复杂-第35部分
按键盘上方向键 ← 或 → 可快速上下翻页，按键盘上的 Enter 键可回到本书目录页，按键盘上方向键 ↑ 可回到本页顶部！
————未阅读完？加入书签已便下次继续阅读！
假设某个物种有一千个基因，大致上与海藻一样复杂。为了使事情简单明了，再假定每
个基因只含有两种信息，绿色的或棕色的，叶片皱折的或叶片平滑的，等等。自然选择
要经过多少次尝试才能发现使海藻发展到最强壮的那组基因搭配呢？
荷兰德说，如果假设所有基因都是相互独立的，那么，你只需要两次选择就能确定
哪种基因信息更好。这就需要对一千个基因各做两次尝试，总共两千次，这不算太多。
事实上，相对而言这个数目实在是太小了，如果是这样的话，海藻很快就会达到最强健
的状况，而物种确实就能达到进化的均衡点。
但当我们假设基因并不是相互独立的，让我们来看看含有一千个基因的海藻会发生
什么样的情形。如果是为达到最强壮状态，自然选择就会检验每一个可能的基因组合。
因为每个基因组合都有其不同的强健性。当你计算基因组合的总数，就不是二乘以一千，
而是二自乘一千次了，即二的一千次方，或大约为十的三百次方——这个数目大得甚至
使跳棋的步数都显得微不足道。荷兰德说：“进化甚至根本就不可能做这么多次数的尝
试。而且无论我们把计算机发展到多先进也做不到。”确实，就算在可观察到的宇宙中
所有的基本粒子都变成超级计算机，从大爆炸就开始不停地运算，也远不能完成运算。
另外必须记住，这还只是就海藻而言。人类和其它哺乳类动物含有的基因数大概是海藻
含有基因数的一百倍，而且大多数基因都含有不止两条信息。
所以再次出现了这种情形：这是一个向着无穷无尽的可能性的空间探索的系统，不
存在哪怕为一个基因找到“最佳”点的现实希望。进化所能达到的是不断改进，而绝非
尽善尽美。但这当然正是他1962年就已经决意要找到回答的问题。但如何寻找答案呢？
了解多种基因进化的问题显然不只是用多变量方程式来替代费舍尔的单一变量方程式这
么简单的事。荷兰德想知道的是，进化是怎样于无穷无尽的可能性的探索中找到有用的
基因组合，而不需要搜遍整个领域。
当时，相似的“可能性爆炸”概念已经为主流人工智能研究人员所熟知。比如，在
匹兹堡卡内基理工学院（即现在的卡内基麦伦大学），爱伦·妞威尔（Allem Newell）
和赫伯特·西蒙（Herbert Simon）自五十年代中期开始就在进行一项里程碑式的研究，
即，研究人类如何解决问题。纽威尔和西蒙让被试验对象猜各种谜语和玩各种游戏，包
括下国际象棋，并让被实验对象陈述在这个过程中自己的思想。他们通过这种方法发现，
人类解决问题总是会涉及脑力对广阔的可能性“问题空间”的逐步搜索，而每一步都以
实际经验为导向：“如果情况是这样的话，那么就该采取那个步骤。”纽威尔和西蒙通
过将他们的理论编入“一般问题解决法”（General Problem Solver）程序和将这个程
序应用于解那些谜语和游戏，表明“问题－空间”角度能够出色地反映人类的推理风格。
确实，他们的经验性检索概念早已成为人工智能领域的金科玉律。一般问题解决法至今
仍然是新兴的人工智能发展史上最有影响的程序之一。
但荷兰德仍然对此半信半疑。这并不是因为他认为纽威尔和西蒙对问题空间和经验
导向的概念有什么错误。事实上，他取得博士学位不久就特意邀请他们两位来密西根大
学讲授人工智能的主课。从此他和纽威尔成了朋友和知识上的伙伴。但纽威尔－西蒙的
理论不能在生物进化研究上有助于他。进化论的整个慨念中没有任何经验可循，也没有
任何导向。一代代的物种是通过突变和两性基因的随机重组，简言之，是通过尝试和错
误，探索于可能性的空间。而且，这一代代物种并不采取逐步逐步的方式搜索于基因组
合的可能性之中，而是采取齐头并进的搜索方式：物群中的每一个成员的基因组合都略
有不同，所搜索的空间也略有不同。但尽管有这些不同之处，尽管进化的时间更为长久，
但它所产生的创意和奇迹恰如脑力活动。对荷兰德本说，这意味着，适应性的真正的统
一规律隐藏在更深的层次之中。但到底隐藏在哪儿呢？
起初，只有直觉告诉他，某些基因组之间能够很好地相互作用，形成统一而自我强
化的整体。比如像能够告诉细胞如何从葡萄糖分子里吸取能量的基因群，或能够控制细
胞分裂的基因群，或能够指导细胞如何与其它细胞组合成某种生理组织的基因群。荷兰
德也能从希伯的大脑理论中看到某种相似之处。在这个理论中，一组相互共鸣的细胞集
合能够形成一个统一的概念，比如“汽车”，或者一个像举起胳臂这样协调的动作。
但是，荷兰德越是思考统一而自我加强的基因群这个概念，整桩事就越显得微妙。
首先，到处都有类似的例子，比如计算机程序中的子程序、官僚体系中的部门。以及国
际象棋棋局中的布棋法。而且，这样的例子存在于组织的每一层。如果一个基因群有足
够的统一性和稳定性，那么这个基因群通常就可以作为更大的基因群的建设砖块。细胞
的结合形成生理组织、生理组织的结合形成器官、器官的组合形成生物体、生物体的组
合形成生态系统，等等。荷兰德想，确实，这就是“涌现”的全部意义：一个层次上的
