智能路线的汇合与演化计算源流

当算力与模型能力都不再稀缺，“算得更多”之后真正的问题就变成了：怎样搜索，以及搜索方法本身能否被系统改进。本页要确立的判断是——理解、表达、行动与反馈等多重智能发展路线，在解决系统性、真实世界问题时重新汇合；而演化计算，正是这个汇合点上最直接的技术源流：它既是搜索的机制，也是可以被搜索的对象。

一、前提转向：从“生成一次”到“持续搜索”

单次生成的局限如今已被充分暴露：一次生成无法自证正确，也很难在环境或模型更迭之后继续有效。能力增强之后，瓶颈就从“生成一次好答案”移向了“如何持续地搜索、反馈与筛选”。换句话说，问题的性质已经从采样变成了搜索——重点不再是有没有答案，而是能不能反复提出、验证、保留与再生成。

二、为什么多条路线会汇合

智能系统并不是单一能力，而是包含理解、表达、行动、反馈与结果筛选等多个维度。任何一个维度都无法独立闭环：理解要靠反馈来校准，行动要靠结果筛选来收敛，表达要靠环境来检验。因此这些路线会在系统层面重新交汇，而不是彼此替代。可以用一条最朴素的观察链来理解这种相互依赖：提出问题 → 生成候选 → 环境反馈 → 评价筛选 → 保留并再生产。

三、源流定位：为什么是演化计算

在众多汇合路径中，演化计算提供了最直接、最可操作的机制——种群、变异、选择、迭代，天然对应“生成—评价—保留—再生产”的系统闭环。它并不是又一种表达能力，而是让闭环真正转起来的那套机制，所以本页把它定位为汇合点上最直接的技术源流。

四、传统演化算法的盲区

传统演化算法用变异、交叉、选择来改变候选解，却很少改变“产生候选解的方法”。换句话说，算法的元层长期停留在人工设计阶段。它善于搜索答案，却不擅长搜索自己。

以差分进化为一个具体的代价例子：采用哪一种变异策略、如何选择基向量、怎样设置变异因子与交叉概率，都会显著影响求解结果。面对不同问题，研究者通常要在众多变体之间选型，再通过大量实验反复调参。这些工作发生在搜索之外，不可复用，也很难沉淀下来——这正是“算法在搜索答案，算法自身却没有进入搜索过程”的现实注脚。

五、关键转折：让算法优化算法

真正的一步，是让求解方法本身也进入搜索过程，即“算法优化算法”的嵌套视角。此时算法不再只是搜索答案的工具，而成为被搜索、被改进的对象。后续将要介绍的 EvoX，正是把这一视角系统化的载体（其架构细节见后续页）。