从深度学习的崛起到进化计算的挑战</
自2012年深度学习引领人工智能的革新，如图像识别与语音理解的突破，进化计算开始崭露头角，与深度学习并肩竞争。它借鉴了达尔文的“改变-继承”理念，将生物进化理论转化为强大的优化工具，用于解决最优化问题，如通过适应度函数指导的算法优化。
进化计算：生物智慧的计算模拟</
进化计算是受生物进化原理启发的全局优化方法，它融合了遗传、自然选择的概念。如同生物中的基因型与表现型，计算模型中也引入了基因型编码、表现型映射、进化过程、适应度评估和选择机制。其中，进化策略如CMA-ES，通过扰动和评估参数分布，即使在缺乏梯度信息的情况下也能寻求优化；而遗传算法则通过选择、遗传或变异个体，将基因直接编码于模型参数中，两种方法在种群结构和编码方式上有所差异。
进化的多样性与间接编码</
Uber团队的研究表明，进化计算可以间接编码行为，例如通过基因影响蛋白质，进而影响行为的发展。间接编码的遗传算法虽在大规模问题上可能不如直接编码，但在处理复杂模型的编码上却展现出优势。例如，HyperNEAT，斯坦利和Miikkulainen的创新，允许神经网络结构的进化，与直接编码的模型形成鲜明对比，如CPPN通过基因组映射生成任务网络的连接权重，适应性地驱动任务网络的进化。
开放式进化与人工生物的智能进化</
在开放式环境中，人工生物的进化推动了人工智能的进步，特别是在共同进化和动态环境中。例如，猎豹和黑斑羚的速度提升，以及狼的社会行为发展，都是共同进化的结果。OpenAI的研究展示了强化学习训练的智能体之间复杂而协同的互动，强化学习更侧重团队表现而非个体奖励，与进化计算形成鲜明对比。
未来展望：进化计算的潜力与挑战</
尽管深度学习取得了显著成就，但进化计算在人工智能领域依然潜力巨大。通过多样动态环境、社交互动等元素的融入，进化计算可能提升计算效率。硬件优化也在探索中，如利用基因选择加速任务的执行，通过基因到指令映射，进一步挖掘进化计算的效能。相关研究如：