摘要：何为生命？何为智能？这些古老的哲学问题在计算科学的新视角下获得了令人惊叹的启示。神经元胞自动机（Neural Cellular Automata，NCA）作为一种新兴的计算模型，正在揭示生命和智能从简单规则中自然涌现的可能。

何为生命？何为智能？这些古老的哲学问题在计算科学的新视角下获得了令人惊叹的启示。神经元胞自动机（Neural Cellular Automata，NCA）作为一种新兴的计算模型，正在揭示生命和智能从简单规则中自然涌现的可能。

本文系统介绍了NCA的发展历程、训练机制及其展现出的惊人再生能力。从NCA的诞生到其作为可编程计算范式的广阔应用前景，文章将带您探索这一前沿领域如何重新定义我们对生命本质的理解。作为延展阅读，文末还摘引了谷歌科技与社会首席技术官Blaise Agüera y Arcas在其新作《何为智能》（What Is Intelligence?）中关于NCA模拟生命起源的思考。

这些见解为我们提供了一个全新视角：智能的出现或许并非偶然，而是计算过程中的必然涌现。

作者

乔治·穆瑟 George Musser

知名科学作家和编辑

拥有布朗大学电气工程和数学学士学位以及康奈尔大学行星科学研究生学位。他著有《弦理论完全傻瓜指南》（The Complete Idiot's Guide to String Theory）和《远距离的幽灵作用》（Spooky Action at a Distance: The Phenomenon That Reimagines Space and Time—and What It Means for Black Holes, the Big Bang, and Theories of Everything）等作品，其编辑工作曾获国家杂志奖，个人也荣获行星科学新闻奖和美国物理学会科学写作奖等多项荣誉。

神经元胞自动机NCA的诞生

▷亚历克斯·莫尔德文采夫（Alex Mordvintsev）谷歌软件工程师，主要研究领域为人工智能和神经网络。他因开发了谷歌的 DeepDream 算法而闻名，该算法能够通过神经网络生成奇幻的图像，催生了一种新的艺术形式——“感应主义”。此外，他还致力于神经网络的可视化研究，帮助人们更好地理解神经网络的内部工作机制，其研究成果在学术界和艺术界都产生了广泛影响。图源：X

1985年，Alex Mordvintsev出生于俄罗斯乌拉尔山脉东麓的Miass小城。少年时代，他通过自学编程，在一台苏联时代的IBM PC克隆机上编写了一系列模拟程序，如行星动力学、气体扩散和蚂蚁群落等。自此以后，他便一直着迷于“在计算机中创造一个微型的宇宙，然后让它运行，并拥有一个你可以完全控制的模拟现实”。

2014年，Mordvintsev加入了苏黎世谷歌实验室。彼时多层神经网络的图像识别技术风靡科技界，尽管这些系统功能强大，但神经网络的工作机制却如同黑盒一般令人困惑——这种困扰直到今天依然存在。他决心深入理解其运作原理。

2015年，他提出了“深度梦境”（DeepDream）——一种能够捕捉并夸张神经网络在图像中识别模式的技术。借助这一技术，普通照片可以被转化为由狗鼻子、鱼鳞或鹦鹉羽毛交织而成的迷幻艺术品。这些奇异的视觉作品迅速席卷了整个互联网，也让Mordvintsev一跃成为当时软件界的知名人物。

▷ Places205-GoogLeNet. 图源：Google, Inceptionism gallery

Mordvintsev的“深度梦境”引起了学术界的广泛关注，Tufts大学发育生物学领军人物Michael Levin对此尤为感兴趣。Levin认为，神经网络与生物有机体同样是难以解析的复杂系统；他好奇，这种揭示神经网络内部运作的方法，是否也能帮助我们理解生命本身。Levin的邮件重新点燃了Mordvintsev对模拟自然的兴趣，尤其是引起了他对元胞自动机（cellular automata）的关注。

