為了解釋基因算法是怎么運(yùn)用于此的，想象一下產(chǎn)生了100個(gè)隨機(jī)的比特串，每個(gè)長(zhǎng)2 048個(gè)比特。從每一個(gè)比特串我們可以構(gòu)造一個(gè)相應(yīng)的神經(jīng)網(wǎng)絡(luò)。對(duì)于每一個(gè)網(wǎng)絡(luò)都采用同樣的初始信號(hào)來讓網(wǎng)絡(luò)的信號(hào)傳輸啟動(dòng)。提取其中的某些輸出信號(hào)并且使用它們，比如，通過控制構(gòu)成棍形腿的4個(gè)線條的角度來讓棍形腿走路。我們可以測(cè)出在一定時(shí)間內(nèi)腿的走動(dòng)距離。

那些走更長(zhǎng)距離的神經(jīng)網(wǎng)絡(luò)的比特串，可以存活到下一代。那些走的距離短一些的比特串則會(huì)死亡，這就是所謂的達(dá)爾文定律，即“適者生存”。比特串越適應(yīng)，即具有更高性能分?jǐn)?shù)或“高適應(yīng)值”的就越會(huì)復(fù)制自己，產(chǎn)生所謂的“孩子”或后代。然后，這些孩子和它們的父輩一起被“變異”，也就是說，每一個(gè)比特有一個(gè)很小的概率來改變相應(yīng)的值(0變成1，1變成0)。兩個(gè)比特串可以“交配”，即一個(gè)稱為“特征交換”的過程。它有很多方式。一個(gè)簡(jiǎn)單的方式就是，選取兩個(gè)父比特串或者通常所謂的“染色體”，在同樣的位置把它們分成兩部分，然后交換相應(yīng)的部分。這等價(jià)于性，基本上來說就是混合來自父輩的基因來產(chǎn)生后代。

越適應(yīng)的父輩就擁有越多的后代。每一代基因算法擁有一定的總體數(shù)量，例如100。大多數(shù)的變異和特征交換會(huì)讓染色體擁有更低的適應(yīng)值，所以它們將被從總體中清除。偶爾的一次變異或一次特征交換則會(huì)增加一點(diǎn)染色體的適應(yīng)值，以至于在某個(gè)時(shí)候它會(huì)把自己的父親或者其他低適應(yīng)值的染色體擠出總體。通過對(duì)這樣的過程循環(huán)幾百次，就有可能進(jìn)化出性能更好的神經(jīng)網(wǎng)絡(luò)，或者任何需要進(jìn)化的目標(biāo)。

神經(jīng)系統(tǒng)進(jìn)化

當(dāng)我在布魯塞爾攻讀博士學(xué)位的時(shí)候，研究如何進(jìn)化出可以隨時(shí)間變化輸出信號(hào)的神經(jīng)網(wǎng)絡(luò)。據(jù)我所知，在此之前沒有任何人做這樣的事情。在此之前，曾經(jīng)有人把基因算法應(yīng)用到神經(jīng)網(wǎng)絡(luò)進(jìn)化中，但這些應(yīng)用都是靜態(tài)的，也就是說，輸出的信號(hào)不會(huì)隨著時(shí)間而改變。我覺得這些限制是不必要的。基因算法應(yīng)該能夠解決隨時(shí)間改變信號(hào)的問題。當(dāng)我想通了這一點(diǎn)后，就開始研制可以讓棍形腿走路的神經(jīng)網(wǎng)絡(luò)。我成功了。這需要一些小技巧來讓它進(jìn)化，它確實(shí)實(shí)現(xiàn)了。

這個(gè)發(fā)現(xiàn)，說明動(dòng)態(tài)進(jìn)化(和靜態(tài)相對(duì)應(yīng))的神經(jīng)網(wǎng)絡(luò)是可以實(shí)現(xiàn)的，這個(gè)發(fā)現(xiàn)給我打開了一個(gè)嶄新的世界，并且產(chǎn)生了一個(gè)新的被稱作“神經(jīng)系統(tǒng)進(jìn)化”的研究領(lǐng)域。我開始考慮下一步的工作。我產(chǎn)生了一個(gè)新想法，那就是如果我用一個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)化出一種行為，那么我就可以用第二個(gè)神經(jīng)網(wǎng)絡(luò)，也就是說，用一套不同的權(quán)值，進(jìn)化出一個(gè)不同的行為。權(quán)值設(shè)置決定輸出信號(hào)的動(dòng)態(tài)性。

于是我充滿信心，不再局限于二維平面的簡(jiǎn)單的棍形腿試驗(yàn)，而是開始進(jìn)行我稱作“Lizzy”的三維生物模擬行為。如果我能成功地進(jìn)化出一種行為，那么就可以進(jìn)化出一系列的行為，而每一個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)于一個(gè)行為?，F(xiàn)在我就可以更換行為，讓Lizzy先走，然后改變方向。為了使行為轉(zhuǎn)換更平緩，唯一必要的就是先停止“向前走”行為生成網(wǎng)絡(luò)(或者是我所稱作的模塊)的輸入，然后輸入行走模塊。模擬試驗(yàn)顯示動(dòng)作轉(zhuǎn)化很平緩，這非常好?，F(xiàn)在我知道我可以讓類似四腳生物的Lizzy展示行為庫(kù)里的所有行為。

現(xiàn)在產(chǎn)生的問題就是：什么時(shí)候改變行為。也許這樣的決定來源于環(huán)境的刺激。我開始試驗(yàn)是否可以進(jìn)化出探測(cè)器模塊，例如，信號(hào)強(qiáng)度探測(cè)器、頻率檢測(cè)器、信號(hào)強(qiáng)度差異探測(cè)器，等等。是的，這是可能的。另一個(gè)邏輯步驟就是試著進(jìn)化決策類型模塊，例如這樣的類型——“如果輸入1的信號(hào)強(qiáng)度大于S1，并且輸入2的信號(hào)強(qiáng)度小于S2，那么采取An 行為”，也就是說，刺激信號(hào)可以傳送到執(zhí)行An行為的模塊。

綜合所有的三種模塊，也就是行為產(chǎn)生(或行為模塊)、探測(cè)模塊和決策模塊，看起來好像可以開始制造人工神經(jīng)系統(tǒng)的工作了。如果有很多這樣的模塊，那么我認(rèn)為可以很合適地稱這樣的集合為一個(gè)“人工大腦”。就是在這樣的階段上，我信心滿滿，開始朝著人工大腦先驅(qū)者的方向前進(jìn)。