# EvoX 智能演化系統與 AI Native 科研實踐

[課程目錄](START_HERE.html)

## 課程簡介

本課程系統介紹智能演化的核心理念、並行計算底座、方法演化機制及 AI Native 科研實踐，幫助研究者跨越模型能力與系統能力的缺口，在真實環境中持續探索與創新。

> 連接模型、算法與真實環境的高階演化系統指南

**作者**: EvoX 團隊

## 學習目標

1. 理解智能演化的歷史縱深與演進速度
2. 辨析大模型單次生成的局限性與系統演化的必要性
3. 回顧人工智能歷史中多條路線的演化分合
4. 掌握演化計算在處理目標衝突與複雜約束時的優勢
5. 識別工程實際中目標衝突與稀疏反饋的挑戰
6. 理解多候選探索與翼型優化案例的實踐價值
7. 掌握將演化過程表達為批量張量計算的方法
8. 理解 Runtime 在調度異構算力與保持算法可組合性上的作用
9. 理解方法演化（Meta-Evolution）的核心思想
10. 掌握將變異策略與超參數交由外層演化優化的架構
11. 理解多 Agent 協作與遞歸任務拆解的工程模式
12. 掌握通過編譯、測試與驗收將有效修改沉澱為項目歷史的機制
13. 熟悉藉助 AI 工具（如 Codex）高效開展 EvoX 實驗的方法
14. 明確研究者在自動化編程時代應堅持的核心鑑賞力與關鍵提問能力

## 課時 1 · 智能演化的源流與 EvoX 的誕生背景

探討人類智能演化歷程、圖靈關於「兒童機器」的設想，以及 EvoX 如何在模型能力與系統能力之間搭建演化閉環。

**學習目標**

- 理解智能演化的歷史縱深與演進速度
- 辨析大模型單次生成的局限性與系統演化的必要性

## 課時 2 · 演化計算的源流與多路線交匯

追溯符號主義、連接主義、控制論與演化計算的交匯點，揭示演化計算如何提供不依賴預定唯一答案的求解路徑。

**學習目標**

- 回顧人工智能歷史中多條路線的演化分合
- 掌握演化計算在處理目標衝突與複雜約束時的優勢

## 課時 3 · 現實世界的複雜性與多目標權衡

探討真實物理世界中相互牽制的複雜目標與約束，學習如何利用 EvoX 生成包含多種權衡關係的候選方案組。

**學習目標**

- 識別工程實際中目標衝突與稀疏反饋的挑戰
- 理解多候選探索與翼型優化案例的實踐價值

## 課時 4 · 現代計算底座與張量化並行演化

學習 EvoX 如何將種群、評價與狀態組織為可整體計算的張量，突破傳統串行瓶頸以實現大規模加速。

**學習目標**

- 掌握將演化過程表達為批量張量計算的方法
- 理解 Runtime 在調度異構算力與保持算法可組合性上的作用

## 課時 5 · 方法演化：從優化解到優化算法本身

探討 MetaDE、AutoPSO 等方法演化機制，學習如何將產生候選的方法納入優化對象，實現算法的自我進化。

**學習目標**

- 理解方法演化（Meta-Evolution）的核心思想
- 掌握將變異策略與超參數交由外層演化優化的架構

## 課時 6 · 系統級持續演化：Genesis 與軟件世界的沉澱

學習 Genesis 如何通過多 Agent 協作與嚴格驗證機制，讓項目代碼跨越生命週期持續積累與演化。

**學習目標**

- 理解多 Agent 協作與遞歸任務拆解的工程模式
- 掌握通過編譯、測試與驗收將有效修改沉澱為項目歷史的機制

## 課時 7 · AI Native 科研範式與 EvoX 實戰切入

掌握在 AI Native 環境下切入 EvoX 的實用路徑，體會「Code is cheap. Taste matters」的科研核心原則。

**學習目標**

- 熟悉藉助 AI 工具（如 Codex）高效開展 EvoX 實驗的方法
- 明確研究者在自動化編程時代應堅持的核心鑑賞力與關鍵提問能力