进 化 有 智 能

□ 余 岩

哺乳动物的眼睛（左图）和鸟类的羽毛（右图）都拥有巧夺天工的设计

自然选择面对的是千变万化的随机“选项”，而其中最完美的解决方案，就是进化论的生存法则；自然界中有千千万万解决问题的高手，而其中最无懈可击的集大成者，就是人类的大脑；也许是巧合，也许不是，但进化与人类大脑之间确实表现出了一种共性——这就是智能

是自然的选择，还是神祇的创造

仔细观察鸟类的羽毛，你会发现它是如此的巧夺天工：每根羽丝都以钩槽彼此扣合；它们轻盈而坚韧，灵巧又美丽，就像造物主特意为了飞行而设计过似的。哺乳动物的眼睛也同样拥有无与伦比的设计：能够调节进光量的瞳孔、调节焦距的晶状体，以及感受各种光线和色彩的视细胞和神经……自然界中随处可见这般精妙的设计，它们真的是进化的产物吗?

几个世纪以前，这些完美的设计都被认为是神祇的有意为之，是神创论的有力证明，就连达尔文本人都讶异于自然选择能造就出如此纷繁复杂的多样性。时至今日，基于神创论的智能设计理论依然大行其道，因为直觉告诉我们，如此完美的设计是难以从无意识的过程中产生的——这就像黑猩猩随机敲打键盘，竟写出了莎士比亚巨著一样概率渺茫。

现在我们已经知道，直觉并不可靠。鸟类的羽毛、哺乳动物的眼睛，甚至所有生物体的产生都完全是进化的结果。但同时我们也知道，目前的进化理论还远远谈不上完善。自然选择的“选项”完全建立在随机突变之上，而任何一种随机机制都会产生巨量的可能性。面对天文数字般庞杂的可能性，自然选择需要拿出一套最完美的解决方案，那么，它是如何快速准确地决定出谁最有资格“适者生存”，怎样的种群大小和传代数量才能最适应环境的呢?

过去，我们认为这是通过大规模并行处理实现的：生物体倾向于大规模地繁衍后代，用大量的后代同时测试所有潜在的方案。近年来，一种激进的新理论提供了更加广阔的视角。这种理论将有目的的智能设计和随机的自然选择结合在一起，它认为，进化看似简单，但其中蕴含了一种“学习”机制——它可以根据过去成功的经验来优化未来的行为。

是重现旧有的经验，还是对未来的预测

让我们暂且略过复杂的理论，先来看看进化学说的三个核心——变异、自然选择和遗传吧。变异源于随机的基因突变，从而产生携带不同基因型的个体；自然选择筛选出最适应环境的基因型，使其留下最多的后代；遗传使得这些适应环境的基因型能够流传到它们的后代之中。这三个过程交替发生，创造出新的性状乃至新的物种。

乍一看，其中似乎并不需要引入“学习”机制。说进化能够“学习”，似乎是一种拟人化的描述：当我们学习的时候，某种程度上也就是在预测未来——我们综合过去的经验和当下的境况，提出未来的应对之道；但是进化是无法预知未来的，自然在做出选择的时候，并不知道未来会面对什么样的挑战。

果真如此吗?

实际上，学习并不是真的在预测未来。例如，当我们过马路时，我们并不能预测所有车辆的运行轨迹，我们只是根据记忆中无数次过马路的经历来选择停下或前进。这不过是重现了过去成功的经验而已。同样，自然选择也可以重现曾经“成功”的性状，二者没有本质的区别。那些看起来极端特化的器官，例如角蜂眉兰拟态雌胡蜂的花冠、蚊子用来吸血的口器等，其实都无须从头开始演化，只要它们的祖先有过类似的“经验”，后代就可以坐享其成。

进化的作用方式，也是人脑的学习方式

几十年前，我们曾天真地认为一个基因只对应一个特定的性状，像人类这样复杂的生物一定会拥有巨量的基因。20世纪90年代人类基因组测序启动之初，人们预计会鉴定出超过10万个基因，然而最终这一数字只有不到25000。现在我们知道，基因不是孤军奋战的，它们彼此关联，构成了复杂的调控网络。当某一个基因发生了突变，调控网络中其他基因的活动也会随之改变。也就是说，由于调控网络的存在，无论是机体“审时度势”的主动调整，还是DNA修复的无心之失，这些突变都不仅作用于单个基因，而且会影响到调控网络中的多个基因。

这使得你的基因型可以表现出适宜生存的显型——基因型是指你从父母那里遗传到的一整套基因，而显型就是你身上所表现出的性状特征。英国南安普顿大学的理查德·沃森说：“进化就是创造出适应环境的性状的过程，而实现它的方式，就是改变和生成基因之间的连接。”

