人工智能（Artificial Intelligence, AI）是計算機科學(xué)中的巨大挑戰(zhàn)。人們投入了畢生的精力和大量美元，去加速對AI領(lǐng)域發(fā)展的追求。 然而至今，這一領(lǐng)域中最雄心勃勃的愿景仍未實現(xiàn)：盡管仍然在前進，但我們還是無法達(dá)到能和人類匹敵的通用智能。不管怎么說，這么一個虛無縹緲的目標(biāo)，正是我們所期待的“巨大挑戰(zhàn)”，需要大量的時間和無法想象的努力才能獲得，值得我們期待。還有一些其他的巨大挑戰(zhàn)，比如治愈癌癥，實現(xiàn)100％的可再生能源，或統(tǒng)一物理理論等等。某些領(lǐng)域還存在一系列的重大挑戰(zhàn)，比如David Hilbert的23個尚未解決的數(shù)學(xué)問題，橫亙二十世紀(jì)為全世界下了戰(zhàn)書。本問題（通用人工智能）的不同尋常之處在于，它的解決方案可能從根本上改變我們的文明，以及重構(gòu)我們對自己的了解，但只有極少數(shù)研究人員才明白這一點。 不管聽上去有多么荒誕不經(jīng)，但今天，來自開放性問題的挑戰(zhàn)恰恰就是這種情況。幾乎沒有人聽說過這個問題，更不用說關(guān)心它的解決方案了；盡管如此，在最迷人和最深刻的挑戰(zhàn)當(dāng)中，它是有可能被解決的。 通過這篇文章，我們希望把碎片拼好：我們將解釋這個挑戰(zhàn)是什么，解決該挑戰(zhàn)有何重大意義，以及感興趣的你如何加入這一挑戰(zhàn)。
迎接挑戰(zhàn)：幾十億年前，某種像單一的原核細(xì)胞的生命形態(tài)第一次出現(xiàn)了。雖然我們并不知道其起源的完整過程，但我們知道的是，在接下來的幾十億年里，這個不起眼的細(xì)胞分化到整個地球上所有物種中，產(chǎn)生了令人贊嘆的物種多樣性。在這條壯麗的進化道路上，細(xì)胞在一開始以陽光為食，進而更復(fù)雜的真核細(xì)胞產(chǎn)生了，首次交配發(fā)生了，多細(xì)胞生物第一次開始繁殖（大約十億年前）。在接下來的約5億年之后，在一波被稱為“寒武紀(jì)大爆發(fā)”的物種創(chuàng)始大潮中，幾乎所有的主要動物種群都誕生了。隨著這些種群進一步分化成為我們今天所熟知的物種，植物在大陸上展現(xiàn)了無盡的變化。最后，魚類演化成了陸地動物，我們的星球在海平面以上擁有了大量生物。所有的兩棲動物、爬行動物、鳥類、哺乳動物誕生了，每一只“動物”實際上是一組百萬到幾萬億的真核細(xì)胞的復(fù)雜共舞，而對于更高層次的由捕食、被獵食、交配、繁殖組成的生態(tài)圈而言，每一只動物都在其中共舞。一路走來，奇妙的造物以超越今天所有人類工程學(xué)的能力展示著里程碑：光合作用，鳥類飛行，人類智慧本身都是其中少有的巨大成功。這個史詩般的故事被稱為『進化』，但這樣一個不起眼的詞匯很難與其達(dá)到的成就相匹敵。
問題在于，『進化』聽起來只是一個簡單的過程，或者是類似萬有引力的一種物理學(xué)；然而生命在地球上的繁榮昭式著，這種理解嚴(yán)重低估了它的真正內(nèi)涵。進化，與其說是一種單純的物理過程，更像是萬年不遇的創(chuàng)造性天才：在任何時候它都是最偉大的發(fā)明家。如果把它和計算做比喻去思考的話，地球上發(fā)生的進化是某個單一的算法，它發(fā)明了所有的自然。如果我們今天運行一個機器學(xué)習(xí)算法，如果它給了我們單一的最優(yōu)解或者幾個次優(yōu)解，我們會覺得不錯，但是問題在于不管它最后有沒有給出解，只要程序結(jié)束，然后就沒有然后了。地球上的進化則有著驚人的不同，它看上去永遠(yuǎn)不會結(jié)束。盡管『永不』是個夸張的詞匯，但是數(shù)十億年的持續(xù)創(chuàng)造力，使我們無法看到這一進程的盡頭，趨近于永遠(yuǎn)。所以，我們一方面把它稱為進化，但也要認(rèn)識到它的確是一種永無止境的算法，這個過程在不可思議的時間跨度上，不知疲倦地展現(xiàn)出更多的復(fù)雜性和新穎性。
事實上，針對這個在幾近無限的時間上創(chuàng)造出巨大復(fù)雜性的單一過程，還有另外一個術(shù)語抓住了它的特點，我們稱之為『開放性』。自然界中所存在的開放性，是現(xiàn)代科學(xué)最大的奧秘之一，然而它卻極少受到關(guān)注。我們的教科書描述進化時，就好像它已經(jīng)被理解、被解決了一樣，但實際上，就算我們補充再多的細(xì)節(jié)，這一令人震驚的屬性——開放性——仍然存在，而且默認(rèn)是被接納的、理所當(dāng)然的。如果從計算機科學(xué)家的角度來看，你很容易發(fā)現(xiàn)，如果我們能夠知道對這一屬性的終極解釋，那么這個解釋必然是深刻的、強有力的。這仍然是一個謎，到目前為止，就算加入人工智能，開放性也被證明是不可能編程求解的。我們可能會認(rèn)為我們知道地球上發(fā)生進化的種種要素，我們可能會試圖將它們形式化為某種算法（通常稱為Evolutionary Algorithm, 進化算法, EA），不過，迄今為止，還沒有哪種算法展現(xiàn)出哪怕是一丁點『帶來無盡繁榮的創(chuàng)造性』的潛力。盡管在科研界，有一個叫做“虛擬生命”（Artificial Life, 簡稱“alife”）的小型科學(xué)家社區(qū)意識到了這個難題并在過去的二三十年內(nèi)加以研究，但是開放性研究的前景仍然不明朗，而且只引起了科學(xué)世界一小撮的人的興趣。這實在是不應(yīng)當(dāng)。
你看，有些東西在這里講不通。當(dāng)某些東西講不通的時候，在陰影中的某處常常會有一個范式轉(zhuǎn)移級別的大發(fā)現(xiàn)在等待著我們。在這種情況下的線索就是，一般的進化算法(EA)和我們在自然界中觀察到的情況相比，簡直愚蠢，怎么也不算是開放性。 大多數(shù)EA運行很短時間，也許是幾天；它們在理想情況下會收斂到最優(yōu)解，或者卡在其他的局部最優(yōu)上。即使是最復(fù)雜、甚至是專注于制造多樣性的EA，在耗盡它們的搜索空間后，也會很快停止。
