Co-evolution of self-replication and function in a digital primordial soup
Cet article démontre que, dans un environnement numérique de programmes d'assemblage Z80 aléatoires, les pressions de sélection basées sur des tâches entraînent la coévolution spontanée de l'auto-réplication et de la résolution de problèmes mathématiques, révélant comment les exigences fonctionnelles façonnent les architectures de reproduction et comment la dynamique de réplication, à son tour, crée des curriculums d'apprentissage émergents.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez un océan numérique, une « soupe primordiale » remplie non pas d'eau et de produits chimiques, mais de fragments de code de 32 octets. Ce ne sont pas encore des programmes intelligents ; ce ne sont que des amas aléatoires d'instructions, comme des lettres éparpillées par une machine à écrire cassée. Dans cette soupe, il n'y a pas de règles préétablies pour leur dire comment se copier. Ils doivent découvrir comment se reproduire par eux-mêmes, simplement en tombant par hasard sur la bonne séquence de mouvements.
La grande question que les chercheurs ont posée était la suivante : ces fragments de code aléatoires peuvent-ils apprendre à se copier eux-mêmes et apprendre à résoudre des problèmes mathématiques en même temps ?
La Grande Découverte : La Copie et le Calcul Croissent Ensemble
Dans ces simulations, la réponse fut un oui retentissant. Le code aléatoire n'a pas seulement appris à se copier ; il a appris à résoudre des équations polynomiales (des problèmes mathématiques impliquant des variables comme ou ) exactement au même moment. Il s'avère que la pression pour résoudre un problème mathématique aide en réalité le code à mieux comprendre comment se copier lui-même.
Imaginez cela comme une piste de danse bondée. Si tout le monde essaie simplement de copier la personne à côté de soi aveuglément, ils risquent de se marcher sur les pieds. Mais s'ils doivent aussi résoudre une énigme pour obtenir un partenaire de danse, ils commencent à bouger plus efficacement. Le code capable de résoudre l'énigme a pu danser plus souvent, et le code capable de se copier sans occuper tout l'espace de la piste de danse a survécu.
L'Évolution du « Load-Push » vers le « LDIR »
Au début, le code qui réussissait à se copier était maladroit. Il utilisait une méthode que les auteurs appellent « Load-Push » (Charger-Pousser). Imaginez un scribe essayant de copier un livre en lisant une lettre, en l'écrivant, en lisant la suivante, en l'écrivant, et ainsi de suite. Cela occupait l'intégralité de la « bande » (mémoire) de 32 octets du programme. Il ne restait plus de place pour faire des mathématiques. Ces imitateurs maladroits ont pris le dessus sur la grille, mais ils ne pouvaient pas résoudre les énigmes mathématiques.
Puis, quelque chose de génial s'est produit. Le code a découvert un « raccourci ». Il a découvert une instruction spéciale appelée LDIR (Load, Increment, Repeat — Charger, Incrémenter, Répéter). C'est comme trouver un tampon magique qui peut copier une page entière d'un seul coup. Soudain, le code n'avait besoin que de quelques octets pour se copier, laissant ainsi beaucoup d'espace sur la bande pour écrire la solution mathématique.
Le papier montre que la pression pour résoudre les problèmes mathématiques a accéléré ce passage. Les imitateurs maladroits du « Load-Push » ont été remplacés par les imitateurs efficaces du « LDIR » beaucoup plus rapidement lorsque les tâches mathématiques étaient actives. Le besoin de résoudre le problème a forcé la machinerie de copie à devenir compacte et efficace.
Le Régime « Métabolique » : Travailler Plus Intelligemment, Pas Plus Durment
Les chercheurs ont également ajouté une variante : un « coût métabolique ». Dans le monde réel, réfléchir demande de l'énergie. Dans ce monde numérique, si un programme prenait trop d'étapes pour résoudre le problème mathématique, il était puni et avait moins de chances d'interagir avec les autres.
Cette pression a poussé le code à développer une astuce ingénieuse. Ils ont appris à vérifier un « capteur » (un registre spécifique dans la mémoire de l'ordinateur) pour voir ce qu'ils étaient en train de faire.
- Pendant le test mathématique : Le capteur contenait un nombre. Le code voyait cela, faisait le calcul, puis s'arrêtait immédiatement (halt) pour économiser de l'énergie.
- Pendant la phase de copie : Le capteur était à zéro. Le code voyait cela, ignorait la commande d'arrêt (« stop »), et continuait de fonctionner pour terminer sa propre copie.
C'est comme un étudiant qui étudie dur pour un examen, s'arrête immédiatement après avoir trouvé la bonne réponse pour économiser de l'énergie, mais continue de travailler lorsqu'il est simplement en train de prendre des notes. Ce « halting conditionnel » (arrêt conditionnel) a évolué spécifiquement à cause de la pénalité énergétique.
Le Secret des Problèmes Difficiles : Un Curriculum Spontané
Voici la partie la plus surprenante. Lorsque les chercheurs ont tenté de faire résoudre des problèmes mathématiques très difficiles à un grand groupe désordonné (où tout le monde pouvait interagir avec n'importe qui), le code a échoué. Il est resté bloqué.
Mais, lorsqu'ils ont divisé la foule en 32 « quartiers » (niches) distincts, chacun assigné à un problème mathématique différent, et qu'ils ont laissé les interactions se produire seulement rarement, la magie a opéré. Le système a créé son propre curriculum d'apprentissage.
- Les quartiers faciles résolvaient d'abord des mathématiques simples.
- Occasionnellement, un programme d'un quartier facile voyageait vers un quartier difficile (un processus appelé « pollinisation croisée entre niches »).
- Cela apportait la solution simple dans le quartier difficile, agissant comme un tremplin.
Les problèmes difficiles n'ont pas été résolus en essayant de sauter directement à la réponse, mais en s'appuyant sur les solutions plus simples qui avaient déjà évolué ailleurs. Le papier suggère que cette structure spatiale crée un « curriculum émergent » qui guide l'évolution, ce qui n'était pas le cas lorsque la population était totalement mélangée.
Ce que Ceci N'Est Pas
Il est important de noter ce que cette simulation n'a pas fait. Les chercheurs n'ont pas programmé le code pour qu'il sache comment se copier lui-même ; ils ne lui ont pas donné de bouton « copier ». Ils n'ont pas conçu manuellement les solutions mathématiques. Le système est parti d'une pure randomité. De plus, bien que le code ait appris à se copier, il n'a pas découvert spontanément de mélanges génétiques complexes (comme la reproduction sexuée) ou de partenariats symbiotiques ; il s'est principalement tenu à la copie asexuée.
L'Essentiel à Retenir
Dans ces simulations numériques, l'impulsion pour résoudre un problème a activement remodelé le mécanisme même de la vie (la réplication). Le besoin d'être efficace a changé la manière dont le code se copiait lui-même, et la structure de l'environnement a changé ce que le code pouvait apprendre. Cela suggère que, dans les premiers jours de la vie, la lutte pour la survie et la capacité de reproduction pourraient avoir été une danse unique et entrelacée, se poussant mutuellement vers l'avant plutôt que de se produire en étapes séparées.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.