神經元胞自動機：在算法灰燼中重生的生命火花

何為生命？何為智能？這些古老的哲學問題在計算科學的新視角下獲得了令人驚嘆的啟示。神經元胞自動機（Neural Cellular Automata，NCA）作為一種新興的計算模型，正在揭示生命和智能從簡單規則中自然涌現的可能。

本文系統介紹了NCA的發展歷程、訓練機制及其展現出的驚人再生能力。從NCA的誕生到其作為可編程計算范式的廣闊應用前景，文章將帶您探索這一前沿領域如何重新定義我們對生命本質的理解。作為延展閱讀，文末還摘引了谷歌科技與社會首席技術官Blaise Agüera y Arcas在其新作《何為智能》（What Is Intelligence?）中關于NCA模擬生命起源的思考。

這些見解為我們提供了一個全新視角：智能的出現或許并非偶然，而是計算過程中的必然涌現。

作者

喬治·穆瑟George Musser

知名科學作家和編輯

擁有布朗大學電氣工程和數學學士學位以及康奈爾大學行星科學研究生學位。他著有《弦理論完全傻瓜指南》（The Complete Idiot's Guide to String Theory）和《遠距離的幽靈作用》（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，其編輯工作曾獲國家雜志獎，個人也榮獲行星科學新聞獎和美國物理學會科學寫作獎等多項榮譽。

神經元胞自動機NCA的誕生

?亞歷克斯·莫爾德文采夫（Alex Mordvintsev）谷歌軟件工程師，主要研究領域為人工智能和神經網絡。他因開發了谷歌的 DeepDream 算法而聞名，該算法能夠通過神經網絡生成奇幻的圖像，催生了一種新的藝術形式——“感應主義”。此外，他還致力于神經網絡的可視化研究，幫助人們更好地理解神經網絡的內部工作機制，其研究成果在學術界和藝術界都產生了廣泛影響。圖源：X

1985年，Alex Mordvintsev出生于俄羅斯烏拉爾山脈東麓的Miass小城。少年時代，他通過自學編程，在一臺蘇聯時代的IBM PC克隆機上編寫了一系列模擬程序，如行星動力學、氣體擴散和螞蟻群落等。自此以后，他便一直著迷于“在計算機中創造一個微型的宇宙，然后讓它運行，并擁有一個你可以完全控制的模擬現實”。

2014年，Mordvintsev加入了蘇黎世谷歌實驗室。彼時多層神經網絡的圖像識別技術風靡科技界，盡管這些系統功能強大，但神經網絡的工作機制卻如同黑盒一般令人困惑——這種困擾直到今天依然存在。他決心深入理解其運作原理。

2015年，他提出了“深度夢境”（DeepDream）——一種能夠捕捉并夸張神經網絡在圖像中識別模式的技術。借助這一技術，普通照片可以被轉化為由狗鼻子、魚鱗或鸚鵡羽毛交織而成的迷幻藝術品。這些奇異的視覺作品迅速席卷了整個互聯網，也讓Mordvintsev一躍成為當時軟件界的知名人物。

?Places205-GoogLeNet. 圖源：Google, Inceptionism gallery

Mordvintsev的“深度夢境”引起了學術界的廣泛關注，Tufts大學發育生物學領軍人物Michael Levin對此尤為感興趣。Levin認為，神經網絡與生物有機體同樣是難以解析的復雜系統；他好奇，這種揭示神經網絡內部運作的方法，是否也能幫助我們理解生命本身。Levin的郵件重新點燃了Mordvintsev對模擬自然的興趣，尤其是引起了他對元胞自動機（cellular automata）的關注。

?90號規則元胞自動機（Rule 90）是一種簡單的一維計算模型，由Stephen Wolfram提出。它基于每個單元格的兩個鄰居狀態，通過異或（XOR）運算更新狀態，能生成復雜的Sierpinski三角形圖案，常用于研究復雜系統和藝術設計。 圖源：Wolfram MathWorld

元胞自動機，是計算機之父馮·諾依曼在20世紀50年代提出的一種仿真方法，最初正是為了模擬生命系統所具有的自復制功能而提出。2020 年，Alex Mordvintsev巧妙地將現代神經網絡、圖靈的形態發生學（morphogenesis）以及元胞自動機結合在一起，創造了“神經元胞自動機”（neural cellular automaton，NCA）。