起初，你可能會認(rèn)為，EA無法描述大自然是很正常的事。 畢竟，EA只是一小段程序，通過運行一段時間來解決一個特定的問題，只是機器學(xué)習(xí)的許多選擇之一。 不過，鑒于進化的開放性，EA從原理上來說本該比它們現(xiàn)在強大的多。由于某些原因，盡管有許多聰明的頭腦傾盡畢生心血發(fā)明越來越強的EA，舉辦致力于進化計算的會議，讓EA有能力解決更多特定的挑戰(zhàn)，類似自然界的那種開放性的創(chuàng)造力仍然是無處可尋的。 現(xiàn)代的EA壓根不會發(fā)明那些你從未想象過的新事物。
一些機器學(xué)習(xí)研究人員進一步提出，EA是劣等優(yōu)化器，而替代算法（如深度學(xué)習(xí)）以更簡單的形式適配優(yōu)化問題。 然而，這種批評忽略了真正的問題。 進化，作為計算機科學(xué)中算法的靈感，并不是因為它是某個特定問題的優(yōu)化器，而是因為它發(fā)明了自然界的一切。 機器學(xué)習(xí)中沒有任何東西可以與之相提并論，而且大多數(shù)情況下，我們也不應(yīng)該因為EA有缺陷不去研究它，恰恰是因此我們才更應(yīng)該大力研究（和AI一起研究）。想象一下，那是我們本可能實現(xiàn)卻錯過了的東西！
就在此刻抽空想象一下吧： 如果我們真的可以靠編程發(fā)明一個真正的開放式算法，將會造成極大的影響。你對新的建筑學(xué)院、新的車輛設(shè)計、新的計算機算法，新的一般性發(fā)明感興趣嗎？如何不斷地產(chǎn)生它們？如何產(chǎn)生更復(fù)雜的東西？音樂和藝術(shù)的無限新形式，讓人樂此不疲的電子游戲所打開的新世界，在你的計算機內(nèi)出現(xiàn)的獨一無二的新宇宙… 自然界的力量就是創(chuàng)造的力量，它蘊含在開放性之謎中。這些夢想聽起來也像是我們熱衷于用AI解決的一些愿望，但是如果它們是AI的一部分，那么它們剛好是AI沒有集中關(guān)注的領(lǐng)域（AI投注了大量精力針對特定問題尋找答案）。實際上，開放性可能是通向人工智能的道路之一，甚至也可能是唯一的道路 —— 畢竟是自然界的開放性進化第一次賦予了人類以智慧，況且，人類的智慧也僅僅是自然界的一種創(chuàng)造而已。因此，開放性與尋求人工智能肯定有所重疊，但它所探索的領(lǐng)域更廣泛，而不僅僅是機器內(nèi)部創(chuàng)造力的縮影。在地球上，自然界的自我生成能力令人驚異，而且只是無窮可能性的一小部分而已。
這一愿景絕非童話。 實際上，作為一種巨大挑戰(zhàn)，『開放性』最激動人心的一個方面是，它顯得非?？尚小Ｅe例來說，構(gòu)建一個生成系統(tǒng)（比如那種能夠生成大量不同工件的系統(tǒng)），比直接用人類的智慧手動制造這些工件更簡單，這一切聽上去是可信的?；蛘邠Q一種思考方式，盡管連接數(shù)萬億的大腦是自然進化的產(chǎn)物，但是進化本身的過程有可能更容易描述或?qū)崿F(xiàn)。因此，我們可能真的能夠鑒別出進化的必要條件——甚至在不久的將來就可以。
那么你可能會詫異地首先想到一個問題：如果開放性真這么簡單，那為何還沒得到解決？ 其中一個原因是因為偶然的歷史走向，這個特別的巨大挑戰(zhàn)根本沒有引起任何關(guān)注，而且導(dǎo)致很少有人（更別提那些有巨大才華的人）知道這個問題。 這個領(lǐng)域缺乏應(yīng)有的思想溝通。但這不是全部的答案。答案的另一面指出，和許多重大挑戰(zhàn)一樣，其核心解決方案已經(jīng)證明了比問題提出伊始時容易得多了。
現(xiàn)在越來越明朗的一點是，開放性盡管可能很簡單，卻牽涉到一種思維游戲，它迫使我們重新檢查我們所有關(guān)于進化的假設(shè)。關(guān)于選擇、生存、適應(yīng)、競爭和適應(yīng)的整個故事，的確對于分析來說是有說服力和啟發(fā)性的，但綜合到一起實在勉強：它并沒有告訴我們?nèi)绾伟颜麄€過程寫成一個開放性的算法。為了明確我們在自然界看到開放性的原因（并據(jù)此能夠?qū)懗鲆粋€具有類似能力的算法），我們很可能需要一個完全不同于慣常的對于演化的闡述。這種說法令人信服的原因之一在于，盡管程序可能很簡單，但需要全新的視角打破江局。比如，人腦看上去能夠展現(xiàn)出它獨道的開放性創(chuàng)造力，因此開放性的過程可能從不同的基礎(chǔ)架構(gòu)（比如深度學(xué)習(xí)中）涌現(xiàn)出來。
要清楚的是，我們不是在暗示想要重現(xiàn)大自然的一切榮光。重點是什么？大自然的存在已經(jīng)是既定事實了，我們更傾向于在創(chuàng)造『適用于任何領(lǐng)域、通用的、永不停歇的創(chuàng)造性算法』上挖掘潛力。假定我們所觀察到的自然界，只是開放式系統(tǒng)大類中的一個特例。當(dāng)然，有些人會基于某些原因辯駁說，現(xiàn)在的自然界是唯一可能的實現(xiàn)，但是沒有明顯的解釋能夠說明為何它就是唯一的，就像我們無法斷定，在可以飛行的物種大類中，鳥類是唯一可能的。整個過程中的要素，包括個體（或者機器學(xué)習(xí)研究者可能稱之為“候選者”）之間的互動、選擇、繁衍等等，看上去都是通用性的。通用的開放性算法是可能實現(xiàn)的，理應(yīng)激發(fā)許多聰慧的人類尋找具有巨大潛在回報的挑戰(zhàn)。在名垂科學(xué)史這一點上，還有更多的空間留給另一個愛因斯坦，或者另一個沃森-克里克團隊。
開放性簡史
受到自然進化的啟發(fā)，到目前為止，盡管非演化過程（比如產(chǎn)生新概念的單個神經(jīng)網(wǎng)絡(luò)）可以表現(xiàn)出開放屬性，對開放性算法的研究的重心還是集中在EA上。然而，由于歷史研究重心的原因，該領(lǐng)域的研究人員往往將其稱為“開放式進化”。 純技術(shù)角度而言，它們也屬于進化算法大類，但其形式和語境通常與演化計算大相徑庭，所以不應(yīng)把它們與傳統(tǒng)有關(guān)基因算法和EA的算法混為一談。開放性進化位于完全不同的賽道。
首先，與幾乎所有機器學(xué)習(xí)算法都不同的是，當(dāng)研究人員構(gòu)建開放性算法時，他們通常不打算解決任何問題。 相反，他們希望觀察到一種爆炸性的復(fù)雜體系，其中演化出更加精妙、復(fù)雜的個體和形態(tài)。因此，該領(lǐng)域的許多早期工作，都集中在虛擬的世界（Artificial Worlds，通常被稱為“alife world”）里，有潛力通往開放性的理論能夠在這種世界中得到驗證。這些虛擬世界里通常都會有一些“生物”，其行為包括跑來跑去，吃掉其他生物等等。
