิซึม ไซเบอร์เนติกส์ และการคำนวณเชิงวิวัฒนาการเปลี่ยนจาการแข่งขันเป็นารเสริมกันอย่างไร และเข้าใจว่าทำไมการคำนวณเชิงวิวัฒนาการจึงใช้ประชากร การกลายพันธุ์ การคัดเลือก และค่าความเหมาะสมเป็นโครงกระดูก แทนที่จะสัญญาว่าจะเขียนคำตอบที่ถูกต้องเพียงหนึ่งเดียวล่วงหน้า

**ประเด็นสำคัญในการสอน**

- เน้นว่าโมเดลสร้างความเป็นไปได้ สภาพแวดล้อมให้การป้อนกลับ ระบบรับผิดชอบการประเมิน การคัดเลือก และการสืบทอด ทั้งสามเชื่อมเป็นวงจร สร้างวงจรวิวัฒนาการ "สร้างทางเลือก→ประเมิน→คัดเลือก→สืบทอด→วนซ้ำ" สามารถเชื่อมกับแนวคิด "เด็กเครื่องจักร" ของทัวริงปี 1950: ความสามารถไม่ใช่เขียนตายตัวครั้งเดียว แต่ได้รับทีละน้อยผ่านการศึกษา การทดลอง และการให้รางวัล/ลงโทษ สัญลักษณ์นิยม——การแสดงที่ชัดแจ้งและการอนุมานเชิงรูปแบบ เหมาะกับปัญหาที่กฎชัดเจน ขอบเขตปิด
- คอนเนคชันนิซึม——การแทนค่าแบบกระจายและการเรียนรู้ เก่งในการรับรู้และการวางนัยทั่วไป
- ไซเบอร์เนติกส์——การปรับเป้าหมายในวงจรป้อนกลับ ตอบว่าระบบรักษาทิศทางในความปั่นป่วนได้อย่างไร
- การคำนวณเชิงวิวัฒนาการ——การปรับตัวของกลุ่มที่มุ่งสู่พื้นที่การค้นหาแบบเปิด ใช้ประชากรรักษาความหลากหลายและแรงกดดันในการค้นหา เตือนนักเรียนใช้สี่คำถามตรวจสอบตัวเอง: ข้อจำกัดโครงสร้างอยู่ที่ไหน? การรับรู้และการสร้างมาจากไหน? การปรับวงจรปิดอาศัยอะไร? การสำรวจและความหลากหลายใครรับผิดชอบ? ชั้นสัญลักษณ์ให้ข้อจำกัดโครงสร้างที่อธิบายได้และเงื่อนไขการตรวจสอบ ชั้นเชื่อมโยงให้ความสามารถในการรับรู้และการสร้าง ชั้นควบคุมรับประกันการป้อนกลับและการปรับเป้าหมาย ชั้นวิวัฒนาการรับผิดชอบการค้นหาและรักษาแผนการที่หลากหลายในสภาพแวดล้อมที่ไม่แน่นอน ระบบอัจฉริยะที่ซับซ้อนต้องการเชื่อมความสามารถเป็นวงจร ไม่ใช่หวังพึ่งเอาต์พุตครั้งเดียว กลไกเลียนแบบชีวภาพเช่นการกลายพันธุ์ การคัดเลือก การถ่ายทอดทางพันธุกรรม ความหลากหลายต้องถูก abstrakt เป็นกระบวนการเพิ่มประสิทธิภาพที่คำนวณได้ ขนานได้ รวมได้