角蜂眉兰

进化的这种作用方式与人脑非常相似。人脑，这个地球上最聪明的学习者，其内部遍布由神经纤维构成的神经网络。如果两个神经元同时被激活，它们之间的连接就会被加强。正如进化是通过改变基因之间的连接实现的，人类的学习过程本质上就是神经元之间连接强度的改变。

这就是神经生理学家唐纳德·赫布在20世纪中叶提出的赫布型学习理论，基于该理论的简单模型能够解决从样本分类到优化方案等一系列错综复杂的问题。沃森认为，如果进化的过程也满足赫布型学习模型，那就可以解释为什么它能够如此游刃有余地解决各种问题，应对各种环境，并能在短时间内创造出各种复杂的性状。

用赫布型学习理论解释进化的学习机制

根据赫布型学习理论，沃森与美国耶鲁大学的冈特·瓦格纳建立了相应的进化模型。在这个模型中，处于同一网络的关联基因能够像在自然环境中一样，增强或降低彼此的活跃程度。基因表现出的不同性状最终以像素点的形式呈现在一张屏幕上，也就是说，改变基因将生成不同的图像。

研究人员随机改变基因调控网络中的碱基，且每次只改变一个碱基，然后以达尔文的头像作为最优结果来模拟选择压力。显而易见，在这样的选择压力下，整个系统最终不出所料地生成了达尔文的头像。而当最优结果设为赫布的头像时，它可以“教会”这个进化模型用同样的方式来产生赫布的头像。

但接下来才是见证奇迹的时刻。研究人员移除了驱使生成达尔文和赫布头像的选择压力，而只是保留了上一轮实验中筛选出的每一个碱基，此时系统并没有生成一个随机的图像，也没有生成达尔文和赫布的混合头像，而是二选一地生成了达尔文的头像或者赫布的头像——要知道，哪怕一个小小的碱基没有“记住”上一轮实验中发生了什么，就足以“失之毫厘，谬以千里”。这说明当基因调控网络获得了解决方法之后，它能够使之成为自己的记忆，并且在不同的环境中重现。这恰恰是人脑会做的事情。

事实上，类似的例子在自然界中屡见不鲜。例如鳄鱼基因组对性别的选择依据就是蛋孵化的温度，而不同的性别就相当于上述模型中的两幅头像。但是，人脑的学习并不仅仅是记忆和重复过去的解决方案。沃森说：“一个真正完善的学习系统还必须具有创新的能力，即便遭遇全新的环境，依然能够给出足够优秀的解决方案。”

这种创新能力要求人脑——或者进化——首先会提炼新旧问题中的相似性，然后才能以过去的解决方案为模块构建新的方案。在进化中，整个基因调控网络就好比一座大厦，过去的成功经验就像是烧制好的砖块，同样的砖块在不同的大厦中可能位于不同的位置，构建新的大厦时可以直接利用这些砖块，而不需要从混合沙子和水开始做起。

只不过，同样位置的碱基的变化作用到不同的基因调控网络可能会产生截然不同的效果，在长颈鹿身上会改变四肢长度的变异到了蝙蝠身上可能会增加其翼展。羽毛和眼睛的演化也不需要从头开始，而是可以通过组合各种曾成功适应环境的模块来实现。这种学习能力不需要任何超自然的干预，而是随机变异和自然选择作用于基因调控网络的必然结果。

用深度学习模型揭开生命演变的奥秘

38亿年来，地球上的生命发生了翻天覆地的演变：从可自我复制的分子演化到细胞结构，从单细胞结构演化到多细胞结构，从无性生殖演化到有性生殖……这些演变的奥秘一直众说纷纭。将学习理论和进化理论相结合，或许能够使我们看到解答这些问题的曙光。

在长颈鹿身上会改变四肢长度的变异到了蝙蝠身上可能会增加其翼展

深度学习理论（上图）或许可以解释生命演变（下图）的奥秘

这道曙光或许就是深度学习模型。2016年初，谷歌开发的阿尔法围棋人工智能程序击败了人类顶尖棋手李世石，它采用的就是类似赫布型学习的算法。所不同的是，阿尔法围棋会“冻结”已有的学习成果，并将其作为下一次学习的开始。“这种遗传式的算法可以解决单一级别模型所不能解决的问题。”沃森说。例如，如果我们能找出产生上述演变所需的外部条件，或许这种算法就能够为我们揭示从微生物向多细胞生物的演化之路。

物种基因的进化历程与人类的学习过程具有许多相似之处，而人类的学习本身也是进化的产物，这为沃森的学说增加了可信度。如果对进化和人脑的认知都是基于相同的原理，两者的理论就可以相互借鉴。比方说，我们可以用进化的观点去研究婴儿是如何轻松快速地掌握一门语言的，也可以解释为何今天的婴儿比几百年前的祖先掌握得更好。

进化看起来充满奇迹，因为它真的很智能。沃森说：“进化得到的性状看起来像是智能设计的产物，这并不是进化理论的反例，而恰恰是其最有力的证据。”