一些經(jīng)典的虛擬世界案例包括Thomas Ray建立的Tierra，最初由Charles Ofria，Chris Adami和Titus Brown建立的歷史悠久的Avida，Larry Yaeger建立的Polyworld，Alastair Channon建立的Geb，Lee Spector，Jon Klein和Mark Feinstein建立的Division Blocks，? 和Thomas Miconi和Alastair Channon建立的Evosphere等等。 這些系統(tǒng)涵蓋的范圍包括使抽象計算機代碼能夠自行演化，以及讓三維的類生命體互相打斗、競爭；他們至少有希望使得在環(huán)境中爆發(fā)出復(fù)雜性、多樣性。一般來說，人們期望在虛擬世界中的生物可以會演變出越來越復(fù)雜的策略（有時是體態(tài)規(guī)劃），因為它們都想在競爭中更勝一籌。
回顧來看，虛擬世界的這種模仿微型地球生態(tài)系統(tǒng)的傾向，可能無意中使得該領(lǐng)域看起來比實際上更狹窄。乍看之下，這些虛擬世界像是在試圖使用比地球相對簡單的模擬，復(fù)制地球上一小部分的生態(tài)行為。這一部分解釋了為什么這個領(lǐng)域沒有吸引到應(yīng)有的興趣。但是，在開放性研究的語境下，虛擬世界并不是真的在研究小型生態(tài)圈內(nèi)的互動。相反地，它們的目的是為了尋求如何解決一個深層次的問題：如何觸動某個誘發(fā)復(fù)雜性大爆炸的開關(guān)。如果你還記得開放性是一大類可能存在的系統(tǒng)這一假說的話，所謂『大爆炸』并不意味著僅限于類地球的這種模型。在本領(lǐng)域的發(fā)展初期，在真實世界（最早產(chǎn)生開放性的系統(tǒng)）和虛擬世界之間建立簡單比喻，是使人能夠方便地進行現(xiàn)象研究的方案之一。我們將看到，開放性實際上可以在虛擬世界之外進行研究。也就是說，本領(lǐng)域的宏圖不在于僅僅創(chuàng)造一個開放性的世界，而在于滿足開放性的需求，制造一個可以應(yīng)用于任何事物的創(chuàng)造性平臺。
針對遠(yuǎn)超過單一類別的系統(tǒng)，并以更嚴(yán)格的科學(xué)嚴(yán)謹(jǐn)性為目標(biāo)，1992年，Mark Bedau提出了一套稱為『活動統(tǒng)計量』的測量標(biāo)準(zhǔn)，旨在衡量此類開放系統(tǒng)所表現(xiàn)出的開放程度。有了這個工具（在某些方面上該工具甚至可以用來衡量文化進化?），研究人員能夠表明，至少就活動統(tǒng)計量數(shù)據(jù)而言，某些虛擬世界產(chǎn)生了開放性的動態(tài)行為。 比如，Alistair Channon建立的世界『Geb』評分不錯，號稱是『通過』了活動統(tǒng)計量檢驗的最高顯著水平。
但這并不令人滿意，因為不管統(tǒng)計檢驗如何解讀，人們都清楚，所有這類系統(tǒng)都與自然相去甚遠(yuǎn)。的確你可以看到生物們正在學(xué)習(xí)相互追逐、加速成長，但除此之外還有什么？很明顯這使人鮮有興奮點。這種結(jié)果導(dǎo)致人們對于『開放性實際意味著什么』展開了辯論：Bedau的檢驗法是不是在某種程度上錯失了關(guān)鍵點？畢竟通過標(biāo)準(zhǔn)還是要搞一些。這個辯論與其他新興領(lǐng)域的類似辯論，比如如何用AI定義智力的辯論，是相近的。我們必須小心防止陷入無盡的語義爭論的泥潭，這種爭論價值很低。
2015年，在描述了抓住這個問題的關(guān)鍵的難點之后，Emily Dolson，Anya Vostinar和Charles Ofria提供了一個有趣的視角，試圖找出『開放性演化不是什么』。也許這樣，我們可以更接近本質(zhì)。為了反映開放性的關(guān)鍵因素，在其他歷史方法中，Russell Standish在2003年強調(diào)了新穎性的產(chǎn)生，Carlo Maley在1999年強調(diào)了復(fù)雜性的演進。
還有一個需要強調(diào)而且引人入勝的重點在于，可能存在著不同程度的開放性（Bedau檢驗確實包含了這個思想）。 也就是說，對開放性的評價不僅僅是一個關(guān)乎『是與否』的二元命題。 就算我們更有可能通過高瞻遠(yuǎn)矚獲得最深刻的洞見，我們也將看到在實踐中，哪怕是那些抓住了開放性有限特性的系統(tǒng)和想法，仍然能夠以實用為目標(biāo)，在通往全方位的無盡的創(chuàng)新之路上，教會我們重要的一課。
關(guān)于測量或定義開放性，一部分問題在于，關(guān)于其解釋的一部分存在主觀因素。也就是說，對創(chuàng)新的偏愛（這是開放性的關(guān)鍵）可能與特定的觀點或語境有關(guān)。我們被某些設(shè)計強烈打動，是因為最終我們欣賞它們的功能；但是如果約束條件改變，使得設(shè)計不太有用（或者無法讓人在情感上滿意），那么即使設(shè)計看上去并非截然不同，我們也不太可能被打動。比如，如果世界上有山，而且我們真正關(guān)心到達(dá)頂峰，那么一輛自行車在上山下坡時的換擋能力看起來就像是一個真正的創(chuàng)新，因此，在不考慮問題提出的語境下，世界上是否存在對創(chuàng)新的本質(zhì)性的衡量，目前還仍然不明朗。雖然科學(xué)家們通常都對主觀因素敬謝不敏，不過也可能有辦法在不犧牲科學(xué)嚴(yán)謹(jǐn)性的前提下使得開放性接納主觀性。 例如，我們?nèi)匀豢梢試L試對主觀概念進行形式化，比如Ken Stanley and Joel Lehman對『印象深刻性』這種主觀概念的研究。開放性中存在主觀性這個問題，是有趣但微妙的。Stanley在其他地方已經(jīng)進行了不少描述，但重點在于，開放性是一個棘手的問題，要想取得進展，我們可能最終需要退一步，抓住一個萬無一失的客觀評價標(biāo)準(zhǔn)，就像人工智能一樣，就算沒有就如何衡量智力達(dá)成共識，但仍不妨礙AI取得長足進步。也許Bedau的『活動統(tǒng)計量』在某天會被視為『開放性』領(lǐng)域的圖靈測試 —— 那是最早捕捉到問題本質(zhì)的啟發(fā)性的一小步，而絕非全部精妙的復(fù)雜性質(zhì)的最終斷言。