▷90号规则元胞自动机（Rule 90）是一种简单的一维计算模型，由Stephen Wolfram提出。它基于每个单元格的两个邻居状态，通过异或（XOR）运算更新状态，能生成复杂的Sierpinski三角形图案，常用于研究复杂系统和艺术设计。 图源：Wolfram MathWorld

元胞自动机，是计算机之父冯·诺依曼在20世纪50年代提出的一种仿真方法，最初正是为了模拟生命系统所具有的自复制功能而提出。2020 年，Alex Mordvintsev巧妙地将现代神经网络、图灵的形态发生学（morphogenesis）以及元胞自动机结合在一起，创造了“神经元胞自动机”（neural cellular automaton，NCA）。

NCA用神经网络替换了经典元胞自动机中简单且固定的像素变化规则。每个格子中的神经网络能够感知并影响代表自身及周边格子中信息素的浓度，经过计算后做出相应反应。NCA可以被训练来“生长”任何所需的图案或图像，而不仅仅是斑马条纹或豹子斑点。

模仿自然进化的训练

，时长00:12

▷蜥蜴形状复原NCA示例. 图源：distill

NCA的演示开始时，单个细胞逐步演化成完整的蜥蜴形状。此时，你用鼠标穿过蜥蜴“划伤”它，“受损”区域很快开始自我修复——在这些经鼠标擦除所留下的空白像素格子中，NCA的神经网络感知周围环境，并根据局部信息计算并调整自身状态。不久后，完整的蜥蜴图案便重新显现。这种强大的自我修复能力，正是NCA最令人惊叹的特性。

类似的自组织现象，其实在自然界中随处可见。椋鸟的群舞或蚂蚁群体作为一个整体行动，科学家们已经提出了简单的规则，如果每只鸟或每只蚂蚁都遵循这些规则，就能解释集体行为。同样，你身体的细胞相互作用，将自己塑造成一个单一的有机体。

NCA的训练与之类似，其方法不是从规则开始并观察结果，而是从一个期望的模式开始，找出能够产生该模式的简单规则。“想象你想建造一座大教堂，但你不是设计大教堂，就是而是设计砖块。你的砖块应该是什么形状，才能在你将大量砖块摇晃足够长的时间后，为你建造起一座大教堂”，这样的设计思路，正如物理学家和Stephen Wolfra在1986年所描述的“编程系统的基本构件，使它们能够自组装成任何你想要的形式。”

NCA的核心创新在于使用神经网络来定义元胞自动机的物理规则。

在“生命游戏”中，网格中的每个细胞要么活着，要么死亡，在模拟时钟的每个滴答声中，要么繁殖、死亡或保持不变。每个细胞的行为规则表现为一系列条件：例如，“如果一个细胞拥有超过三个邻居，它就会死亡”。

而在NCA中，神经网络替代了固定规则——神经网络会根据细胞及其邻居的当前状态，结合周边格子的信息素浓度进行计算，从而决定格子（细胞）的状态（颜色）。这一过程类似于神经网络在图像识别中的应用——正如神经网络可以学会区分狗和猫的图像特征，NCA中的神经网络也学会了根据局部环境信息来决定细胞状态。与传统元胞自动机需要预设固定规则不同，NCA通过训练获得的神经网络能够动态地做出决策。

▷神经网络更新示例. 图源：distill

NCA训练从一个“活”细胞开始，让神经网络控制细胞不断演化，最终将生成的图案与目标图案进行对比。初次尝试时，生成的结果往往与目标图案毫无相似之处。此时需要调整神经网络的参数，重新运行网络观察是否有所改善，然后不断重复这个过程。经过数千次反复训练，每一轮都会更新细胞的状态。只要确实存在能够生成目标图案的神经网络配置，那么通过足够多次的尝试和调整，训练程序最终一定能够找到它。

参数调整的实现方式包括反向传播、遗传算法等。反向传播虽然训练速度更快，但需要连续平滑的变化过程。而生命游戏中细胞只有死亡或存活两种状态，这种跳跃式状态切变导致反向传播无法使用。为此，Mordvintsev借鉴了2010年代中期谷歌东京实验室Bert Chan等人的创新思路：将细胞状态设置为0到1之间的连续数值，让NCA中的细胞不再是绝对的死亡或存活，而始终处于两者之间。

