摘要：在计算机屏幕上，两只像素蝴蝶正在生长、碰撞，其中一只的翅膀在撞击中受损。然而令人震惊的是，这只残缺的数字生物突然进行了一次"后空翻"，重新长出了完整的翅膀——就像蝾螈再生失去的肢体一样。这一幕并非科幻电影的特效，而是神经元胞自动机技术的真实展示。

信息来源：https://www.quantamagazine.org/self-assembly-gets-automated-in-reverse-of-game-of-life-20250910/

在计算机屏幕上，两只像素蝴蝶正在生长、碰撞，其中一只的翅膀在撞击中受损。然而令人震惊的是，这只残缺的数字生物突然进行了一次"后空翻"，重新长出了完整的翅膀——就像蝾螈再生失去的肢体一样。这一幕并非科幻电影的特效，而是神经元胞自动机技术的真实展示。

这项突破性技术由苏黎世谷歌研究院的亚历山大·莫德文采夫开发，它完全颠覆了传统元胞自动机的研究方法。自1970年康威的"生命游戏"问世以来，科学家们一直遵循着从规则到模式的正向思维：设定简单规则，观察复杂模式的自然涌现。而莫德文采夫的神经元胞自动机则实现了逆向工程：从期望的模式出发，自动推导出能够产生该模式的规则。

从仿生学到计算革命

由亚历山大·莫德文采夫提供

亚历山大·莫德文采夫 （Alexander Mordvintsev） 创建了复杂的基于蜂窝的数字系统，该系统仅使用邻居到邻居的通信。

莫德文采夫的研究灵感源于一次跨学科的碰撞。2014年，他因开发"深度梦境"技术而声名鹊起，这项技术能让神经网络产生令人着迷的幻觉图像。塔夫茨大学的发育生物学家迈克尔·莱文注意到了这一突破，并向莫德文采夫提出疑问：如果神经网络难以理解，那么生物有机体同样如此，类似的技术能否帮助我们理解生命的形态发生过程？

这个问题重新点燃了莫德文采夫对模拟自然现象的热情。在生物学中，单个细胞通过局部相互作用自组织成复杂的组织和器官，而没有任何中央指挥系统。如果能够理解并复制这种机制，就可能实现他所称的"复杂性工程"——设计出能够自动组装成任何想要形状的基本构建块。

莫德文采夫用建筑比喻来解释这一概念："想象你要建造一座大教堂，但你不设计教堂本身，而是设计一块砖。你的砖应该是什么形状，如果你拿很多这样的砖足够长时间地摇晃，它们就会为你建造出一座大教堂？"

技术创新的核心突破

神经元胞自动机的核心创新在于将深度学习与传统元胞自动机相结合。在经典的"生命游戏"中，每个细胞的状态变化由固定的条件列表控制。而在莫德文采夫的系统中，神经网络接管了这一功能，根据细胞及其邻居的当前状态决定细胞的下一步变化。

这种方法的关键优势是可以通过训练来学习规则，而不是预先编程。研究者从单个"活"细胞开始，使用神经网络反复更新细胞状态，将生成的图案与目标图案比较，然后调整网络参数直到达到期望效果。这个过程类似于深度学习中的标准训练方法，但应用于一个全新的领域。

为了使这种方法有效工作，莫德文采夫必须对传统元胞自动机进行几个关键修改。首先，他将细胞状态从二元的"死"或"活"改为连续值，使状态变化变得平滑，满足反向传播算法的要求。其次，他为每个细胞添加了"隐藏变量"，这些变量不直接表示细胞的可见状态，但指导其发育过程。最后，他实施随机更新而非同步更新，使生成的模式具有更自然的有机质感。

再生能力的意外发现

神经元胞自动机最令人惊讶的特性是其强大的再生能力。在莫德文采夫的演示中，用鼠标"擦除"蜥蜴图像的一部分后，剩余部分会自动重建完整的动物形状。这种能力有时是训练过程的自然结果，有时则需要明确的训练。

哥本哈根IT大学的计算机科学家塞巴斯蒂安·里西发现，这种再生能力部分源于系统内置的不可预测性。随机更新间隔等特征迫使系统开发应对各种意外情况的机制，使其能够从容处理身体部位的损失。这一原理与生物系统的鲁棒性相呼应——正是因为生物系统在噪声环境中工作，它们才发展出强大的适应能力。

在一项与塔夫茨大学和维也纳理工大学合作的研究中，研究者为神经元胞自动机添加了内存功能，发现当训练环境包含噪声时，系统更倾向于发展网络驱动的解决方案而非简单的记忆方法。这种抗噪声能力使系统更加灵活，能够更快地学习新模式，因为它已经发展了可转移的技能。

计算架构的新范式

神经元胞自动机不仅在模拟生物学方面具有价值，还可能成为一种全新的计算架构。与传统的冯·诺依曼架构（中央处理器加内存）和神经网络架构相比，元胞自动机将计算和存储更加彻底地分布化，每个单元仅与相邻单元通信，完全消除了远程连接。

这种设计具有显著的能源优势。谷歌技术与社会部门首席技术官布莱斯·阿圭拉·阿卡斯指出："一种类似神经元胞自动机的计算机将是更高效的计算机。"远程连接是主要的能耗来源，如果元胞自动机能够完成其他系统的工作，将大大节省能源。

研究者已经展示了神经元胞自动机执行各种计算任务的能力。莫德文采夫团队创建了能够识别手写数字的系统，伦敦帝国理工学院的研究者开发了矩阵乘法算法，挪威Østfold大学学院的研究者则用它解决抽象推理问题。

在抽象推理测试中，神经元胞自动机表现出独特的优势。由于缺乏远程连接，它无法像传统神经网络那样记住整个图像的像素排列，而是被迫提取和应用规则。这种限制实际上成为了优势，使系统能够更好地处理需要规则推理而非模式记忆的问题。

未来应用前景

神经元胞自动机技术的应用前景极为广阔。在机器人学领域，研究者正在探索用这种技术编程机器人群体，使它们能够像多细胞生物一样紧密协作。佛蒙特大学的机器人研究员乔什·邦加德设想，未来的机器人群体可能不再是独立个体的集合，而是一个统一的有机体："你想象一个由昆虫、虫子或细胞组成的扭动球，它们一直在互相爬行和重组。这就是多细胞的真正面貌。"

在生物医学领域，如果科学家能够理解神经元胞自动机的再生机制，可能为人体组织再生治疗提供新思路。在材料科学中，这种技术可能导致自修复材料的发展。在分布式计算领域，它可能催生全新的编程范式和系统架构。

尽管前景光明，但研究者也保持着谨慎的态度。人工智能研究员肯·斯坦利指出，神经元胞自动机虽然功能强大，但仍然是生物学的不完美模型，因为自然进化并不朝着特定目标工作。圣达菲研究所的梅兰妮·米切尔则强调，为这种大规模分布式并行计算开发合适的编程抽象仍然是一个重大挑战。

莫德文采夫认为，他的工作延续了计算科学早期的传统，当时冯·诺依曼等先驱者自由地从生物学中汲取灵感。他说："对这些人来说，自组织、生命和计算之间的关系是显而易见的。这些领域不知何故分道扬镳了，现在它们正在重新统一。"

随着研究的深入和技术的成熟，神经元胞自动机可能会在未来几年内从实验室走向实际应用，为人工智能、机器人学和计算科学开启一个全新的时代。

来源：人工智能学家