與此同時，一些研究者通過攻克開放性問題的某些方面來接近開放性問題，而不是試圖一次性解決整個問題。 例如，在一篇具有影響力的《自然》雜志論文中，Richard Lenski，Charles Ofria，Robert Pennock和Christoph Adami研究了如何憑借不可預(yù)測的進化路徑，來演化出復(fù)雜的特征，這說明看似棘手的復(fù)雜性可以通過隨機突變演化出來。其他人則強調(diào)了復(fù)雜性涌現(xiàn)行為的不同方面，例如Josh Bongard關(guān)于形態(tài)變化（即生物身體形態(tài)在其一生中的變化，以及跨代差異）如何能夠加速演化出健壯行為進行了研究。盡管這樣的研究沒有著眼于全方位的開放性，但他們暗示，研究中存在著一些因素，使得其未來可能對開放性研究作出貢獻。
隨著新穎性搜索算法（由Stanley和Lehman提出，詳見介紹性論文和網(wǎng)站）的引入，對于開放性的研究范圍進一步擴大。在開放性的語境下，新穎性搜索因為獨立于任何特定的虛擬世界或者是特定的問題，因而顯得特別值得注意。它采納了開放性的某些特征，作為一種通用算法，它幾乎適用于任何領(lǐng)域。把它與傳統(tǒng)EA更加封閉的過程進行比較會幫助我們看清這一點，傳統(tǒng)EA過程通常會將演化推向特定的能夠預(yù)期的結(jié)果。在這種傳統(tǒng)的算法中，自由探索的機會有限，因為選擇壓力會直接尋求改善問題的目標(biāo)性能（比如盡快向前走）。比如，該算法可能會找到一個墊腳石，這可能會導(dǎo)致一些有趣的事情（比如這是產(chǎn)生翅膀的前兆），但由于初級的探索并不能直接提高性能，所以方案會被簡單地丟棄掉。新穎性搜索的思路，是采取剛好相反的方法，而不是選擇『改進』：新穎性搜索只會選擇新穎的方案。也就是說，如果在進化算法中出生的候選人與之前在搜索中看到的相比是新穎的，那么它就有了更大的繁衍機會。從某種意義上來說，新穎性搜索是開放性的，因為它傾向于開辟新的搜索路徑，而不是關(guān)閉通往這些路徑的大門。
起初，這種方法看上去與隨機搜索密切相關(guān)，因此幾乎沒有用處；但事實上，這種方法比隨機搜索有趣的多。其不同之處在于，計算在搜索空間中某個候選人的新穎性需要一些關(guān)于『跟過去的探索相比，這批候選人的行為有何不同』的真實信息（隨機搜索將被忽略）我們可能會問，現(xiàn)在的機器人的步態(tài)與前輩的步態(tài)究竟如何不同。如果差異足夠大，那么它被認(rèn)為是新穎的，并選擇進一步的進化。結(jié)果就是，候選人的新策略（比如在步行模擬器中產(chǎn)生的新的機器人步態(tài)）發(fā)生了快速分支（即擴散）。我們發(fā)現(xiàn)這種發(fā)散的搜索算法實際上導(dǎo)致了初代不能走的兩足步行機器人演化出了行走功能！ 不僅如此，通過新穎性搜索演變而來的步行策略，平均也顯著優(yōu)于傳統(tǒng)的、直接嘗試培育最好步行者的步行策略。因此，開放性的、新穎性搜索式的探索，真的可以找到一些十分有趣的、功能性的解決方案，哪怕只運行一次程序，也可以得到多樣性的結(jié)果。
在新穎性搜索誕生之后，一類新的算法開始出現(xiàn)，旨在將新穎性概念與更客觀的進步或者質(zhì)量評價相結(jié)合。例如，你可能想要搜索機器人能夠行走的所有可能方式，但目標(biāo)是要找出每個這種變體的最佳版本。這些算法（包括『局部競爭的新穎性搜索算法』或稱NSLC算法，以及『多維表型精英歸檔法』或稱MAP-Elites）產(chǎn)生了，它們被稱為質(zhì)量多樣性（Quality diversity , QD）算法。來自Antoine Cully，Jeff Clune，Danesh Tarapore和Jean-Baptiste Mouret的基于MAP-Elites的算法是一個具備很高影響力的QD項目，它曾經(jīng)登上《自然》雜志的封面：其思想是，在程序一次運行中，演化出一系列的步態(tài)，一旦機器人受到損壞，那么就使用這些步態(tài)來快速適應(yīng)。這是一個很好的例子，它展示了開放性和QD如何能夠把單純的理論生態(tài)系統(tǒng)模擬轉(zhuǎn)化為現(xiàn)實世界中對機器人技術(shù)的實際貢獻，這一進展從開放性搜索帶來的多樣性中受益良多。
盡管聽上去我們幾乎已經(jīng)解決了這個問題，不過事實是，這些早期的方法論只揭示了神秘的冰山一角。在我們的理解范圍內(nèi)，它們肯定算得上取得了一些進展，然而它們?nèi)匀蝗鄙匍_放性的關(guān)鍵因素——這些算法注定要從開始執(zhí)行的幾天以內(nèi)停止產(chǎn)生任何有趣的東西，而我們愛莫能助。究其原因，它們的問題領(lǐng)域只包含很一小部分的可能的搜索空間。在顯得開始愚蠢之前，有趣的走路方式也就這么多。迷宮導(dǎo)航曾經(jīng)是一種流行的新穎性搜索的早期應(yīng)用，但是需要再一次強調(diào)的是，一旦你窮盡了迷宮里的所有能到達(dá)位置，離對這個領(lǐng)域失去興趣也就不遠(yuǎn)了。的確，那些看上去瘋狂的、躁動的（高熵的）軌跡或策略可以一直持續(xù)生成，但是對于最具野心的、真正的開放精神來說，這并沒有多少吸引力。事情并不像『突然，一個新物種，比如鳥類，出現(xiàn)了』那么簡單。在這種狀況下， 令人感到神秘的是，就算我們能很好的理解如何在空間中對可能性進行持續(xù)搜索，我們也不是真的理解如何同時擴展可能性本身的空間。這意味著，開放性的最高水平，不僅要產(chǎn)生新的最優(yōu)解，同時還要解決新問題。
舉例來說，考慮長頸鹿和樹木。 有意思的是，雖然樹木本身就是解決生存和繁殖問題的一種可行的方案，但它帶來了一種副作用，無意之間，它為長頸鹿涌現(xiàn)出全然不同的生存策略創(chuàng)造了契機。總之，如果沒有樹，長頸鹿就無法存在。 自然演化所產(chǎn)生的解決方案同時也為將來即將出現(xiàn)的（應(yīng)對于新的挑戰(zhàn)的）全新解決方案提供了機會。新穎性搜索和QD只能真正開放性地為現(xiàn)有挑戰(zhàn)提供新解決方案，但它們本質(zhì)上沒有不會產(chǎn)生新的挑戰(zhàn)。 而最強大的開放性系統(tǒng)中，兩者都會產(chǎn)生。