- ค่าความเหมาะสมเป็นฟังก์ชันเป้าหมายที่วัดได้ การกลายพันธุ์มักอธิบายด้วยการแจกแจงความน่าจะเป็น แรงกดดันในการคัดเลือกเกิดจากกฎการสุ่มตัวอย่างและการรักษา ตรวจสอบตัวเองสามข้อ: การเข้ารหัสแสดงโครงสร้างจริงของคำตอบหรือไม่
- ค่าความเหมาะสมวัดได้และสอดคล้องกับเป้าหมายหรือไม่
- แรงกดดันในการคัดเลือกไม่แรงเกินไป (บรรจบเร็วเกินไป) และไม่อ่อนเกินไป (ลอยแบบสุ่ม) งานจริงมักมีสามลักษณะ——เป้าหมายหลายตัวขัดแย้ง การป้อนกลับเบาบาง สภาพแวดล้อมไม่แน่นอน เมื่อเป้าหมายขัดแย้งมักไม่มีคำตอบจุดเดียวที่ทุกเป้าหมายดีที่สุดพร้อมกัน มีเพียงชุดคำตอบแลกเปลี่ยน
- เมื่อการป้อนกลับเบาบางและล่าช้า ไม่สามารถได้รับการประเมินที่สมบูรณ์ในครั้งเดียว
- การเปลี่ยนแปลงสภาพแวดล้อมทำให้แผนการเดียวแบบคงที่หมดอายุอย่างรวดเร็ว การคำนวณเชิงวิวัฒนาการสร้างทางเลือกจำนวนมากแบบขนาน ประเมินประสิทธิภาพการแลกเปลี่ยน รักษาแผนการที่หลากหลาย เลื่อน "เลือกอันไหน" ไปยังขั้นตอนที่ข้อมูลเพียงพอหรือความชอบชัดเจนขึ้น เมื่อพื้นที่การค้นหาใหญ่ วงจรแบบอนุกรมยากที่จะสุ่มตัวอย่างเพียงพอและวนซ้ำต่อเนื่อง GPU เทนเซอร์ และ runtime ที่เป็นเอกภาพเปลี่ยนการประมวลผลแบบขนานระดับประชากร การประมวลผลแบบขนานของตัวดำเนินการ และการวนซ้ำออนไลน์ระยะยาวให้เป็นฐานทางวิศวกรรม ยกระดับขนาดทางเลือกที่ประเมินได้ต่อหน่วยเวลาและความหลากหลายของประชากร แต่ต้องเน้น: การประมวลผลแบบขนานเพียงเพิ่มขนาดที่เป็นไปได้ ไม่แทนที่การออกแบบค่าความเหมาะสมและการออกแบบแรงกดดันในการคัดเลือก กลไกที่มีอุปมาทางชีววิทยาไม่เท่ากับผลลัพธ์ที่เชื่อถือได้
- ความหลากหลายไม่ใช่สัญญาณรบกวน แต่เป็นผลลัพธ์ที่ส่งมอบได้ ถ้าระบบบรรจบเป็นรูปแบบเดียวอย่างรวดเร็วในทุกๆ รุ่น อาจสูญเสียความสามารถในการรับมือกับความไม่แน่นอน