此外，Mordvintsev发现训练过程中需要为每个细胞添加“隐藏”变量。这些变量不表示细胞的生死状态或类型，却能指导细胞的行为特征。“没有这些变量，系统根本无法正常工作。”如果像传统生命游戏那样让所有细胞同步更新，生成的模式会显得僵硬不自然，缺乏目标图案的特征。这个问题的解决方案是采用随机间隔更新机制。

Mordvintsev的神经网络最终包含8000个参数。这个数字初看令人费解——2020年卡内基梅隆大学博士研究生Jacob Springer和洛斯阿拉莫斯国家实验室Garrett Kenyon进行的模拟中，将生命游戏直接转换为神经网络只需25个参数。

之所以参数数量巨大差异，是因为学习执行某项任务，往往比执行该任务要困难得多，因此需要更大的网络规模。同时，参数数量的增加也带来了能力的质变，传统生命游戏虽然能够展现出极其丰富的涌现行为，但Mordvintsev的NCA凭借其庞大的参数空间，已经跃升到了一个全新的复杂度层次。

感兴趣的读者，可参考2020年Mordvintsev发表的论文第一篇NCA论文及交互小程序 Mordvintsev, A., Randazzo, E., Niklasson, E., & Levin, M. (2020). Growing Neural Cellular Automata. Distill.

类似生命的再生能力

▷Mordvintsev 的神经元胞自动机示例，测试链接：https://distill.pub/2020/growing-ca/

NCA中的图像并非逼真的动物模拟——它们没有心脏、神经或肌肉，仅仅是形状像动物的多彩细胞图案。但它们确实捕捉了形态发生的某些关键方面，即生物细胞形成组织和身体的过程。NCA提供了一种通用方法来模拟不涉及运动、仅涉及状态变化（此处以颜色表示）以及化学物质吸收或释放的细胞可能行为范围。在元胞自动机中，每个细胞的反应仅基于其邻居的状态，而非在主控指导下就位。

真实细胞内部虽并不存在所谓的“神经网络”，但每个细胞都在运行相同的DNA，就像运行着一套经过高度进化、非线性且具有目的性的“程序”，以决定在外部刺激和内部状态下将采取何种行动。如此，细胞能够实现自组织，重现自身的结构。

NCA的再生能力，源于训练中Mordvintsev的意外发现——如果给单个像素的规则是形成蜥蜴，那么即使存在巨大伤口，蜥蜴也能复原完整。于是，他开始针对性训练NCA的再生能力，例如故意损坏一个模式，并调整规则，直到系统能够恢复。

Mordvintsev发现，NCA会自发采用冗余策略来确保鲁棒性。例如，如果训练系统防止关键部位（如动物眼睛）受损，系统可能会生产“备用副本”。“无法让眼睛足够稳定，NCA于是开始增殖——比如长出三个眼睛。”

至于是什么赋予了NCAs的再生能力，哥本哈根IT大学计算机科学家Sebastian Risi认为，其中一个因素是随机更新间隔等特征为自动机引入的不确定性。这种看似“干扰”的不确定性，实际上成为了系统进化出鲁棒性的驱动力。这一原理与自然界的生物系统高度吻合，Ris指出“生物系统之所以如此鲁棒，正是因为它们所处的底层环境充满了噪声。”

在NCA中增加记忆

2024年，来自塔夫茨大学和维也纳理工大学的理论物理学家Ben Hartl加入了Risi和Levin的研究团队，试图利用NCA研究了噪声如何导致鲁棒性。他们在传统的NCA架构中增加了一个特性：记忆。增加后的系统可以通过两种方式重现期望的图案——调整网络参数，或将图案逐个像素地存储在记忆中。研究人员在各种条件下对其进行了训练，观察它会采用哪种策略。

