總結與展望：邁向更高階的智能形態

本頁回到課程的核心主線——方法演化。過去，智能系統大多在固定的求解框架內尋找更優解；而方法演化讓求解方法本身成為被迭代的對象：演算法、算子、結構或策略都能在演化過程中自我改進，從而實現演算法的自我進化。

內外層打通：從解空間走向方法空間

• 內層演化：在給定問題中搜尋解，負責把當前方法用到極致，產出候選解與評價結果。
• 外層演化：利用任務回饋改進求解方法本身，搜尋對象從「解」變成「演算法、算子或結構」。
• 閉環：內層解的品質構成外層的評價信號，外層改進後的方法又回到內層，形成從解空間到方法空間的持續閉環。

EvoX 的推動意義

方法演化要真正落地，需要把種群、評價結果與演算法狀態組織為可整體計算的張量，並在此之上調度異構算力。EvoX 透過張量化計算與統一底座架構，把「如何演化」與「如何高效調度」解耦，使方法演化與系統級持續演化具備工程落地基礎，推動智能系統從「求解答案」走向「改進方法」，乃至更高階的自主演化。

例：MetaDE——用演化演算法改進演化演算法

MetaDE 以內層差分進化（DE）求解問題，以外層演化搜尋 DE 的配置或結構，讓「求解方法本身」參與迭代。它搜尋的不是某個具體問題的解，而是產生解的機制，正是從解空間跨向方法空間的直觀體現。