# EvoX 智能演化系统与 AI Native 科研实践

[课程目录](START_HERE.html)

## 课程简介

本课程系统介绍智能演化的核心理念、并行计算底座、方法演化机制及 AI Native 科研实践，帮助研究者跨越模型能力与系统能力的缺口，在真实环境中持续探索与创新。

> 连接模型、算法与真实环境的高阶演化系统指南

**作者**: EvoX 团队

## 学习目标

1. 理解智能演化的历史纵深与演进速度
2. 辨析大模型单次生成的局限性与系统演化的必要性
3. 回顾人工智能历史中多条路线的演化分合
4. 掌握演化计算在处理目标冲突与复杂约束时的优势
5. 识别工程实际中目标冲突与稀疏反馈的挑战
6. 理解多候选探索与翼型优化案例的实践价值
7. 掌握将演化过程表达为批量张量计算的方法
8. 理解 Runtime 在调度异构算力与保持算法可组合性上的作用
9. 理解方法演化（Meta-Evolution）的核心思想
10. 掌握将变异策略与超参数交由外层演化优化的架构
11. 理解多 Agent 协作与递归任务拆解的工程模式
12. 掌握通过编译、测试与验收将有效修改沉淀为项目历史的机制
13. 熟悉借助 AI 工具（如 Codex）高效开展 EvoX 实验的方法
14. 明确研究者在自动化编程时代应坚持的核心鉴赏力与关键提问能力

## 课时 1 · 智能演化的源流与 EvoX 的诞生背景

探讨人类智能演化历程、图灵关于“儿童机器”的设想，以及 EvoX 如何在模型能力与系统能力之间搭建演化闭环。

**学习目标**

- 理解智能演化的历史纵深与演进速度
- 辨析大模型单次生成的局限性与系统演化的必要性

## 课时 2 · 演化计算的源流与多路线交汇

追溯符号主义、连接主义、控制论与演化计算的交汇点，揭示演化计算如何提供不依赖预定唯一答案的求解路径。

**学习目标**

- 回顾人工智能历史中多条路线的演化分合
- 掌握演化计算在处理目标冲突与复杂约束时的优势

## 课时 3 · 现实世界的复杂性与多目标权衡

探讨真实物理世界中相互牵制的复杂目标与约束，学习如何利用 EvoX 生成包含多种权衡关系的候选方案组。

**学习目标**

- 识别工程实际中目标冲突与稀疏反馈的挑战
- 理解多候选探索与翼型优化案例的实践价值

## 课时 4 · 现代计算底座与张量化并行演化

学习 EvoX 如何将种群、评价与状态组织为可整体计算的张量，突破传统串行瓶颈以实现大规模加速。

**学习目标**

- 掌握将演化过程表达为批量张量计算的方法
- 理解 Runtime 在调度异构算力与保持算法可组合性上的作用

## 课时 5 · 方法演化：从优化解到优化算法本身

探讨 MetaDE、AutoPSO 等方法演化机制，学习如何将产生候选的方法纳入优化对象，实现算法的自我进化。

**学习目标**

- 理解方法演化（Meta-Evolution）的核心思想
- 掌握将变异策略与超参数交由外层演化优化的架构

## 课时 6 · 系统级持续演化：Genesis 与软件世界的沉淀

学习 Genesis 如何通过多 Agent 协作与严格验证机制，让项目代码跨越生命周期持续积累与演化。

**学习目标**

- 理解多 Agent 协作与递归任务拆解的工程模式
- 掌握通过编译、测试与验收将有效修改沉淀为项目历史的机制

## 课时 7 · AI Native 科研范式与 EvoX 实战切入

掌握在 AI Native 环境下切入 EvoX 的实用路径，体会“Code is cheap. Taste matters”的科研核心原则。

**学习目标**

- 熟悉借助 AI 工具（如 Codex）高效开展 EvoX 实验的方法
- 明确研究者在自动化编程时代应坚持的核心鉴赏力与关键提问能力