结果颇为有趣：在简单任务重，系统倾向于选择记忆。毕竟，如果只要重现固定模式，直接“背下来”显然比费力调整复杂的神经网络要高效得多。

然而，当研究人员在训练中引入噪声干扰时，情况发生了逆转。面对不确定性，神经网络开始展现其价值——它能够发展出抵抗噪声的策略，而单纯的记忆则显得束手无策。即便研究人员更换目标模式，该网络能够更快地学会新图案，因为它已经掌握了诸如绘制线条等可迁移的技能；相比之下，单纯依赖记忆的方法则必须从零开始。简言之，对噪声具有鲁棒性的系统通常也更具灵活性。

研究人员认为，他们的这套实验设置实际上是对自然进化机制的一种模拟。在真实的生物进化中，基因组并不直接规定生物体的性状；相反，它编码的是一套能够生成性状的发育机制。这是这种可以灵活重组现有能力的机制，使得物种能够更快地适应新环境，“这极大地加速了进化过程”。

不过，Lila Sciences研究计算进化和自然进化的人工智能研究员Ken Stanley也警告说，尽管NCA功能强大，但它仍然只是生物学的不完美模型。与机器学习不同，自然进化并不是靶定特定目标发展。他指出：“进化并非预见了鱼类的某种理想形态，然后想方设法将其编码出来。”因此，从NCA中获得的教训可能无法推广到自然界。

全新范式计算能耗低

NCA在缺损再生的过程中展现出解决问题的能力，这让Mordvintsev认为它们有望成为通用计算的新范式。虽然NCA表面上是在形成视觉图案，但其本质仍是根据算法处理细胞状态数值的过程。在适当条件下，元胞自动机具备与其他类型的计算机同的的通用计算能力。

回顾计算机发展史，冯·诺依曼在20世纪40年代提出了第一种计算机标准模型，将中央处理器与存储器相结合，CPU依次执行一系列指令。神经网络则是第二种架构，它将计算和存储分配到数千到数十亿个相互连接的并行运行的单元上。NCA延续了这一思路，但并行得更为彻底——每个计算单元仅与其邻居相连，而放弃了冯·诺依曼架构和神经网络架构中存在的长程连接。

这种设计差异带来了显著的能效优势。长程连接是传统计算系统的主要耗能瓶颈，因此如果NCA能具备其他计算系统的功能，将实现巨大的节能效果。正如谷歌技术与社会部门的首席技术官Blaise Agüera y Arcas所言，“一台类似NCA的计算机，其效率将远超现有的任何计算机。”

但如何为这样的系统编写代码呢？圣菲研究所的Melanie Mitchell认为：“真正需要做的是构建有关抽象概念——就像编程语言之于冯·诺依曼式计算一样。至于大规模分布式并行计算的编程范式，我们至今一无所知。”

神经网络并非直接编程而成，而是通过训练获得功能。20世纪90年代，加州大学戴维斯分校的Jim Crutchfield和圣菲研究所的Peter Hraber以及Mitchell展示了元胞自动机如何实现同样的功能。他们使用遗传算法训练自动机执行多数操作（the majority operation），即如果多数细胞死亡，其余的细胞也会死亡；如果多数细胞存活，所有死亡的细胞都会恢复生命。细胞必须在不了解全局情况的情况下完成这一操作——每个细胞只知道其邻居中有多少存活、多少死亡，但无法看到更远的地方。在训练过程中，系统自发地发展出了一种新的计算范式：死亡或存活的细胞区域会扩大或缩小，最终占主导地位的细胞区域会完全占据整个自动机。“这是一种非常有趣的算法，如果能称为‘算法’的话，”Mitchell说道。

这些想法一度沉寂，直到NCA出现，又重新激发了在元胞自动机上进行编程的一系列设想。

▷读取手写数字的NCA示例，测试网址：https://distill.pub/2020/selforg/mnist/

2020年，Mordvintsev及同事创造了一个能够读取手写数字的NCA。这是一个经典的机器学习测试案例：当你在自动机中绘制一个数字，细胞会逐渐改变颜色，直到它们都变成相同的颜色，从而识别出数字。