**การจัดการแบบฝึกหัด**

แยกแยะการคำนวณเชิงวิวัฒนาการกับคำตอบเดียวที่กำหนดไว้ล่วงหน้า ตัวเลือกที่ถูกต้องคือการสำรวจทางเลือกอย่างต่อเนื่องผ่าน "สร้าง—ประเมิน—คัดเลือก—วนซ้ำ" ระดับประชากร เมื่อให้ข้อเสนอแนะจับสี่คำสำคัญ: ประชากร การกลายพันธุ์ การคัดเลือก ค่าความเหมาะสม

คุณค่าทางวิศวกรรมของความหลากหลายของประชากร ตัวเลือกที่ถูกต้องคือรักษาพื้นที่权衡สำหรับการตัดสินใจในภายหลัง ลดความเสี่ยงของการบรรจบเข้ากับค่าที่ดีที่สุดในท้องถิ่นเร็วเกินไป เน้นว่าในสภาพแวดล้อมเป้าหมายหลายตัวและไม่แน่นอน ชุดแผนการที่หลากหลายเป็นผลลัพธ์เอง

จุดบรรจบของเส้นทางทั้งสี่ ตัวเลือกที่ถูกต้องคือไซเบอร์เนติกส์ให้ความสำคัญกับการป้อนกลับและการปรับเป้าหมาย เป็นต้นแบบของการปรับวงจรปิด ถ้านักเรียนสับสน กลับไปที่ตารางเปรียบเทียบ: สัญลักษณ์นิยมเท่ากับการแสดงที่ชัดแจ้ง คอนเนคชันนิซึมเท่ากับการเรียนรู้แบบกระจาย ไซเบอร์เนติกส์เท่ากับการปรับด้วยการป้อนกลับ การคำนวณเชิงวิวัฒนาการเท่ากับการปรับตัวของกลุ่ม

คอขวดของวงจรแบบอนุกรม ตัวเลือกที่ถูกต้องคือปริมาณการสุ่มตัวอย่างไม่เพียงพอ ยากต่อการครอบคลุมทางเลือกที่เพียงพอและรักษาการวนซ้ำต่อเนื่อง กุญแจไม่ใช่ว่าคำนวณได้หรือไม่ แต่คำนวณได้มากพอและนานพอหรือไม่

การ abstrakt ทางวิศวกรรม ตัวเลือกที่ถูกต้องคือการ implement กลไกการกลายพันธุ์ การคัดเลือก ประชากรเป็นตัวดำเนินการที่คำนวณได้ ขนานได้ รวมได้ และใช้การเข้ารหัสและค่าความเหมาะสมที่ตรงกับงานตรวจสอบประสิทธิผล เตือนว่าการเลียนแบบชีวภาพเป็นเพียงจุดเริ่มต้น ตัวดำเนินการที่ทำซ้ำได้และการประเมินที่วัดได้เป็นเกณฑ์การลงมือปฏิบัติ

การเขียนแผนการที่เหมาะสมที่สุดล่วงหน้าล้มเหลว เพราะการใช้พลังงาน ต้นทุน และความน่าเชื่อถือขัดแย้งกัน การป้อนกลับเบาบางและล่าช้า พารามิเตอร์ตามฤดูกาลเปลี่ยนแปลงต่อเนื่อง; การคำนวณเชิงวิวัฒนาการใช้วงจร "สร้างทางเลือก—ประเมิน—คัดเลือก—สืบทอด—วนซ้ำ" รักษากลุ่มการจัดวางที่หลากหลาย เลื่อนการเลือกสุดท้ายไปยังเมื่อข้อมูลเพียงพอ ปัญหาที่สอง: GPU และ runtime ที่เป็นเอกภาพสามารถเปลี่ยนการประเมินค่าความเหมาะสมแบบกลุ่มเป็นการประมวลผลแบบขนานระดับประชากรและการประมวลผลแบบขนานของตัวดำเนินการ ทำให้การวนซ้ำออนไลน์ระยะยาวและการรักษาประชากรขนาดใหญ่เป็นไปได้; การประมวลผลแบบขนานเป็นฐานทางวิศวกรรม กำหนดจำนวนทางเลือกที่ประเมินได้ต่อหน่วยเวลาและความหลากหลายของประชากร; แต่ไม่สามารถแทนการออกแบบการเข้ารหัส ค่าความเหมาะสม และแรงกดดันในการคัดเลือกที่ตรงกันได้

**ตรวจสอบความเข้าใจ**

ขอให้นักเรียนอธิบายด้วยประโยคเดียวว่า "วงจรวิวัฒนาการ" รวมขั้นตอนใด และยกตัวอย่างการแบ่งงานของสี่เส้นทางอย่างละหนึ่ง ถ้านักเรียนจำได้เพียงอุปมาทางชีววิทยา ถามต่อว่าการเข้ารหัส ค่าความเหมาะสม และแรงกดดันในการคัดเลือกทั้งสามตรงกับงานหรือไม่

