进化算法价值重估

【背景】长期以来，进化算法（EA）常被AI领域视为梯度下降之外的“随机搜索备胎”，主要用于超参数调优等离散或不可微场景。然而，近期研究正在重塑这一认知：一方面，以MIT博士生Akarsh Kumar为代表的学者通过ASAL等项目证明，结合基础模型后，EA能高效探索人工生命的大规模组合空间，发现如Lenia和Boids的新形态；另一方面，理论计算机科学界指出传统EA在多目标优化中存在根本性缺陷——仅依赖“支配关系”会导致指数级失败，必须引入拥挤距离等额外信息才能有效工作。

争议的核心在于EA的本质定位：它是具有生物启发的通用智能引擎，还是仅仅是一种工程化的启发式搜索工具？哲学家Yong-Hyuk Kim提出应将EA重构为“算法隐喻”，强调其弱涌现性和可审计性，避免过度宣称生物等价性。随着AlphaEvolve等系统在实际数据中心调度中回收0.7%算力，EA正从边缘走向核心，但其理论解释力仍滞后于应用实践。