今年，伦敦帝国学院的Gabriel Béna和他的合著者，基于软件工程师Peter Whidden未发表的工作，创造了一种用于矩阵乘法及其他数学运算的算法，这一算法“显然已经学会了真正的矩阵乘法”，正如Béna所言。

最近，挪威奥斯陆大学学院的教授Stefano Nichele（专门从事非常规计算机架构研究）以及他的合著者们，将NCAs应用于解决抽象推理语料库（Abstraction and Reasoning Corpus）中的问题，这是一个旨在衡量通用智能发展进程的机器学习基准。这些问题类似经典的智商测试：许多题目由成对的线条图组成，你需要弄清楚第一个图形如何转变为第二个图形，然后将该规则应用于新的案例中。例如，第一个是短对角线，第二个是长对角线，那么规则就是“延伸线条”。

▷抽象推理语料库题目示例. 图源：substack

传统神经网络在此类问题上表现糟糕，因为它们倾向于记住像素排列，而不是提取规则。但细胞自动机缺乏长程连接，无法一次性获取整个图像，也就无法记忆。在上述例子中，它无法看出一条线比另一条线长。它唯一能将它们关联起来的方式是通过一个将第一条线增长以匹配第二条线的过程。因此，它能自然地识别出变换规则，从而能够顺利应对全新的案例。“这其实是在强制它不去记忆答案，而是去学习一个开发出解决方案的过程”，Nichele说道。

NCA也开始被用于来编程机器人集群。机器人集群这一概念由Stanisłav Lem（斯坦尼斯瓦夫·莱姆）等科幻作家在20世纪60年代提出，并在90年代开始成为现实。佛蒙特大学机器人研究者Josh Bongard提出，NCA系统可以设计出能够紧密协作的机器人，它们不再仅仅是集群，而成为一个统一的有机体。“想象一下，机器人集群像一群蠕动中的昆虫或细胞，它们互相爬行并不断重构。这就是多细胞生物的真实状态。目前相关研究还处于早期阶段——但这可能是机器人领域的可行方向。”

为此，Hartl、Levin和维也纳大学物理学家 Andreas Zöttl训练了一群虚拟机器人——模拟池塘中的一串珠子，像蝌蚪一样摆动。“这个架构非常稳健，它们能够在其中游来游去。”

NCA展现出的潜在可能性是无限的。如果生物学家能够弄清楚NCA中的蝴蝶如何如此巧妙地再生翅膀，也许医生能够促使我们的身体重新生长失去的肢体。对于经常从生物学中寻找灵感的工程师来说，NCA是一种潜在的全新模型，用于创建无需中心协调即可执行任务的完全分布式计算机。在某些方面，NCA可能在问题解决方面比神经网络更具天生的优势。

在Mordvintsev看来，生物学、计算机和机器人之间的交叉融合，正在延续20世纪40年代计算科学早期的传统——那时冯·诺依曼和其他先驱们自由地从生物学中汲取灵感。“对于那一代人来说，自组织、生命和计算之间的关系是显而易见的。这些领域不知何故发生了分化，而现在它们正在重新走向统一。”

原文链接：

延展阅读：何为智能与人工生命？

冯·诺依曼的自复制自动机（self-reproducing automata）表明，在一个物理定律不允许进行计算的宇宙中，生命进化是不可能的。幸运的是，我们宇宙的物理学允许进行计算，这一点由我们能够建造计算机——而且我们确实在这里——的事实所证明。

现在我们处于一个能够提出问题的位置：在一个能够进行计算的宇宙中，生命将多久出现一次？显然，它在这里发生了。这是奇迹，是必然，还是介于两者之间？

Blaise Agüera y Arcas和几位合作者于2023 年末开始探索这个问题。他们最初的实验使用了一种由一位瑞士物理系学生和业余杂耍爱好者三十年前发明的神秘编程语言，即Urban Müller所创造的Brainfuck语言。请将所有命名的反馈直接发送给他。

然而，这名字起的没错，用Brainfuck编程简直是一场噩梦。例如，下面是一个打印“helloworld”的Brainfuck程序——祝你好运，看懂它。

++++++[−>+++++−[>[++++>]++++[−]>>>>.>+..+++.>.>>−.

