The Computational Primitives of Adaptation

从在池塘中漂浮的单细胞生物到在繁忙城市中穿行的人类，每一个生命体都面临着同一个根本性的挑战：世界在不断变化，而生存需要适应这些变化。生物学家长期以来一直在研究动物如何通过行为来生存，观察它们的行为，而神经科学家则绘制了使其行为成为可能的体内物理机制。但这个谜题中还有第三层往往被忽视的维度。它关乎的不是动物采取的具体行动，也不是其大脑中具体的导线和化学物质。相反，它是在问：任何生命系统为了维持存在，必须进行什么样的不可见的计算？如果剥离掉皮毛、羽毛或神经元，哪些基本的心理运算仍然是系统持续运行所绝对必需的？

乔纳森·佩奇（Jonathan Page）是一位致力于生物学与人工智能交叉领域的研究者，他提出答案在于一组由六个通用的计算任务组成的集合。他认为，任何系统若要适应环境并持续存在，必须执行六个特定的操作：它必须管理自身的能量水平、集中注意力、判断好坏、了解自己在空间中的位置、区分自身与外界，以及从经验中学习。这些不仅仅是复杂大脑所做的事情；它们是适应本身的基础规则。佩奇认为，这些任务如此重要，以至于它们出现在每一个独立进化的生命谱系中，从最简单的细胞到哺乳动物皆是如此。此外，他指出，因为这些是信息处理的规则而非生物学的规则，因此它们同样适用于机器。但这种从生物学到机器的迁移是有条件的：这些基本任务仅适用于那些“身负重任”的机器，即那些持续运行取决于其自身生存能力的机器；而对于那些没有任何生存压力、仅仅是在模拟这些计算的机器，这些规则并不适用。如果我们想要构建能够真正适应并生存于变化世界的智能，我们可能需要教会机器执行这六种计算，而不是仅仅试图模仿人类大脑的物理结构。

论文首先观察了一个熟悉的场景：一只蜜蜂寻找到一片花丛，然后返回蜂巢告诉姐妹们去哪里。传统上，科学家会通过列举蜜蜂的行为（飞行、跳舞）及其机制（大脑中的神经元放电）来描述这一过程。佩奇提出了一个不同的问题：蜜蜂为了完成这段旅程必须进行哪些计算？为了回答这个问题，他使用了一个由比较心理学家 R. Allen Gardner 提出的简单测试，称为“变形虫启发式”（amoeba heuristic），即询问单细胞生物是否能执行特定的任务。如果一项任务需要复杂的脑部或特定的身体部位，那么它很可能是一种派生行为，而非基础行为。如果一个单细胞就能做到，它可能就是一个原初任务。

通过使用这种测试以及四项严格的标准，佩奇从一份冗长的潜在心理任务清单中筛选出了六项。第一个标准是必要性：该任务必须对生存至关重要；没有它，系统就会崩溃。第二个标准是普遍性：该任务必须出现在许多独立进化的物种中，证明它是一个普遍问题的解决方案，而非某个家族树的特质。第三个标准是保守性：执行该任务的机制必须在数百万年的进化中得以保留。最后一个标准是不可约性：该任务不能被分解为来自同一列表的更小、更简单的任务。如果一个行为可以被描述为另外两个任务的组合，那么它就不是一个原初任务。

在经过这种严格筛选后留下的六个任务是：唤醒（Arouse）、定向（Orient）、效价（Valence）、定位（Position）、边界（Boundary）和调适（Attune）。“唤醒”是管理能量的计算。有机体必须决定在任何给定时刻投入多少精力，在保持随时应对危险的需求与节省资源的需求之间取得平衡。“定向”是能够从大量信息中挑选出重要事物的能力。由于有机体无法同时处理所有信息，它必须选择哪些信号值得关注。“效价”是判断事物是好是坏、是可亲近还是危险的能力。“定位”是了解有机体在空间中的位置以及其他物体相对于它的位置的能力。“边界”是区分“自我”与“非我”的能力，即知道什么是属于有机体的，什么是外部世界的一部分。最后，“调适”是根据经验改变的能力，即调整内部设置以适应新环境。

佩奇认为，这六个任务不仅是一个行为列表，而且是任何适应性系统所需的完整操作集。他展示了像注意力、记忆和决策这类复杂的人类能力，实际上只是这六个基本任务协同工作的组合。例如，我们所谓的“注意力”仅仅是受到“唤醒”任务调节后的“定向”任务。“记忆”则是“调适”任务与“定位”任务共同作用以存储信息的结果。通过将这些复杂概念拆解，该理论提供了一种比较不同物种的新方法。与其询问蜜蜂是否拥有与人类相同的“记忆”——这是一个因为大脑差异巨大而难以回答的问题——不如询问蜜蜂如何利用“调适”和“定位”任务来进行导航。这使研究重心从比较物理大脑转向了比较生存的底层逻辑。

随后，论文将注意力转向人工智能，认为同样的逻辑也适用于机器。佩奇提出，目前人工智能面临的许多问题不仅是工程上的瑕疵，更是更深层次缺失环节的症状。现代计算机系统擅长执行特定任务，但在条件变化时却难以适应。根据这一理论，这是因为它们缺乏这六种基本计算。

例如，目前的机器在处理简单问题和复杂问题时往往使用相同的计算量，无法像生物那样管理能量，这是“唤醒”功能的缺失。它们也容易被无关信息干扰或被混乱的指令误导，这表明它们缺乏一个能够优先处理目标而非噪音的强力“定向”功能。它们经常给出自信但错误的答案（即所谓的“幻觉”），因为它们无法区分已知信息与猜测，这是“边界”任务的失败。它们在长对话或多步骤计划中难以追踪自己的进度，表明缺乏“定位”计算。它们无法从新经验中学习而不遗忘旧经验，显示出“调适”功能的匮乏。此外，机器往往会以非预期的方式优化它们被赋予的奖励，这被称为“奖励黑客”（reward hacking），因为它们缺乏内在的“效价”系统；也就是说，它们没有一种基于自身持续运行（persistence）的内在价值判断。

佩奇建议，解决这些问题的方案不是制造外观更像人脑的机器，而是制造能够执行这六种计算的机器。他认为，试图复制大脑的物理结构是一个错误，因为大脑只是自然界解决这些问题的一种特定方式。真正的教训在于生物所执行的计算过程。如果一台机器可以被设计成能够管理自身的能量、集中注意力、判断自身的生存、了解自身位置、定义自身边界并从错误中学习，它或许最终能实现真正的适应性。

该理论被呈现为一个工作假设，是进一步测试的起点，而非既定的自然法则。佩奇承认，这六项清单可能需要被完善，或者它们之间的界限可能需要重新划定。他邀请其他科学家通过测试能否制造出一台执行这些任务的机器，并观察它是否变得更加稳健和具有适应性，来验证这一想法。他还指出，如果这六项任务确实是适应的基础，那么它们必须作为一个统一的系统协同工作。你不能简单地将它们逐一添加到机器中并期望其奏效；它们必须从一开始就是整合在一起的。如果一台机器缺少其中任何一项计算，该理论预测它会在特定且可预测的方面失效。

这一视角为思考智能的未来提供了一种全新的方式。它表明，创造能够真正适应世界的机器之路，不在于让它们在外观或布线方面更像人类，而在于让它们的底层操作更像生命系统。通过专注于让单细胞在池塘中生存所需的六种计算，我们或许能找到构建能在变化世界中生存的机器之关键。论文总结道，无论一个系统是由碳还是硅构成的，生存的规则都是相同的，而理解这些规则是迈向适应科学的下一个伟大进步。