自然界的進化與人工智能訓練

 (https://www.pnas.org/doi/10.1073/pnas.2519469122)

 所有生物都必須應對不斷變化的世界——夏季之後是冬季，一年洪水氾濫，下一年可能遭遇乾旱。佛蒙特大學科學家岑格·佩塔克表示，動植物族群必須不斷面對新的挑戰，這一點顯而易見。但環境的這些變化如何影響演化，但這一點並不那麼顯而易見。

環境的頻繁波動是否有利於種群，使新一代更好地應對未來的變化？還是會損害種群，迫使它們一次又一次地重新適應，永遠無法達到在穩定環境中相同種群所能達到的適應性高度？這個問題，利用強大的計算機模型追踪數千代數字生物，是一項史無前例的研究。

這篇論文發現：在不同環境下，種群的進化方式存在顯著差異。在某些情況下，環境的變化幫助種群達到了更高的適應度峰值；而在另一些情況下，環境的變化則阻礙了它們的進化。

傳統研究通常會觀察特定環境下某一特定種群的長期發展軌跡。這項研究選擇了一系列不同的環境，觀察每種環境的具體情況如何影響多個種群的發展軌跡。不妨考慮兩個果蠅族群。美國的一個果蠅族群可能演化出截然不同的方式來應對季節間的溫度變化，而肯亞的果蠅族群則需要應對旱季和雨季交替的氣候。氣溫波動可能有助於更好地適應寒冷和溫暖的季節。但旱季和雨季的反覆循環實際上可能會阻礙對乾旱的適應，迫使種群在經歷長時間的降雨後‘重新開始’進化——導致其性狀比只暴露於乾旱的種群更差。這是同一物種的兩個族群試圖適應不斷變化的環境。然而，不同類型的環境波動可能導致截然不同的演化結果，其中一群果蠅會從交替變化的環境中獲益，而另一群則會受到損害。

經數百次地重現進化過程。得以從宏觀視角觀察進化如何在各種不同的環境中展開——這是在實驗室裡無法實現的，一個種群的歷史決定了它能夠達到的高度以及到達目標的艱難程度，這意味著我們不能想當然地認為一個種群就能代表整個物種。

這項研究建構了人工生物體，並將它們置於多種不同類型的動態環境中。這些數位環境模擬了自然界中交替出現的條件，例如冷熱循環和乾旱降雨的交替。這項研究的新穎之處在於，沒有像以往那樣只研究單一可變環境下的進化，而是創建了105種不同的可變環境。這使研究能夠系統地比較種群在多種不同情境下的進化情況。這項研究的意義遠不止於生物學——它或許還能為人工智能和機器學習領域的一些未解之謎提供啟示。人工智能系統常常難以在學習新任務的同時又不遺忘舊任務。將自然界的進化與人工智能訓練進行了直接的類比。傳統的人工智能系統通常被狹隘地構建，旨在解決某個特定問題。但新的方法力求建構能夠持續學習的通用系統。人工智能研究領域中一個快速發展的分支——在線持續學習——完美地呼應了這篇論文探討的關於進化、學習和發展如何與多變且動態的環境互動並從中受益的理念。