NCA用神經網絡替換了經典元胞自動機中簡單且固定的像素變化規則。每個格子中的神經網絡能夠感知并影響代表自身及周邊格子中信息素的濃度，經過計算后做出相應反應。NCA可以被訓練來“生長”任何所需的圖案或圖像，而不僅僅是斑馬條紋或豹子斑點。

模仿自然進化的訓練

?蜥蜴形狀復原NCA示例. 圖源：distill

NCA的演示開始時，單個細胞逐步演化成完整的蜥蜴形狀。此時，你用鼠標穿過蜥蜴“劃傷”它，“受損”區域很快開始自我修復——在這些經鼠標擦除所留下的空白像素格子中，NCA的神經網絡感知周圍環境，并根據局部信息計算并調整自身狀態。不久后，完整的蜥蜴圖案便重新顯現。這種強大的自我修復能力，正是NCA最令人驚嘆的特性。

類似的自組織現象，其實在自然界中隨處可見。椋鳥的群舞或螞蟻群體作為一個整體行動，科學家們已經提出了簡單的規則，如果每只鳥或每只螞蟻都遵循這些規則，就能解釋集體行為。同樣，你身體的細胞相互作用，將自己塑造成一個單一的有機體。

NCA的訓練與之類似，其方法不是從規則開始并觀察結果，而是從一個期望的模式開始，找出能夠產生該模式的簡單規則。“想象你想建造一座大教堂，但你不是設計大教堂，就是而是設計磚塊。你的磚塊應該是什么形狀，才能在你將大量磚塊搖晃足夠長的時間后，為你建造起一座大教堂”，這樣的設計思路，正如物理學家和Stephen Wolfra在1986年所描述的“編程系統的基本構件，使它們能夠自組裝成任何你想要的形式。”

NCA的核心創新在于使用神經網絡來定義元胞自動機的物理規則。

在“生命游戲”中，網格中的每個細胞要么活著，要么死亡，在模擬時鐘的每個滴答聲中，要么繁殖、死亡或保持不變。每個細胞的行為規則表現為一系列條件：例如，“如果一個細胞擁有超過三個鄰居，它就會死亡”。

而在NCA中，神經網絡替代了固定規則——神經網絡會根據細胞及其鄰居的當前狀態，結合周邊格子的信息素濃度進行計算，從而決定格子（細胞）的狀態（顏色）。這一過程類似于神經網絡在圖像識別中的應用——正如神經網絡可以學會區分狗和貓的圖像特征，NCA中的神經網絡也學會了根據局部環境信息來決定細胞狀態。與傳統元胞自動機需要預設固定規則不同，NCA通過訓練獲得的神經網絡能夠動態地做出決策。

?神經網絡更新示例. 圖源：distill

NCA訓練從一個“活”細胞開始，讓神經網絡控制細胞不斷演化，最終將生成的圖案與目標圖案進行對比。初次嘗試時，生成的結果往往與目標圖案毫無相似之處。此時需要調整神經網絡的參數，重新運行網絡觀察是否有所改善，然后不斷重復這個過程。經過數千次反復訓練，每一輪都會更新細胞的狀態。只要確實存在能夠生成目標圖案的神經網絡配置，那么通過足夠多次的嘗試和調整，訓練程序最終一定能夠找到它。

參數調整的實現方式包括反向傳播、遺傳算法等。反向傳播雖然訓練速度更快，但需要連續平滑的變化過程。而生命游戲中細胞只有死亡或存活兩種狀態，這種跳躍式狀態切變導致反向傳播無法使用。為此，Mordvintsev借鑒了2010年代中期谷歌東京實驗室Bert Chan等人的創新思路：將細胞狀態設置為0到1之間的連續數值，讓NCA中的細胞不再是絕對的死亡或存活，而始終處于兩者之間。

此外，Mordvintsev發現訓練過程中需要為每個細胞添加“隱藏”變量。這些變量不表示細胞的生死狀態或類型，卻能指導細胞的行為特征?！皼]有這些變量，系統根本無法正常工作。”如果像傳統生命游戲那樣讓所有細胞同步更新，生成的模式會顯得僵硬不自然，缺乏目標圖案的特征。這個問題的解決方案是采用隨機間隔更新機制。