建设砖块组合成更高层次上的建设砖块。这似乎是这个世界最根本的规律之一。这一规
律当然也表现在所有复杂的适应性系统之中。
但为什么会是这样的呢？事物的这个等级分明的。建设砖块结构的特性就像空气一
样司空见惯。它因无所不在而被我们视而不见。但当你认真思考这个问题时，就会发现
它急需解释：为什么这个世界会形成这种结构呢？
其实对此已有许多解释。计算机程序员们会把问题分解成许多于程序，因为较小、
较简单的问题比较大、较繁杂的问题易于解开。这就是分而治之的古老法则。鲸鱼和红
杉这样的庞然大物是由无数个微小的细胞组成的，因为总是先要有细胞，才可能形成庞
然大物。当五亿七千万年前巨大的动植物开始出现在地球上时，对自然选择法来说，较
之于从一片混乱无序中重新开始形成大团新的原生质，显然不如将现存的单一细胞形成
生物体要容易得多。通用汽车公司将自己分为无数个部门和子部门，是因为通用汽车公
司的主管不希望公司的五十万名雇员都直接来向他报告。他一天根本没这么多的时间。
事实上，在四十年代和五十年代，西蒙在他的商业组织的研究中就已经指出过，设计优
良的等级制度是在避免让任何一个人疲于应付会议和备忘录的前提下实施实际工作的最
佳方式。
但当荷兰德思考这个问题时，他越来越觉得，更为重要的理由还基于更深的层次，
因为这个等级分明的建设砖块结构能够彻底改变系统的学习、进化和适应能力。想一下
我们的认知建设砖块，这包含了像红色、汽车和道路这类的概念。一旦这组类别的建设
砖块随着经验的积累而被扭转、精炼和调整，那么，这组概念就会被整个改编和重组成
许多新的慨念，比如像“路边的一辆红色Saab轿车”。当然，较之完全从头开始，这是
一个有效得多的创新的途径，而这反过来又在总体上意味着适应性的一个全新的机制。
适应性系统能够重组它的建设砖块，从而产生巨大的飞跃，而不需要总是要逐步逐步地
在可能性的无限空间中缓慢进展。
在这个方面，荷兰德最喜欢举的例子是计算机出现之前警方根据目击者的描述来绘
出嫌疑犯的画像的办法，即，把嫌疑犯的面孔分为十个基本区域：发际线、前额、眼睛、
鼻子，一直到下颚。然后绘像师在许多纸片上对各个部位做不同形状的绘画，比如说，
十种鼻子、十种发际线、等等。这加起来就是一百张纸的给像。有了这些之后，绘像师
就可以通过目击者的描述，把合适的部分凑在一起，很快得出嫌疑犯的肖像图。当然，
绘像师无法用这种办法画出所有可能想象出来的面孔。但他或她总是能够得到近似的肖
像：绘像师通过重组这一百张纸片可以得出一百亿张不同的面孔，足够从广大的可能性
空间中找到相似的相貌。“所以如果我能够发现形成建设砖块的过程，这些组合就能为
我所用，而不会成为我的障碍。我就能够用相对少的建设砖块描述出许许多多的复杂事
物。”
他认识到，这就是解开多基因之谜的关键之所在。“进化过程中的放弃和尝试并不
只是为形成一个优良的动物，而是在于发现优良的建设砖块，并将这些建设砖块结合在
一起，从而产生许多优良的动物。”他现在面临的挑战是要精确而严谨地表明这一切是
如何发生的。他决定，第一步是要做一个计算机模拟，一个既能够陈述过程、又能够帮
助他澄清脑子里的问题的“基因算法”。
密西根大学计算机科学圈子里的人都看惯了荷兰德拿着折扇状的计算机打印结果跑
过来。
“看看这个！”他会急煎煎地指着一张整页都是密密麻麻的十六进位的数据符号的
纸说。
“哦，CCB1095E。太棒了，约翰。”
“不！不！你知道这是什么意思吗！？”
事实上，在六十年代初，有相当多的人并不知道，也想不出那些数据表示什么意思。
对荷兰德持怀疑态度的同事们对于荷兰德所从事的研究的怀疑，至少在一点是对的：荷
兰德最终推出的基因算法是个稀奇古怪的东西。除非从最为书面的意义而论。否则这根
本不能算是计算机程序。就它的内部机制而言，它更像是一个模拟生态系统，其中所有
的程序都可以相互竞争、相互交配、一代接一代地繁衍，一直朝着程序员设置的任何问
题的解答方向不断演化。
说得轻一点，这不是程序的通常编写法。所以荷兰德发现，要向同事们解释为什么
这具有意义，最好用非常实际的语言来告诉他们他正在做什么。他通常会告诉他们，我
们把计算机编程当作一个由FORTRAN或LISP这样的特殊编程语言写成的一系列指令。确
实，编程的全部技艺就在于确保准确无误地按照正确的指示和顺序来编写程序。这显然
是编程的最有效的方法——如果你早就知道你想让计算机干什么的话。但假设你并不知
道你想让计算机干什么，比如假设你想找到某种复杂的数学功能的最大价值。功能可以
表示利润、或工厂的产量。或任何其它东西。这个世界到处都有希望价值被最大化的东
西。确实，计算机程序员已经为此设计出先进的计算机算法来了。但即使是其中最优秀
的算法都无法保证在任何情况下都能提供正确的最大化价值。在某种层次上，这些算法
总是不得不依赖传统的尝试／错误法，也就是猜测法。
荷兰德对他的同事们说，如果情况真是这样的话，如果你反正总是要依赖尝试／错
误法的话，也许就值得试试利用大自然的尝试／错误法则，也就是自然选择法。与其编