長頸鹿與樹木相互作用的思想與協(xié)同進化有關(guān)，當(dāng)一個種群中的不同個體在進化過程中彼此相互作用時，就會發(fā)生這種情況，這就是自然界發(fā)生的事情。因為這種相互作用在開放式系統(tǒng)中看上去很重要，在協(xié)同進化計算領(lǐng)域中的工作（結(jié)合進化計算）與開放性也有關(guān)系。從計算的角度來看，許多研究人員在數(shù)年間對于我們理解協(xié)同進化系統(tǒng)做出了貢獻。 Elena Popovici，Anthony Bucci，Paul Wiegand和Edwin de Jong對這方面工作進行了全面的綜述。雖然協(xié)同進化肯定與開放性有關(guān)，但它也算是一個獨立的研究領(lǐng)域。它探索了博弈論——競賽的理論方面，協(xié)同進化的群體中發(fā)生的『軍備競賽』動態(tài)機制，以及導(dǎo)致此類軍備競賽升級或停滯的原因。Jorge Gomes、Pedro Mariano和Anders Lyhne Christensen把協(xié)同進化理論與新穎性搜索整合到了同一個系統(tǒng)中。當(dāng)開放性算法本身備受關(guān)注時，過去對協(xié)同進化算法的研究可能會得到重新關(guān)注，甚至還可能引起那些從事深度學(xué)習(xí)的人的興趣，最近一些人高調(diào)發(fā)表的結(jié)果，從類似協(xié)同進化的動力學(xué)中收獲頗豐。例如，生成對抗網(wǎng)絡(luò)（GAN）利用生成器網(wǎng)絡(luò)和鑒別器網(wǎng)絡(luò)之間的軍備競賽進行無監(jiān)督學(xué)習(xí)；棋盤游戲中通過自我對弈學(xué)習(xí)、讓具有強化學(xué)習(xí)能力的機器人之間進行的競爭等等也產(chǎn)生了驚人的成效。
總而言之，開放性領(lǐng)域是跨學(xué)科的，年輕的，相對而言是待開發(fā)的處女地。 迄今為止的實驗結(jié)果結(jié)果，暗示了開放式系統(tǒng)的無限可能性，揭示了棘手的哲學(xué)問題還有待解決。太多事情還是未知數(shù)。事實上，該領(lǐng)域的文化是圍繞著實驗程序建立的，并且仍處于動蕩之中，持續(xù)不斷的投入努力是成功或者成功的基本條件——這是我們接下來要深入探討的一個命題。
必備的要素
我們正在積累通用性的洞察力，比如，全面的開放性看上去可能需要協(xié)同進化的實體進行相互作用，這種作用超越了新穎性搜索，或者QD。什么是開放性的核心呢？這種思考激發(fā)了人們嘗試著對其必要條件進行形式化描述。為了讓一個系統(tǒng)有望呈現(xiàn)出高等的開放性動力學(xué)，所需要的最低條件是什么？理想的條件當(dāng)然是充分且必要的， 不過就算只是確定一些必要條件，也算是個有意義的起點。必要條件不僅能幫助我們實現(xiàn)一個有效的模型，而且實際上也能暗示開放性系統(tǒng)潛在的廣度。這意味著，如果必要條件具備足夠的一般性與抽象性，許多和大自然不同的、形態(tài)各異的系統(tǒng)是可能被生成的。如若不然，如果它們具有高度的特定性，比如要求對量子物理進行模擬，那么開放性系統(tǒng)潛在的廣度就會更窄。
關(guān)于必要條件集合的推測，可以追溯到1969年，Conrad Waddington分析了『典型』的進化系統(tǒng)中，個體如何與環(huán)境進行相互作用（原始論文位于這里，Tim Taylor做了一個很好的綜述），重點在于研究導(dǎo)致多樣性的機制。很久以后（2004年），Tim Taylor在具體工作中，試著把Waddington的假設(shè)檢驗法套用在一個被稱作『Cosmos』的系統(tǒng)里，同時評價了把理論條件付諸實踐的難度。后來，他自己的提出了一些條件（這里和這里）。Lisa Soros和Ken Stanley最近合作的工作中，提出了一組條件（與以前的此類條件有某些相似之處），以及設(shè)計了一個測試這些條件的系統(tǒng)（稱為Chromaria的虛擬世界，）。盡管關(guān)于必要條件的討論還沒有最終定論，不過，關(guān)于人們?nèi)绾嗡伎歼@個問題，提出一些條件集合的案例，對于給你一些直覺性的啟發(fā)會有些幫助。這里，可以追溯一下Soros and Stanley在2014年給出的建議：
條件1：應(yīng)該強制規(guī)定，個體必須符合一些最低標(biāo)準(zhǔn)（Minimal Criterion, MC，）才能復(fù)制，并且該標(biāo)準(zhǔn)必須是非平凡的。 推論：最初的種子個體（進化的起源）本身必須符合MC，必須非平凡以滿足滿足條件1。
條件2：新個體的進化，應(yīng)該提供足夠的新穎性以滿足MC。
條件3：個體何時與世界發(fā)生怎樣交互的決策，應(yīng)該讓個體自己決定。
條件4：個體表型的潛在種類和復(fù)雜性（原則上）應(yīng)該是無界的。
當(dāng)然，隨著時間的推移，研究人員可能會改變他們的假設(shè)，比如，Stanley已經(jīng)擴展了他對條件3的觀點（他現(xiàn)在允許個體可以忽略條件3，只要計算復(fù)雜度可行，可以允許個體與世界里所有的其他個體進行交互）。不過，這里的重點并不在于要建立教條式的規(guī)則，在早期階段這不僅不負(fù)責(zé)任而且危險；相較而言，我們是要在這種程度的抽象層面上，培養(yǎng)一種思想的品位。
就在今年，Jonathan Brant和Stanley提出了一種被稱為最小標(biāo)準(zhǔn)協(xié)同進化（Minimal Criterion Coevolution, MCC，）的新算法，實現(xiàn)了讓新穎的個體為彼此創(chuàng)造新機會的想法。其目的是，促進一種通用語境下的開放性，這種開放性獨立于任何特定世界或領(lǐng)域（這里提供了代碼）。其思想是，讓兩個互相交互的種群進行進化，通過比對方種群更好的滿足最小標(biāo)準(zhǔn)（MC），來獲得繁殖的權(quán)利。一個迷宮的種群，和一個受控于神經(jīng)網(wǎng)絡(luò)的迷宮求解器的種群，發(fā)生協(xié)同進化 —— 迷宮變得越來越復(fù)雜，神經(jīng)網(wǎng)絡(luò)不斷進化試圖解決迷宮問題。 從而，新的迷宮為迷宮求解器提供了新的創(chuàng)新機會，反之亦然。這個實驗，及其（未發(fā)表）后續(xù)實驗的有趣指出在于，如果有足夠的計算資源，如果我們讓它持續(xù)地運行數(shù)十億年，我們可能會找到太陽系大小的迷宮，以及一些能夠求解這種迷宮的、受控于神經(jīng)網(wǎng)絡(luò)的機器人。這個思想實驗處于我們當(dāng)前理解能力的邊界，需要強調(diào)這一點的原因在于，這種巨型迷宮及其求解器在多大程度上能滿足最具雄心的開放性目標(biāo)，現(xiàn)在仍未可知。