Mordvintsev的神經網絡最終包含8000個參數。這個數字初看令人費解——2020年卡內基梅隆大學博士研究生Jacob Springer和洛斯阿拉莫斯國家實驗室Garrett Kenyon進行的模擬中，將生命游戲直接轉換為神經網絡只需25個參數。

之所以參數數量巨大差異，是因為學習執行某項任務，往往比執行該任務要困難得多，因此需要更大的網絡規模。同時，參數數量的增加也帶來了能力的質變，傳統生命游戲雖然能夠展現出極其豐富的涌現行為，但Mordvintsev的NCA憑借其龐大的參數空間，已經躍升到了一個全新的復雜度層次。

感興趣的讀者，可參考2020年Mordvintsev發表的論文第一篇NCA論文及交互小程序 Mordvintsev, A., Randazzo, E., Niklasson, E., & Levin, M. (2020). Growing Neural Cellular Automata. Distill.

類似生命的再生能力

?Mordvintsev 的神經元胞自動機示例，測試鏈接：https://distill.pub/2020/growing-ca/

NCA中的圖像并非逼真的動物模擬——它們沒有心臟、神經或肌肉，僅僅是形狀像動物的多彩細胞圖案。但它們確實捕捉了形態發生的某些關鍵方面，即生物細胞形成組織和身體的過程。NCA提供了一種通用方法來模擬不涉及運動、僅涉及狀態變化（此處以顏色表示）以及化學物質吸收或釋放的細胞可能行為范圍。在元胞自動機中，每個細胞的反應僅基于其鄰居的狀態，而非在主控指導下就位。

真實細胞內部雖并不存在所謂的“神經網絡”，但每個細胞都在運行相同的DNA，就像運行著一套經過高度進化、非線性且具有目的性的“程序”，以決定在外部刺激和內部狀態下將采取何種行動。如此，細胞能夠實現自組織，重現自身的結構。

NCA的再生能力，源于訓練中Mordvintsev的意外發現——如果給單個像素的規則是形成蜥蜴，那么即使存在巨大傷口，蜥蜴也能復原完整。于是，他開始針對性訓練NCA的再生能力，例如故意損壞一個模式，并調整規則，直到系統能夠恢復。

Mordvintsev發現，NCA會自發采用冗余策略來確保魯棒性。例如，如果訓練系統防止關鍵部位（如動物眼睛）受損，系統可能會生產“備用副本”?！盁o法讓眼睛足夠穩定，NCA于是開始增殖——比如長出三個眼睛?！?/p>

至于是什么賦予了NCAs的再生能力，哥本哈根IT大學計算機科學家Sebastian Risi認為，其中一個因素是隨機更新間隔等特征為自動機引入的不確定性。這種看似“干擾”的不確定性，實際上成為了系統進化出魯棒性的驅動力。這一原理與自然界的生物系統高度吻合，Ris指出“生物系統之所以如此魯棒，正是因為它們所處的底層環境充滿了噪聲?！?/p>

在NCA中增加記憶

2024年，來自塔夫茨大學和維也納理工大學的理論物理學家Ben Hartl加入了Risi和Levin的研究團隊，試圖利用NCA研究了噪聲如何導致魯棒性。他們在傳統的NCA架構中增加了一個特性：記憶。增加后的系統可以通過兩種方式重現期望的圖案——調整網絡參數，或將圖案逐個像素地存儲在記憶中。研究人員在各種條件下對其進行了訓練，觀察它會采用哪種策略。

結果頗為有趣：在簡單任務重，系統傾向于選擇記憶。畢竟，如果只要重現固定模式，直接“背下來”顯然比費力調整復雜的神經網絡要高效得多。

然而，當研究人員在訓練中引入噪聲干擾時，情況發生了逆轉。面對不確定性，神經網絡開始展現其價值——它能夠發展出抵抗噪聲的策略，而單純的記憶則顯得束手無策。即便研究人員更換目標模式，該網絡能夠更快地學會新圖案，因為它已經掌握了諸如繪制線條等可遷移的技能；相比之下，單純依賴記憶的方法則必須從零開始。簡言之，對噪聲具有魯棒性的系統通常也更具靈活性。