> **คำแนะนำในการเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักเรียนสามารถแยกแยะเส้นทางทั้งสี่ และอธิบายความสัมพันธ์ระหว่างความหลากหลาย การสำรวจแบบขนาน และวงจรวิวัฒนาการได้แล้ว จึงเข้าสู่หน้าถัดไปเกี่ยวกับการประยุกต์ใช้ กรณีศึกษา หรือสรุป

<a id="lecture-page-16"></a>

### สรุปและมองไปข้างหน้า: เปิดการปฏิบัติวิจัยทางวิทยาศาสตร์ AI Native ใหม่

*หน้า 16*

> **เป้าหมายของหน้า: ** ผู้เรียนควรเข้าใจความหมายเชิงแนะแนวของหัวข้อบทเรียนนี้ต่อการปฏิบัติวิจัยทางวิทยาศาสตร์ AI Native ในภายหลัง

> **เป้าหมายของหน้า**
>
> เป็นการปิดท้ายและมองไปข้างหน้าของบทเรียนนี้ ช่วยให้ผู้เรียนรวมแหล่งที่มาของแนวคิดการคำนวณเชิงวิวัฒนาการ เส้นทางประวัติศาสตร์ของความฉลาด และขอบเขตความสามารถของโมเดลขนาดใหญ่เข้าสู่สถาปัตยกรรมวิวัฒนาการเอกภาพ EvoX และสร้างเกณฑ์ในการตัดสินว่าแผนการวิจัยหนึ่งมีความลักษณะ AI Native จริงหรือไม่

> **ลำดับการบรรยาย**
>
> การกลายพันธุ์ให้ความหลากหลาย การคัดเลือก maintains 个体ที่มีประสิทธิผล การถ่ายทอดทางพันธุกรรมส่งต่อระหว่างรุ่น การปรับตัวตามสภาพแวดล้อมกำหนดทิศทางการเลือก นี่คือกระบวนทัศน์การแก้ปัญหาแบบปรับตัวที่ไม่กำหนด个体ที่ดีที่สุดล่วงหน้า ประการที่สอง เส้นทางประวัติศาสตร์ของความฉลาด: ปี 1950 ทัวริงเสนอ "เด็กเครื่องจักร" สนับสนุนการได้รับความสามารถทีละน้อยในสภาพแวดล้อมผ่านการศึกษา การทดลอง และการให้รางวัล/ลงโทษ; วัฒนธรรมและกำลังการประมวลผลบีบอัดวงจรวิวัฒนาการจากรุ่นสู่ปี เดือน乃至การวนซ้ำครั้งเดียว ประการที่สาม ความจำเป็นทางเทคนิค: โมเดลขนาดใหญ่ขยายขอบเขตของการสร้าง การแสดง และการอนุมาน แต่การสร้างครั้งเดียวไม่สามารถพิสูจน์ความถูกต้องได้ด้วยตัวเอง และยากที่จะมีประสิทธิผลต่อเนื่องข้ามสภาพแวดล้อม การวิจัยทางวิทยาศาสตร์จริงยังต้องการการสำรวจแบบขนานขนาดใหญ่ การประเมิน และวงจรปิดการป้อนกลับ

**ประเด็นสำคัญในการสอน**

- ข้อสรุปหลักของหน้านี้ไม่ใช่การซ้อนทับอย่างง่ายของ "โมเดลขนาดใหญ่ + อัลกอริทึมวิวัฒนาการ" แต่เป็นการบรรจบใหม่ของสามสายหลัก สถาปัตยกรรมวิวัฒนาการเอกภาพ EvoX สามารถสรุปได้เป็น: โมเดลสร้างความเป็นไปได้ สภาพแวดล้อมให้การป้อนกลับ ระบบรับผิดชอบการประเมินและการสืบทอด ดังนั้นการเปลี่ยนแปลงสำคัญของการวิจัยทางวิทยาศาสตร์ AI Native คือการจัดระเบียบ "การสำรวจปัญหา → การสร้างทางเลือก → การประเมินแบบขนาน → การปรับปรุงต่อเนื่อง" เป็นกระบวนการที่นำกลับมาใช้ได้ ไม่ใช่ถือ AI เป็นเครื่องมือจุดเดียวครั้งเดียว กระบวนทัศน์เก่าคือ "คำตอบที่กำหนดไว้ล่วงหน้า/อัลกอริทึมจุดเดียว" ประตูการปฏิบัติใหม่คือ "กระบวนการในสภาพแวดล้อม/วิวัฒนาการต่อเนื่อง"