不過，這個實驗更有趣的含義是在于，在同類的MCC設(shè)置中，有可能存在各種令人意外的協(xié)同配對方式與細(xì)節(jié)。 比如，想象機器人的身體與控制身體的大腦協(xié)同進化。開放性開始變得像一個適應(yīng)實際領(lǐng)域的工具了。
即使像MCC這樣對開放性的嘗試在不斷改進，我們將會不斷重新觀察到的是，大自然的復(fù)雜程度所呈現(xiàn)出的創(chuàng)新性，仍然是我們遠(yuǎn)遠(yuǎn)無法企及的?；镜难芯窟€等待著我們?nèi)ネ黄疲绻@個領(lǐng)域發(fā)展成熟起來，抓住了更深層原理的一點點蛛絲馬跡，那么突破可能就在不久的將來。
實踐領(lǐng)域中的開放性
開放性系統(tǒng)的一個潛在的重要應(yīng)用是富含創(chuàng)造力的設(shè)計。從建筑物到汽車、藥品、玩具、機器人、在超市購買的飲料，我們所創(chuàng)造的所有東西，幾乎都是由某種設(shè)計過程產(chǎn)生的。設(shè)計師，通常而言是人類，必須同時考慮產(chǎn)品的功能以及美學(xué)形式。有時候，類似的產(chǎn)品應(yīng)用在完全不同的場合，例如有些船是針對豪華出行設(shè)計的，另一些則是用于航運。在你能想象到的任何領(lǐng)域中，開放性系統(tǒng)都能提供生成無數(shù)備選方案的潛力，就像自然進化為生存和繁衍的問題產(chǎn)生了無盡的解決方案一樣。從商業(yè)公司到個人愛好者（有可能是在改進三維打印技術(shù)的幫助下），開放性可以大大擴展選擇范圍，產(chǎn)生之前不可想象的新的可能性。這種進步可以在各種意料之外（有時還很有趣）的方向上進行，如全新的、有趣的食譜。它可能與人類互相協(xié)作，人類可能會影響搜索行為（這一行為有時被冠以『交互式進化』的名頭），也可能自動地、源源不斷地產(chǎn)生新想法，人們可以在閑暇時看到最新的創(chuàng)意。
在音樂和藝術(shù)領(lǐng)域中，開放性也蘊含著巨大的潛力。它可能也會要求人類參與到創(chuàng)造過程的某個環(huán)節(jié)中，不過數(shù)百年來，音樂和藝術(shù)的進步是自然而然開放性的——一個音樂流派，或者一種音樂風(fēng)格，一個又一個的相繼產(chǎn)生，不斷發(fā)展。誠然，我們對藝術(shù)史的欣賞帶有主觀性，單從理論上來說，沒有什么能夠阻止我們在我們樂在其中的主觀領(lǐng)域中加速展開探索。已經(jīng)有一些蛛絲馬跡顯示，交互式進化（進化循環(huán)中包含人類）展現(xiàn)出了開放性屬性，例如Ken Stanley實驗室的Picbreeder在線實驗，允許用戶產(chǎn)生新的圖像。在那里，你可以看到越來越多的存檔圖像進入了全新的圖像空間（如昆蟲，動物和臉部）。但是這個案例只抓住了表面現(xiàn)象：個性化的香水，新的飲料大類，或者家庭建筑——誰知道還會有什么——都可以被交互式地共同創(chuàng)造出來。能夠創(chuàng)造一種開放性系統(tǒng)，并把人類納入交互循環(huán)中，具備這種能力預(yù)示著未來可能會產(chǎn)生不少有趣的東西。
數(shù)學(xué)系統(tǒng)和法律體系與生俱來地包含著開放性的美。例如，開放性探索所帶來的非歐幾何是一個豐富的領(lǐng)域，把傳統(tǒng)歐幾里德幾何中某些公理放松，這種試驗性的探索帶來了非歐幾何。給一些好奇的數(shù)學(xué)家們一些初始的『種子公理』，算法的開放性系統(tǒng)是否能夠地不斷產(chǎn)生有趣的以及令人驚訝的證明？法律制度也有半正式的規(guī)則，立法者為了某種目的而制定法條，另一些人專門鉆空子，這種貓鼠游戲體現(xiàn)出一種開放性的生態(tài)。 開放性系統(tǒng)可以幫助政治家們自動找到那些他們尚未考慮的極端情況還有哪些其他的標(biāo)準(zhǔn)或半標(biāo)準(zhǔn)的系統(tǒng)，能夠憑借開放性的創(chuàng)造力，蘊含著有趣的驚喜呢？
游戲是開放性的另一類有前景的應(yīng)用。開放世界、內(nèi)容生成已經(jīng)是業(yè)界潮流，不過一個原生開放性的世界有潛力給人帶來非凡的體驗。想象一下，游戲世界不斷重構(gòu)自己，增加復(fù)雜性，簡直就是一個獨立的自然界。內(nèi)容也可能會無休止地演變成無法想象的嶄新形式。游戲可能不再僅僅是游戲，而是快要演化成為一種形態(tài)——人類可以像自然學(xué)家探索一個各種造物都令人震驚的外星世界一樣探索它。有望達(dá)到這種水平的一個早期案例是『銀河系軍備競賽』，這個視頻游戲最初也是在Ken Stanley的實驗室里開發(fā)的。其中，游戲持續(xù)不斷地根據(jù)玩家的行為發(fā)明新的粒子武器。關(guān)于可能發(fā)生的一切，盡管這個游戲可能只捕捉到了膚淺的表面，但它有助于說明，就算是現(xiàn)在，讓游戲自動地生成新穎內(nèi)容也是可能的。在商業(yè)游戲世界里，『無人之星』和更早出現(xiàn)的『孢子』都展現(xiàn)出了對具有無限創(chuàng)造力的時尚世界的渴求。雖然都讓人感到印象深刻了，但想象一下真正的開放性——它們不局限于巧妙手工編碼的參數(shù)空間——將會是多么的壯觀。
AI中的開放性問題
關(guān)于開放性的挑戰(zhàn)，天生就是關(guān)于人工智能挑戰(zhàn)的姐妹問題。『地球上的進化是一個開放性的過程』，如果我們接受這一論斷，那么其中最深奧的關(guān)系，可能是『人類水平的智慧』是地球上的很多種產(chǎn)品之一。換句話說，開放性可能是人工智能的先決條件，或者至少是一種很有前景的道路。 大部分研究AI的方式和研究開放性的方式大相徑庭，而『開放性是通往AI之路』這種思想顯得很有趣。在AI研究中，優(yōu)化特定客觀目標(biāo)的方法無處不在，這卻幾乎與開放式系統(tǒng)如何生成其產(chǎn)品完全相反。