?即使受到干擾，NCA所形成的紋理也具有自我修復的能力。 圖源：distill

研究人員認為，他們的這套實驗設置實際上是對自然進化機制的一種模擬。在真實的生物進化中，基因組并不直接規定生物體的性狀；相反，它編碼的是一套能夠生成性狀的發育機制。這是這種可以靈活重組現有能力的機制，使得物種能夠更快地適應新環境，“這極大地加速了進化過程”。

不過，Lila Sciences研究計算進化和自然進化的人工智能研究員Ken Stanley也警告說，盡管NCA功能強大，但它仍然只是生物學的不完美模型。與機器學習不同，自然進化并不是靶定特定目標發展。他指出：“進化并非預見了魚類的某種理想形態，然后想方設法將其編碼出來。”因此，從NCA中獲得的教訓可能無法推廣到自然界。

全新范式計算能耗低

NCA在缺損再生的過程中展現出解決問題的能力，這讓Mordvintsev認為它們有望成為通用計算的新范式。雖然NCA表面上是在形成視覺圖案，但其本質仍是根據算法處理細胞狀態數值的過程。在適當條件下，元胞自動機具備與其他類型的計算機同的的通用計算能力。

回顧計算機發展史，馮·諾依曼在20世紀40年代提出了第一種計算機標準模型，將中央處理器與存儲器相結合，CPU依次執行一系列指令。神經網絡則是第二種架構，它將計算和存儲分配到數千到數十億個相互連接的并行運行的單元上。NCA延續了這一思路，但并行得更為徹底——每個計算單元僅與其鄰居相連，而放棄了馮·諾依曼架構和神經網絡架構中存在的長程連接。

這種設計差異帶來了顯著的能效優勢。長程連接是傳統計算系統的主要耗能瓶頸，因此如果NCA能具備其他計算系統的功能，將實現巨大的節能效果。正如谷歌技術與社會部門的首席技術官Blaise Agüera y Arcas所言，“一臺類似NCA的計算機，其效率將遠超現有的任何計算機?！?/p>

但如何為這樣的系統編寫代碼呢？圣菲研究所的Melanie Mitchell認為：“真正需要做的是構建有關抽象概念——就像編程語言之于馮·諾依曼式計算一樣。至于大規模分布式并行計算的編程范式，我們至今一無所知。”

神經網絡并非直接編程而成，而是通過訓練獲得功能。20世紀90年代，加州大學戴維斯分校的Jim Crutchfield和圣菲研究所的Peter Hraber以及Mitchell展示了元胞自動機如何實現同樣的功能。他們使用遺傳算法訓練自動機執行多數操作（the majority operation），即如果多數細胞死亡，其余的細胞也會死亡；如果多數細胞存活，所有死亡的細胞都會恢復生命。細胞必須在不了解全局情況的情況下完成這一操作——每個細胞只知道其鄰居中有多少存活、多少死亡，但無法看到更遠的地方。在訓練過程中，系統自發地發展出了一種新的計算范式：死亡或存活的細胞區域會擴大或縮小，最終占主導地位的細胞區域會完全占據整個自動機。“這是一種非常有趣的算法，如果能稱為‘算法’的話，”Mitchell說道。

這些想法一度沉寂，直到NCA出現，又重新激發了在元胞自動機上進行編程的一系列設想。

?讀取手寫數字的NCA示例，測試網址：https://distill.pub/2020/selforg/mnist/

2020年，Mordvintsev及同事創造了一個能夠讀取手寫數字的NCA。這是一個經典的機器學習測試案例：當你在自動機中繪制一個數字，細胞會逐漸改變顏色，直到它們都變成相同的顏色，從而識別出數字。

今年，倫敦帝國學院的Gabriel Béna和他的合著者，基于軟件工程師Peter Whidden未發表的工作，創造了一種用于矩陣乘法及其他數學運算的算法，這一算法“顯然已經學會了真正的矩陣乘法”，正如Béna所言。

最近，挪威奧斯陸大學學院的教授Stefano Nichele（專門從事非常規計算機架構研究）以及他的合著者們，將NCAs應用于解決抽象推理語料庫（Abstraction and Reasoning Corpus）中的問題，這是一個旨在衡量通用智能發展進程的機器學習基準。這些問題類似經典的智商測試：許多題目由成對的線條圖組成，你需要弄清楚第一個圖形如何轉變為第二個圖形，然后將該規則應用于新的案例中。例如，第一個是短對角線，第二個是長對角線，那么規則就是“延伸線條”。

