智慧路線的匯合與演化計算源流

當算力與模型能力都不再稀缺，「算得更多」之後真正的問題就變成了：如何搜尋，以及搜尋方法本身能否被系統改進。本頁要確立的判斷是——理解、表達、行動與回饋等多重智慧發展路線，在解決系統性、真實世界問題時重新匯合；而演化計算，正是這個匯合點上最直接的技術源流：它既是搜尋的機制，也是可以被搜尋的對象。

一、前提轉向：從「生成一次」到「持續搜尋」

單次生成的局限如今已被充分暴露：一次生成無法自證正確，也很難在環境或模型更迭之後繼續有效。能力增強之後，瓶頸就從「生成一次好答案」移向了「如何持續地搜尋、回饋與篩選」。換句話說，問題的性質已經從取樣變成了搜尋——重點不再是有沒有答案，而是能不能反覆提出、驗證、保留與再生成。

二、為什麼多條路線會匯合

智慧系統並不是單一能力，而是包含理解、表達、行動、回饋與結果篩選等多個維度。任何一個維度都無法獨立閉環：理解要靠回饋來校準，行動要靠結果篩選來收斂，表達要靠環境來檢驗。因此這些路線會在系統層面重新交匯，而不是彼此替代。可以用一條最樸素的觀察鏈來理解這種相互依賴：提出問題 → 生成候選 → 環境回饋 → 評價篩選 → 保留並再生產。

三、源流定位：為什麼是演化計算

在眾多匯合路徑中，演化計算提供了最直接、最可操作的機制——族群、變異、選擇、迭代，天然對應「生成—評價—保留—再生產」的系統閉環。它並不是又一代表達能力，而是讓閉環真正轉起來的那套機制，所以本頁把它定位為匯合點上最直接的技術源流。

四、傳統演化演算法的盲區

傳統演化演算法用變異、交叉、選擇來改變候選解，卻很少改變「產生候選解的方法」。換句話說，演算法的元層長期停留在人工設計階段。它善於搜尋答案，卻不擅長搜尋自己。

以差分演化為一個具體的代價例子：採用哪一種變異策略、如何選擇基向量、怎樣設定變異因子與交叉機率，都會顯著影響求解結果。面對不同問題，研究者通常要在眾多變體之間選型，再透過大量實驗反覆調參。這些工作發生在搜尋之外，不可複用，也很難沉澱下來——這正是「演算法在搜尋答案，演算法自身卻沒有進入搜尋過程」的現實註腳。

五、關鍵轉折：讓演算法優化演算法

真正的一步，是讓求解方法本身也進入搜尋過程，即「演算法優化演算法」的嵌套視角。此時演算法不再只是搜尋答案的工具，而成為被搜尋、被改進的對象。後續將要介紹的 EvoX，正是把這一視角系統化的載體（其架構細節見後續頁）。