AI和開放性的重疊之處遠(yuǎn)非止步于此。一個有趣的事實是，一方面開放性可以驅(qū)動尋找智能的過程，它也可以是智能自身的引擎。人性，看上去至少有一部分是開放性的。我們不僅要優(yōu)化思路以完成任務(wù)，而且還不斷創(chuàng)造新任務(wù)、識別新的待解決的問題。我們很貪玩，比如在藝術(shù)和音樂方面，就算沒有什么特定的問題需要解決，我們也會通過創(chuàng)新來激發(fā)自己。我們?nèi)祟悾还苁亲鳛橐粋€社會，還是作為需要度過一生的個人的集合（當(dāng)然有些人是要比另一些人活的久一些），傾向于產(chǎn)生一套連續(xù)的思想和發(fā)明，這之中并沒有統(tǒng)一的方向，或者一個整體的單一目標(biāo)。此外，在最能體現(xiàn)人性的特征里，創(chuàng)造力也占據(jù)一席之地。當(dāng)我們看到算術(shù)天才心算乘法時，我們首先不會想到這種才華能體現(xiàn)出多少人性；但如果他們會譜寫一首美麗的歌曲，或創(chuàng)造一種改變我們生活的設(shè)備，那么他們展現(xiàn)出人類奮斗的最好一面。
簡而言之，我們頭腦中開放性部分，是令我們有別于機器的那種『靈光一現(xiàn)』，這意味著，開放性是我們所說的一般智力的核心組成部分。 這一點相當(dāng)重要，因為AI領(lǐng)域中有一種傾向，讓智能的定義包含『解決問題』或者『學(xué)會有效地解決問題』。然而，開放性卻被排除在外。 一個『一般性』的開放式系統(tǒng)，不是一個機器般的問題求解器，而是一個徜徉于想象空間中，具有創(chuàng)造性的造物主。 這當(dāng)然也在人類智慧的廣袤范疇之內(nèi)。
在這種背景下，經(jīng)年累月聚集了大量發(fā)明的社會組織也是值得思考的。誠然，智慧是文化進步的一個因素，畢竟文化是大腦的產(chǎn)物；但是億萬大腦形成的網(wǎng)絡(luò)看上去形成的效應(yīng)要遠(yuǎn)遠(yuǎn)超過單個大腦能做到的事情——思想在整個網(wǎng)絡(luò)中傳播，成為新想法的墊腳石，然后繼續(xù)傳播，循環(huán)往復(fù)。事實上，文化在某種程度上讓人聯(lián)想到進化。當(dāng)然，文化變遷與演化之間的共鳴，在過去已經(jīng)被討論過許多次了，這里姑且不做評價，但它突顯出了一個相關(guān)的事實：當(dāng)我們理解開放性時，我們也就對文化更有洞察力。文化是眾多智能交互的產(chǎn)物，對理解人工智能也十分有價值。
反思文化的智慧及其創(chuàng)新動力，我們激動地注意到，開放性似乎包含了一些接近閉環(huán)的“元創(chuàng)造”的核心：生物進化產(chǎn)生了人類思想；人類思想發(fā)明了無數(shù)新的開放性進程，比如如藝術(shù)與科學(xué)；科學(xué)可能最終將開放性提煉出來創(chuàng)造出一種算法，這種算法有潛力孕育出有能力匹敵（甚至超越）其人類創(chuàng)造者的AI，其本身也可以產(chǎn)生新的開放性形態(tài)。考慮到開放性巨大的投資潛力，它和AI安全也有著明確的聯(lián)系，人們對強人工智能所誘發(fā)的社會風(fēng)險的擔(dān)憂日益受到關(guān)注。例如，AI安全中的一個挑戰(zhàn)，就是所謂的價值匹配），其目標(biāo)是確保強大的AI的目標(biāo)函數(shù)在數(shù)學(xué)上是圍繞著人的價值觀建立的。有趣的是，如果開放性是通往人工智能的一條可行路徑，那么，相對于用數(shù)學(xué)定義它們而言，理解什么樣的環(huán)境因素會鼓勵這種價值觀的進化是更容易的。例如，我們可以創(chuàng)造一個虛擬的世界，使得其中自然孕育的大量合作是溫和的。畢竟，是開放性親自開創(chuàng)性的構(gòu)建了人類價值觀。
最后，開放性挑戰(zhàn)會給AI中的特定領(lǐng)域帶來繁榮發(fā)展。特別是涉及大型高維空間搜索的領(lǐng)域，也就是演化計算和深度學(xué)習(xí)，受到開放性領(lǐng)域研究進步的深刻影響。進化算法作為自然界的隱喻在開放性領(lǐng)域研究的傳承者，不過深度學(xué)習(xí)也正處于研究處女地的前沿，開始嘗試用它獨特的能力抓住一些人類思維開放性的本質(zhì)。精確的梯度跟隨（深度學(xué)習(xí)的核心精神）如果設(shè)計得足夠聰明，也可能加速開放性的發(fā)展進程，也許最終，把演化計算和深度學(xué)習(xí)融合在一起的產(chǎn)物，可以抓住某些文化開放性的特征，或者尋找到近代生物史上大腦快速進化的蛛絲馬跡。
實際上，開放性的挑戰(zhàn)和人工智能的挑戰(zhàn)之間，存在著大量關(guān)聯(lián)，今后可能還會有更多的關(guān)聯(lián)等待我們揭開面紗。
加入挑戰(zhàn)
雖然只有相對一小部分人在長期研究開放性，由于迄今為止缺乏協(xié)調(diào)一致的努力，或一筆足夠的資金支持，該領(lǐng)域基本上還處于萌芽階段。我們對開放性系統(tǒng)的廣度，潛在的開放性程度，觸發(fā)開放性的『復(fù)雜度大爆發(fā)』的必要條件，只有初級的認(rèn)識。在我們的軍火庫里包含一些可能管用的武器：演化計算，神經(jīng)進化，深度學(xué)習(xí)，虛擬生命世界，新穎性和擴散性，協(xié)同進化和自我對弈，最低開放性準(zhǔn)則等等，它們是強有力的，引人注目的，但是關(guān)于如何把他們組織成為一副宏大的圖景，我們還是知之甚少。簡而言之，為了參與一場我們所知道的最被低估的偉大挑戰(zhàn)，一萬年太久，只爭朝夕。這個領(lǐng)域是開放的，最偉大的發(fā)現(xiàn)還有待探索，潛在的應(yīng)用場景和影響力是巨大的，而且從此以后人們對它的興趣肯定會與日俱增。