?抽象推理語料庫題目示例. 圖源：substack

傳統神經網絡在此類問題上表現糟糕，因為它們傾向于記住像素排列，而不是提取規則。但細胞自動機缺乏長程連接，無法一次性獲取整個圖像，也就無法記憶。在上述例子中，它無法看出一條線比另一條線長。它唯一能將它們關聯起來的方式是通過一個將第一條線增長以匹配第二條線的過程。因此，它能自然地識別出變換規則，從而能夠順利應對全新的案例。“這其實是在強制它不去記憶答案，而是去學習一個開發出解決方案的過程”，Nichele說道。

NCA也開始被用于來編程機器人集群。機器人集群這一概念由Stanis?av Lem（斯坦尼斯瓦夫·萊姆）等科幻作家在20世紀60年代提出，并在90年代開始成為現實。佛蒙特大學機器人研究者Josh Bongard提出，NCA系統可以設計出能夠緊密協作的機器人，它們不再僅僅是集群，而成為一個統一的有機體。“想象一下，機器人集群像一群蠕動中的昆蟲或細胞，它們互相爬行并不斷重構。這就是多細胞生物的真實狀態。目前相關研究還處于早期階段——但這可能是機器人領域的可行方向。”

為此，Hartl、Levin和維也納大學物理學家 Andreas Z?ttl訓練了一群虛擬機器人——模擬池塘中的一串珠子，像蝌蚪一樣擺動?！斑@個架構非常穩健，它們能夠在其中游來游去。”

NCA展現出的潛在可能性是無限的。如果生物學家能夠弄清楚NCA中的蝴蝶如何如此巧妙地再生翅膀，也許醫生能夠促使我們的身體重新生長失去的肢體。對于經常從生物學中尋找靈感的工程師來說，NCA是一種潛在的全新模型，用于創建無需中心協調即可執行任務的完全分布式計算機。在某些方面，NCA可能在問題解決方面比神經網絡更具天生的優勢。

在Mordvintsev看來，生物學、計算機和機器人之間的交叉融合，正在延續20世紀40年代計算科學早期的傳統——那時馮·諾依曼和其他先驅們自由地從生物學中汲取靈感?！皩τ谀且淮藖碚f，自組織、生命和計算之間的關系是顯而易見的。這些領域不知何故發生了分化，而現在它們正在重新走向統一?！?/p>

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

延展閱讀：何為智能與人工生命？

馮·諾依曼的自復制自動機（self-reproducing automata）表明，在一個物理定律不允許進行計算的宇宙中，生命進化是不可能的。幸運的是，我們宇宙的物理學允許進行計算，這一點由我們能夠建造計算機——而且我們確實在這里——的事實所證明。

現在我們處于一個能夠提出問題的位置：在一個能夠進行計算的宇宙中，生命將多久出現一次？顯然，它在這里發生了。這是奇跡，是必然，還是介于兩者之間？

Blaise Agüera y Arcas和幾位合作者于2023 年末開始探索這個問題。他們最初的實驗使用了一種由一位瑞士物理系學生和業余雜耍愛好者三十年前發明的神秘編程語言，即Urban Müller所創造的Brainfuck語言。請將所有命名的反饋直接發送給他。

然而，這名字起的沒錯，用Brainfuck編程簡直是一場噩夢。例如，下面是一個打印“helloworld”的Brainfuck程序——祝你好運，看懂它。

++++++[?>+++++<]>?[>[++++>]++++[<]>?]>>>>.>+.<<…<?.<+++.>.+++.>.>>?.

Brainfuck的優勢在于其極致的極簡主義。它并非是一種單指令語言（single-instruction language，即處理器在每個時鐘周期內執行一條指令），它僅包含少量操作。如同圖靈機，該語言規定了一個讀寫頭，該頭可以在磁帶上向左（“ < ”指令）或向右（“ > ”指令）移動。 “ + ”和“ ? ”指令用于增加和減少磁帶（tape）上當前位置的字節。 “ 33 ” “ , ”和“ . ”指令用于從控制臺輸入一個字節或向其輸出一個字節（在上面的代碼中，你可以數出十個“ . ”指令，每個指令打印“helloworld”中的一個字母）。最后，“ [ ”和“ ] ”指令用于實現循環：“ [ ”如果當前位置的字節為零，將跳轉到與之匹配的“ ] ”；“ ] ”如果字節不為零，將跳轉回與之匹配的“ [ ”。就是這樣！