Brainfuck的优势在于其极致的极简主义。它并非是一种单指令语言（single-instruction language，即处理器在每个时钟周期内执行一条指令），它仅包含少量操作。如同图灵机，该语言规定了一个读写头，该头可以在磁带上向左（“ ”指令）移动。 “ + ”和“ − ”指令用于增加和减少磁带（tape）上当前位置的字节。 “ 33 ” “ , ”和“ . ”指令用于从控制台输入一个字节或向其输出一个字节（在上面的代码中，你可以数出十个“ . ”指令，每个指令打印“helloworld”中的一个字母）。最后，“ [ ”和“ ] ”指令用于实现循环：“ [ ”如果当前位置的字节为零，将跳转到与之匹配的“ ] ”；“ ] ”如果字节不为零，将跳转回与之匹配的“ [ ”。就是这样！

很难相信Brainfuck语言能够在诸如Windows的操作系统中被部署，但它具有“图灵完备性”。在这里这意味着：只要给定足够的时间和内存（也就是说，足够长的磁带），它就能模拟任何其他计算机，并计算任何可计算的事物。

上述研究中，研究者构建了一个称为汤（bff）的模拟环境，其中包含数千条磁带，每条磁带都包含Brainfuck代码和数据。在Brainfuck程序中，代码与磁带是分离的，而在bff中，我们希望代码能够自我修改。这只有在代码本身位于磁带上时才可能实现，这就像图灵最初所设想的图灵机。

bff磁带的长度是固定的64字节，大约与上面那个神秘的“helloworld”程序一样长。它们开始时被填充了随机字节。然后，它们会持续随机地相互作用。在一次相互作用中，两条随机选择的磁带会被首尾相连，这个组合起来的128字节长的磁带会被执行，也有可能自我修改。然后，被分为两个64字节的磁带，并返回到“汤”中。偶尔，某个字节的值会被随机改变，就像宇宙射线对DNA所做的那样。

上述实验中描述的，可视为一个简化版的NCA，其中每个磁带可以是一个带记忆的神经网络，由对应Brainfuck代码构成，NCA中的交互，是在一个二维网格中，而bff中的交互，则是随机选择的两个磁带组合并执行，而不受到磁带所在位置的制约，除此之外，上述实验描述的过程，就是缺少外界感知能力的NCA在开放环境下的演化过程。

由于Brainfuck只包含七条指令（用字符“ +−, ”表示），而存在256种可能的字节值，随机初始化后，给定磁带上只有7/256，即2.7%的字节包含有效指令；任何非指令都被简单地跳过。因此，最初时，磁带之间的交互并没有太多结果。偶尔，一条有效指令会修改一个字节，这种修改会持续存在于"汤"中。然而，平均而言，每次交互只进行一两个计算操作，而且通常没有效果。换句话说，虽然在这个玩具宇宙中理论上任何计算都是可能的，但实际上最初发生的事情却很少。随机突变可能会改变这里或那里的一个字节。即使一条有效指令导致一个字节发生变化，但这种改变也是任意的、没有目的的。

但经过数百万次交互后，奇妙的事情发生了：磁带开始复制！随着它们生成自身的副本以及彼此的副本，随机性逐渐让位于复杂的秩序。这种变化的突然性类似于“相变”，如气体与液体之间，或液体与固体之间的转化。事实上，汤的初始无序状态与随机旋转的气体分子非常相似。

我们将能执行特定功能的代码称为“计算子”， 当相变发生时，计算量会急剧增加。。而这其中的关键，类似线粒体被吞噬后成为真核生物的一部分。Brainfuck的七条指令中有两条（“ [ ”和“ ] ”）用于条件分支，并在代码中定义循环。繁殖至少需要一个这样的循环（“复制字节直到完成”），而这会导致每次交互中执行的指令数量增加到数千条。