那么為了加入到其中，你需要做些什么呢來介入？首先，如果你能進行電腦編程，那么你應(yīng)該具備必要技能了。不過，就算沒有，也許你可以提供一些專家意見或者洞察力。生物學(xué)，數(shù)學(xué)或人工智能的一些知識可能會有所幫助，不過現(xiàn)在我們并不確定哪些部分是必需的。因此，各種不同的知識背景都具備潛在的價值——哲學(xué)，藝術(shù)，物理，文化研究，甚至更多的學(xué)科——開放性，本質(zhì)上是跨學(xué)科的。你只需要記住，在這個領(lǐng)域，單獨一個解釋是不夠的，我們要建立行之有效的體系來演示開放性，這就是挑戰(zhàn)如此偉大的原因。所以，你必須要真正把想法付諸實踐，清晰并且穩(wěn)健地經(jīng)受住評估。在真正成功之前，我們必須避免沾沾自喜。觀察到一些有趣的事情正在發(fā)生，可能效果顯著，可能是一個重要的進步，但與大自然（或文化）中的那種『復(fù)雜性大爆發(fā)』不可同日而語。對我們迄今所取得的成就保持現(xiàn)實和清醒， 能夠讓我們避免陷入沾沾自喜，在未來取得革命性的進展。
如果加入這個挑戰(zhàn)讓你備受鼓舞，這里要提到有幾個有用的資源。首先，大多數(shù)關(guān)于開放性的出版物和會議，到目前為止都是由國際人工生命協(xié)會管理的，所以你可能想要看一下。他們將會于2018年7月在東京舉行的人工生命會議。近兩年，在這些會議上舉辦了開放性的研討會，來自這些活動的一些想法和參與者被記錄在案，例如2015年第一次OEE研討會的報告，以及一個包含會談視頻的簡單網(wǎng)站。2016年第二次研討會的論文位于本網(wǎng)站。通過在谷歌學(xué)術(shù)搜索『開放性進化』或者『開放性』關(guān)鍵字，可以找到一些經(jīng)典的這方面的學(xué)術(shù)文獻。神經(jīng)網(wǎng)絡(luò)領(lǐng)域也與開放性相關(guān)，其中神經(jīng)網(wǎng)絡(luò)（深度學(xué)習(xí)使用了同樣的結(jié)構(gòu)）是通過EA進化而來的。通常，開放性實驗涉及某種形態(tài)的神經(jīng)進化。Ken Stanley在另一篇O’Reilly的文章中對神經(jīng)進化做了一個一般性的介紹。
要找到一份已有的源代碼開始研究的話，像Avida或者Chromaria這種虛擬生命世界平臺， 新穎性搜索和MCC即最小準(zhǔn)則協(xié)同進化都可能作為研究的起點。不過需要記住的是，該領(lǐng)域并不綁定任何特定的平臺、基準(zhǔn)測試或者算法。所以，現(xiàn)有這些源代碼在將來可能被迅速超越，而且，就算是現(xiàn)在的領(lǐng)先方法，在很多議題上也都沒有達(dá)成共識。 開放性仍然是科學(xué)的狂野西部，存在著不確定性，然而令人激動。
在寫下此文之時，我們還不知道已經(jīng)有一個活躍地討論開放性的公開論壇。不過，事實上Reddit是有一個關(guān)于『開放性進化』的論壇，最近一年也不太活躍了。我們本可以把讀者導(dǎo)流到那個論壇（說不定還能復(fù)活它），我們仔細(xì)考慮過這個選項，在深思熟慮和討論后，我們得出的結(jié)論認(rèn)為，開啟一個全新的關(guān)于開放性的subreddit子串較為審慎，因為我們覺得，開放性可能不僅是一種進化現(xiàn)象，我們也不想排除可能來自演化計算領(lǐng)域以外的所有驚人想法（比如，來自深度學(xué)習(xí)，貝葉斯方法，生物學(xué)或神經(jīng)科學(xué)等）。與此同時，我們對這個領(lǐng)域的先驅(qū)們表示出最大的尊重，這些先驅(qū)者基本上是以進化方法（和人類的進化類似）為基礎(chǔ)開展研究的，因而我們也希望他們能加入到這個重新充滿活力的對話中來。總之，我們認(rèn)為，通過這篇文章的發(fā)表，創(chuàng)建一個大跨專業(yè)領(lǐng)域?qū)＜矣懻摰募~帶，是值得嘗試的。希望讀者能考慮加入我們。
在今天，計算機科學(xué)、人工智能或者機器學(xué)習(xí)領(lǐng)域的這種『問題-解答』的主流范式，被開放性研究發(fā)起了挑戰(zhàn)。在那些領(lǐng)域中，你可以選擇一個問題和案例，在某些基準(zhǔn)測試上給出更好的結(jié)果，而開放性并不是那樣的。開放性是冒險家的游戲，這些冒險家渴望著沒有明確目的地的冒險。這種冒險本身就是創(chuàng)造力之路，路的盡頭是生成我們現(xiàn)在無法想象的東西。歡迎加入最新的宏偉挑戰(zhàn)。
鳴謝：
我們要感謝來自UCF的進化復(fù)雜性研究小組的杰出同事，David D’Ambrosio，Jonathan Brant，Jason Gauci，Erin Hastings，Amy Hoover，Navid Kardan，Greg Morse，Justin Pugh，Sebastian Risi，Jimmy Secretan，Paul Szerlip，Phillip Verbancsics和Brian Woolley。感謝他們多年來幫助我們理解開放性和熱愛作出的貢獻。 還要感謝一些把這一新興領(lǐng)域奮勇擴展為整個開放性進化社區(qū)做出的巨大貢獻的人，我們本希望對你們在本文中充分表達(dá)誠摯的謝意，由于完整名單太長暫且略去。我們知道的是，你們在幾乎沒有資金支持或被人認(rèn)知到的條件下，爭先探索了其他人甚至不敢涉足的領(lǐng)域。
Kenneth O. Stanley 是中佛羅里達(dá)大學(xué)(UCF)的一名教授, 在那里他擔(dān)任進化復(fù)雜性(Evolutionary Complexity, EPlex)研究組的主任。同時，他也是Uber AI實驗室的高級研究科學(xué)家?？梢酝ㄟ^[email protected]聯(lián)系到他，或者在Twitter上搜索@kenneth0stanley找到他。
Joel Lehman 是Uber AI 實驗室的一名研究科學(xué)家，在那里，他進行深度學(xué)習(xí)和演化計算的研究。若要聯(lián)系他請發(fā)郵件至[email protected]。
Lisa Soros是尚普蘭學(xué)院計算機科學(xué)與創(chuàng)新系的副教授。同時，她還擔(dān)任國際人工生命學(xué)會的董事會成員。可以通過[email protected]向她發(fā)送郵件，以及可以在Twitter上關(guān)注她@err_more。