很難相信Brainfuck語言能夠在諸如Windows的操作系統中被部署，但它具有“圖靈完備性”。在這里這意味著：只要給定足夠的時間和內存（也就是說，足夠長的磁帶），它就能模擬任何其他計算機，并計算任何可計算的事物。

上述研究中，研究者構建了一個稱為湯（bff）的模擬環境，其中包含數千條磁帶，每條磁帶都包含Brainfuck代碼和數據。在Brainfuck程序中，代碼與磁帶是分離的，而在bff中，我們希望代碼能夠自我修改。這只有在代碼本身位于磁帶上時才可能實現，這就像圖靈最初所設想的圖靈機。

bff磁帶的長度是固定的64字節，大約與上面那個神秘的“helloworld”程序一樣長。它們開始時被填充了隨機字節。然后，它們會持續隨機地相互作用。在一次相互作用中，兩條隨機選擇的磁帶會被首尾相連，這個組合起來的128字節長的磁帶會被執行，也有可能自我修改。然后，被分為兩個64字節的磁帶，并返回到“湯”中。偶爾，某個字節的值會被隨機改變，就像宇宙射線對DNA所做的那樣。

上述實驗中描述的，可視為一個簡化版的NCA，其中每個磁帶可以是一個帶記憶的神經網絡，由對應Brainfuck代碼構成，NCA中的交互，是在一個二維網格中，而bff中的交互，則是隨機選擇的兩個磁帶組合并執行，而不受到磁帶所在位置的制約，除此之外，上述實驗描述的過程，就是缺少外界感知能力的NCA在開放環境下的演化過程。

由于Brainfuck只包含七條指令（用字符“ <>+?,[] ”表示），而存在256種可能的字節值，隨機初始化后，給定磁帶上只有7/256，即2.7%的字節包含有效指令；任何非指令都被簡單地跳過。因此，最初時，磁帶之間的交互并沒有太多結果。偶爾，一條有效指令會修改一個字節，這種修改會持續存在于"湯"中。然而，平均而言，每次交互只進行一兩個計算操作，而且通常沒有效果。換句話說，雖然在這個玩具宇宙中理論上任何計算都是可能的，但實際上最初發生的事情卻很少。隨機突變可能會改變這里或那里的一個字節。即使一條有效指令導致一個字節發生變化，但這種改變也是任意的、沒有目的的。

但經過數百萬次交互后，奇妙的事情發生了：磁帶開始復制！隨著它們生成自身的副本以及彼此的副本，隨機性逐漸讓位于復雜的秩序。這種變化的突然性類似于“相變”，如氣體與液體之間，或液體與固體之間的轉化。事實上，湯的初始無序狀態與隨機旋轉的氣體分子非常相似。

?早期版本的bff展示了從隨機初始化到全帶復制的演化過程；僅顯示了用于指令的字節編碼

我們將能執行特定功能的代碼稱為“計算子”， 當相變發生時，計算量會急劇增加。。而這其中的關鍵，類似線粒體被吞噬后成為真核生物的一部分。Brainfuck的七條指令中有兩條（“ [ ”和“ ] ”）用于條件分支，并在代碼中定義循環。繁殖至少需要一個這樣的循環（“復制字節直到完成”），而這會導致每次交互中執行的指令數量增加到數千條。

?磁帶中相同指令編碼的字節數的直方圖，在1500萬次后變為全磁帶復制，但計算量依然在持續增加

進化產生的代碼不再隨機，而是明顯具有目的性，其功能可以被分析和逆向工程。不幸的突變可能破壞它，使其無法復制。隨著時間的推移，代碼進化出巧妙的策略來增強其抵御此類損害，以增強魯棒性。

這種功能和目的的出現，就像我們在各個尺度的有機生命中所看到的那樣；因此，我們可以談論循環系統的功能、腎臟或線粒體的功能，以及它們如何“失效”——盡管沒有人設計這些系統。