**การครอบคลุมคำสำคัญ**

- การกลายพันธุ์ การคัดเลือก การถ่ายทอดทางพันธุกรรม การปรับตัวตามสภาพแวดล้อม "เด็กเครื่องจักร" ของทัวริง ขอบเขตความสามารถของโมเดลขนาดใหญ่ การสำรวจแบบขนานขนาดใหญ่ การป้อนกลับจากสภาพแวดล้อม การประเมินและการสืบทอด EvoX การสำรวจปัญหา การสร้างทางเลือก การประเมินแบบขนาน การปรับปรุงต่อเนื่อง การวิจัยทางวิทยาศาสตร์ AI Native

> **เบาะแสวัสดุ**
>
> - พิมพ์เขียววิสัยทัศน์ของหน้าแสดงจากซ้ายไปขวา "ต้นกำเนิดวิวัฒนาการทางชีววิทยา" และ "เส้นทางประวัติศาสตร์ของความฉลาด" ร่วมกันสร้างแรงบันดาลใจขอบเขตความสามารถของโมเดลขนาดใหญ่และฐานการสำรวจแบบขนาน จากนั้นรวมเข้าสู่สถาปัตยกรรมวิวัฒนาการเอกภาพ EvoX สุดท้ายลงเอยที่การปฏิบัติวิจัยทางวิทยาศาสตร์ AI Native ใหม่ เมื่ออธิบายสามารถให้นักเรียนเล่าความสัมพันธ์การบรรจบนี้ซ้ำตามลูกศร

**การจัดการแบบฝึกหัด**

โจทย์เลือกตอบห้าข้อใช้ตรวจสอบอย่างรวดเร็ว ข้อ 1 ทิศทางที่ถูกต้องคือ "การกลายพันธุ์ การคัดเลือก การถ่ายทอดทางพันธุกรรม และการปรับตัวตามสภาพแวดล้อม" เน้นแหล่งที่มาแรงบันดาลใจทางชีววิทยา; ข้อ 2 ทิศทางที่ถูกต้องคือ "การสร้างครั้งเดียวไม่สามารถพิสูจน์ความถูกต้องได้ด้วยตัวเองในสภาพแวดล้อมจริง และยากที่จะมีประสิทธิผลต่อเนื่องเมื่อสภาพแวดล้อมและโมเดลเปลี่ยนแปลง"; ข้อ 3 ทิศทางที่ถูกต้องคือ "การได้รับความสามารถทีละน้อยในสภาพแวดล้อมผ่านการศึกษา การทดลอง และการให้รางวัล/ลงโทษ" สอดคล้องกับรูปแบบเริ่มต้นของแนวคิดการป้อนกลับและการสืบทอดการประเมิน; ข้อ 4 ทิศทางที่ถูกต้องคือระบบรับผิดชอบ "การประเมิน การคัดเลือก การแก้ไขข้อผิดพลาด และการสืบทอด"; ข้อ 5 ทิศทางที่ถูกต้องคือการจัดระเบียบการสำรวจ การสร้าง การประเมิน และการปรับปรุงเป็นกระบวนการที่นำกลับมาใช้ได้ เมื่อนักเรียนตอบผิด ให้กลับไปที่การแบ่งงาน "โมเดล—สภาพแวดล้อม—ระบบ" เพื่อระบุใหม่

