MIT博士生Akarsh Kumar称进化算法不是随机搜索备胎
Machine Learning Street Talk播客嘉宾、MIT博士生Akarsh Kumar在节目简介中反驳AI领域将进化算法视为随机搜索备胎的常见看法。他论证选择机制保留部分解决方案，使突变只需约1%的时间有效即可持续推进搜索，并介绍了他主导的ASAL方法：运行模拟后询问基础模型发生了什么，在262,144个类生命规则中定位开放性世界。
重要性实质性证据E2 未复现写法快讯
AI领域常将进化算法视为一种低效备胎，仅在无法计算梯度时作为随机搜索的最后手段。MIT博士生、Sakana AI研究员Akarsh Kumar在Machine Learning Street Talk播客节目简介中反驳了这一观点。他论证称，选择过程会保留部分解决方案，这意味着突变只需在大约1%的时间里产生有用改进，整个搜索就能持续取得进展。这一机制将进化算法重新定位为处理复杂、非可微分问题的主要工具。
Kumar是MIT与Phillip Isola合作的博士生，也是Fractured Entangled Representation论文的第一作者，与Kenneth Stanley、Jeff Clune和Joel Lehman合作。他在节目中向主持人Tim Scarfe解释，学习者所经历的路径可能塑造其学习内容的结构，这提供了一种不同于统计视角的智能观。
为具体说明这一机制，节目简介介绍了Kumar主导的ASAL方法。传统方法试图预测规则行为，而ASAL直接运行模拟，然后询问基础模型发生了什么。团队将该方法应用于所有262,144个类生命规则的空间映射，发现最有趣、最具开放性的世界并非均匀分布，而是集中在一个小的岛屿上。
需要指出的是，上述内容来自播客节目简介而非完整逐字稿。1%的具体推导过程、ASAL实验的完整方法论细节和岛屿发现的具体指标均未在可读材料中展开。这一论点为归因解释，其核心机制（选择保留部分解）在进化计算领域有广泛共识，但具体数值和实验结论需参照原始论文（arXiv:2412.17799）独立验证。