研究團隊使用多種編程語言和環境重現了基本結果。以NCA聞名的Alex創建了NCA模式下的bff。一個200×200的“像素”數組中的每個元素都包含一個磁帶，并且交互僅在網格上的相鄰帶之間發生。為了紀念這些研究者充滿nerd味的童年，這些磁帶被解釋為1976年推出的標志性8位計算機Zilog Z80微處理器的指令。在這些研究中，復雜的可復制程序也很快從隨機交互中涌現，并在連續的波浪中在網格上進化和擴散。

?在模擬的 200×200 Zilog Z80 處理器網格上競爭復制體的演化

模擬表明，在一般情況下，只要條件允許，生命就會自發產生。促成生命的條件似乎很簡單：只需要一個能夠支持計算的環境、一些隨機性以及足夠的時間。

讓我們停下來思考一下為什么這是如此非凡。

從直覺上看，人們并不期望功能或目的性會自發產生。當然，我們早已知道，在初始隨機條件下可以產生一定程度上的秩序；例如，波浪的拍打可以大致將沙灘上的沙子排序，形成從細到粗的梯度。但如果我們從受隨機波浪作用的沙灘上的沙子開始，幾小時后回來發現那里寫著一首詩，或者沙粒熔合成了一個復雜的電子電路，我們會認為有人在捉弄我們。

復雜秩序自發產生的極端不可能性通常被認為源于熱力學，即物理學中研究物質在隨機熱波動作用下的統計行為。熱力學指出，所有物質，因為高于絕對零度，都會受到隨機性的影響。受隨機力作用的物質被認為會變得更加隨機，而不是隨機性減少。然而，通過生長、繁殖、進化，甚至僅僅是存在，生命似乎違背了這一原理。

這只是表面上的違背，因為生命需要自由能的輸入，才能使熵的力量得以遏制。然而，生命系統看似自發的出現和“復雜化”現象，似乎并未被物理定律嚴格禁止，至少也未得到它們的解釋。這就是為什么偉大的物理學家薛定諤在他于1944年出版的《生命是什么？》中寫道：

生命物質雖然尚未違背迄今為止所確立的"物理學定律"，但很可能涉及此前未知"其他物理學定律"，然而一旦這些定律被揭示，它們將和前者一樣成為這門科學中同樣不可或缺的一部分。

本章摘引自Google副總裁兼研究員、技術與社會的首席技術官、智能范式團隊的創始人Blaise Agüera y Arcas，2025年9月出版的新書《何為智能》（What is intelligence）中第一章部分內容，在線鏈接為https://whatisintelligence.antikythera.org/chapter-01/-as-computation

編譯后記

Blaise Agüera y Arcas的《何為智能》（What is intelligence？）一書中，提出了一個核心思想，將生命視作“一種因進化選擇動態穩定性而出現的自我修改的可計算物質”，那么智能就是“一種模擬、預測和影響自身未來的能力，在與其他智能的關系中進化，以創造更大的共生智能”。

從這個角度來說，智能本質上是一種計算過程，可以跨越不同載體，在神經元、硅片還是NCA中實現。因此，可通過NCA去揭示生命如何起源，隨機性促成具有簡易功能的可復制原件，而當可復制原件組合成更大的合作組織時，復雜性就會如水沸騰一般迅速增長。

NCA作為一種建模工具，不止適合了解生物的復原能力，還能用于對社會現象的建模。例如迷因（meme）的傳播，傳統建模方法假設個體按照固定規則決定是否傳播信息，但這與現實情況不符。而NCA則可解釋為何有些謠言即使辟謠仍會反復出現。

從核糖體網絡到人類社會再到人機混合體，從輸入法預測下一個詞到大模型的出現，任何包含隨機性和計算的宇宙都會偶然遇到自我復制程序。這樣的程序實體化后可視為生命，而表現出的行為則是智能的體現。

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究AI與人類智能相互融合與促進，不斷探索科學的邊界。歡迎評論區留言，或后臺留言“社群”即可加入社群與我們互動。您也可以在后臺提問，我們將基于追問知識庫為你做出智能回復哦~

關于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創建的世界最大私人腦科學研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

Chen Institute與華山醫院、上海市精神衛生中心設立了應用神經技術前沿實驗室、AI與精神健康前沿實驗室；與加州理工學院合作成立了加州理工天橋神經科學研究院。

Chen Institute建成了支持腦科學和AI領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、、大圓鏡科普等。