▷磁带中相同指令编码的字节数的直方图，在1500万次后变为全磁带复制，但计算量依然在持续增加

进化产生的代码不再随机，而是明显具有目的性，其功能可以被分析和逆向工程。不幸的突变可能破坏它，使其无法复制。随着时间的推移，代码进化出巧妙的策略来增强其抵御此类损害，以增强鲁棒性。

这种功能和目的的出现，就像我们在各个尺度的有机生命中所看到的那样；因此，我们可以谈论循环系统的功能、肾脏或线粒体的功能，以及它们如何“失效”——尽管没有人设计这些系统。

研究团队使用多种编程语言和环境重现了基本结果。以NCA闻名的Alex创建了NCA模式下的bff。一个200×200的“像素”数组中的每个元素都包含一个磁带，并且交互仅在网格上的相邻带之间发生。为了纪念这些研究者充满nerd味的童年，这些磁带被解释为1976年推出的标志性8位计算机Zilog Z80微处理器的指令。在这些研究中，复杂的可复制程序也很快从随机交互中涌现，并在连续的波浪中在网格上进化和扩散。

模拟表明，在一般情况下，只要条件允许，生命就会自发产生。促成生命的条件似乎很简单：只需要一个能够支持计算的环境、一些随机性以及足够的时间。

让我们停下来思考一下为什么这是如此非凡。

从直觉上看，人们并不期望功能或目的性会自发产生。当然，我们早已知道，在初始随机条件下可以产生一定程度上的秩序；例如，波浪的拍打可以大致将沙滩上的沙子排序，形成从细到粗的梯度。但如果我们从受随机波浪作用的沙滩上的沙子开始，几小时后回来发现那里写着一首诗，或者沙粒熔合成了一个复杂的电子电路，我们会认为有人在捉弄我们。

复杂秩序自发产生的极端不可能性通常被认为源于热力学，即物理学中研究物质在随机热波动作用下的统计行为。热力学指出，所有物质，因为高于绝对零度，都会受到随机性的影响。受随机力作用的物质被认为会变得更加随机，而不是随机性减少。然而，通过生长、繁殖、进化，甚至仅仅是存在，生命似乎违背了这一原理。

这只是表面上的违背，因为生命需要自由能的输入，才能使熵的力量得以遏制。然而，生命系统看似自发的出现和“复杂化”现象，似乎并未被物理定律严格禁止，至少也未得到它们的解释。这就是为什么伟大的物理学家薛定谔在他于1944年出版的《生命是什么？》中写道：

生命物质虽然尚未违背迄今为止所确立的"物理学定律"，但很可能涉及此前未知"其他物理学定律"，然而一旦这些定律被揭示，它们将和前者一样成为这门科学中同样不可或缺的一部分。

本章摘引自Google副总裁兼研究员、技术与社会的首席技术官、智能范式团队的创始人Blaise Agüera y Arcas，2025年9月出版的新书《何为智能》（What is intelligence）中第一章部分内容

编译后记

Blaise Agüera y Arcas的《何为智能》（What is intelligence？）一书中，提出了一个核心思想，将生命视作“一种因进化选择动态稳定性而出现的自我修改的可计算物质”，那么智能就是“一种模拟、预测和影响自身未来的能力，在与其他智能的关系中进化，以创造更大的共生智能”。

从这个角度来说，智能本质上是一种计算过程，可以跨越不同载体，在神经元、硅片还是NCA中实现。因此，可通过NCA去揭示生命如何起源，随机性促成具有简易功能的可复制原件，而当可复制原件组合成更大的合作组织时，复杂性就会如水沸腾一般迅速增长。

NCA作为一种建模工具，不止适合了解生物的复原能力，还能用于对社会现象的建模。例如迷因（meme）的传播，传统建模方法假设个体按照固定规则决定是否传播信息，但这与现实情况不符。而NCA则可解释为何有些谣言即使辟谣仍会反复出现。

从核糖体网络到人类社会再到人机混合体，从输入法预测下一个词到大模型的出现，任何包含随机性和计算的宇宙都会偶然遇到自我复制程序。这样的程序实体化后可视为生命，而表现出的行为则是智能的体现。

来源：博识雅士一点号