กรณีศึกษา perovskite สูตรผสมเหมาะเป็นารประยุกต์ใช้แบบบูรณาการ ประเด็นการวินิจฉัยคือทีมขาดการประเมินมาตรฐาน การป้อนกลับจากสภาพแวดล้อมกลับ การคัดเลือกและกลไกการสืบทอด "การสร้างครั้งเดียว + การคัดเลือกด้วยมือ" ไม่สามารถสนับสนุนกระบวนการวนซ้ำที่ขนานได้ ประเมินได้ และสะสมได้ แผนการปรับปรุงสามารถขยายรอบวงจรปิดสามส่วน: เครื่องสร้างทางเลือกสร้างภายใต้ข้อจำกัดและกลายพันธุ์อย่างควบคุม; สภาพแวดล้อมการประเมินแบบขนานรวมプロトコルการวัดที่เป็นเอกภาพ บันทึกแบตช์และพารามิเตอร์กระบวนการ และเพิ่มปริมาณการประเมิน; โมดูลการคัดเลือกและการสืบทอดรักษาคำตอบชั้นเยี่ยมตามค่าความเหมาะสมรวม ตกตะกอนตัวอย่างล้มเหลวและข้อสรุปการระบุสาเหตุ สามารถแนะนำให้นักเรียนกำหนดตัวชี้วัดการประเมินให้แต่ละส่วน เช่น ความหลากหลายของทางเลือก อัตราทางเลือกที่มีประสิทธิผล ปริมาณการประเมิน ความสามารถในการทำซ้ำระหว่างแบตช์ ขนาดการปรับปรุงค่าความเหมาะสมที่ดีที่สุดต่อรอบ และอัตราการนำความรู้กลับมาใช้

**ตรวจสอบความเข้าใจ**

ขอให้นักเรียนพูด "การสำรวจปัญหา → การสร้างทางเลือก → การประเมินแบบขนาน → การปรับปรุงต่อเนื่อง" โดยไม่ดูบันทึก และชี้ให้เห็นว่าแต่ละขั้นตอนนำโดยใครจากโมเดล สภาพแวดล้อม ระบบ สามารถอธิบายการแบ่งงานได้ชัดเจน แสดงว่าจับประเด็นสำคัญของการวิจัยทางวิทยาศาสตร์ AI Native ได้ สามารถถามต่อ: "ถ้ากระบวนการหนึ่งยังพึ่งพาการสร้างครั้งเดียวบวกการเปรียบเทียบด้วยมือ มันเข้าสู่กระบวนทัศน์วิวัฒนาการแล้วหรือยัง?" แนะนำให้นักเรียนใช้ "สร้างวงจรปิดที่ดำเนินต่อได้อย่างยั่งยืนหรือไม่" ในการตัดสิน

**กิจกรรมในชั้นเรียน**

ใช้ "สี่สิ่งของวิวัฒนาการ" เป็นรายการตรวจสอบ ให้นักเรียนเมื่อเผชิญกับระบบที่อ้างว่ามี "วิวัฒนาการ" ตรวจสอบทีละข้อ: มันสร้างความหลากหลายอย่างไร? คัดกรองตามเกณฑ์อะไร? คำตอบที่ดีถูกรักษาและส่งต่ออย่างไร? ค่าความเหมาะสมได้จากการป้อนกลับจากสภาพแวดล้อมใด? ทั้งสี่ครบจึงเป็นวงจรปิด

> **คำแนะนำในการเปลี่ยนผ่าน**
>
> หลังจากยืนยันว่านักเรียนสามารถอธิบายความสัมพันธ์หลักของหน้านี้ โดยเฉพาะการแบ่งงานของโมเดล สภาพแวดล้อม และระบบ และความหมายของการเปลี่ยนจากอัลกอริทึมจุดเดียวสู่กระบวนการในสภาพแวดล้อมได้แล้ว จึงเข้าสู่การเรียนรู้เชิงลึกเกี่ยวกับระบบวิวัฒนาการอัจฉริยะ EvoX ในภายหลัง

--- สิ้นสุดข้อความต้นฉบับ ---