0%

但是，很久以前對賀南而言，這些遊戲就已經不只是遊戲而已。他開始注意到有些遊戲有一種特殊的魔力，能超越輸贏的問題。中學一年級的時候（大約是一九四二或四三年，當賀南一家還住在俄亥俄州的時候），他和幾個死黨經常在朋友家的地下室發明新的遊戲。從報紙每天的頭條新聞得到靈感，他們的傑作是占去地下室大半個空間的戰爭遊戲。他們設計的遊戲有坦克和大砲，還有砲彈發射表和射程表，他們甚至還發明了一些方法把遊戲圖掩蓋住，來模擬煙幕。「遊戲變得很複雜，」賀南說：「我還記得用爸爸辦公室的油印機來印很多戰爭遊戲圖。」（賀南的父親開了好幾家大豆加工廠，一直生意興隆。）

「我們可以把這個系統想像成一個辦公室，布告欄貼滿了今天待辦事項的備忘錄，而每個規則就等於有責任完成部分待辦事項的辦公桌。這天一開始的時候，每個桌子都先蒐集屬於它責任領域的備忘錄。一天結束的時候，每個桌子都把活動成果張貼出去。」當然，第二天早上，又重複像這樣的循環。除此之外，偵測器（detector）也可能張貼公告，通知整個系統外界發生的狀況。有些備忘錄可能使操縱器（effector）起反應，操縱器是能讓系統影響外界的副常式。賀南說，電腦中的偵測器和操縱器，就等於我們的眼睛和肌肉。所以，原則上，這種系統很容易就能從環境中得到回饋。

賀南說：「我們三個人都很喜歡下西洋棋。西洋棋是一種規則簡單的遊戲，但是令人驚訝的是，絕不會有兩個完全相同的棋局，因為其中有無限的可能性。所以我們嘗試發明有相同特性的遊戲。」

但是，假定你不知道你要電腦做什麼，例如，假定你想要找到某個複雜數學函數的最大值，這個函數可能代表利潤、工廠產出、或選票、或任何東西，這個世界有太多你想求取最大值的東西了。的確，程式設計師已經設計了很多複雜的演算法，來求取函數的最大值，但即使是其中最好的演算法，都不能保證在每一種情況下皆能算出正確的最大值。在某種程度，這些程式都還是得依賴老方法——嘗試及錯誤，也就是猜測。

在認知的領域，任何我們稱為「技巧」或「專業」的東西都是一種隱含的模型，說得更精確一點，是經過多年的經驗歷練後，銘刻於我們神經系統上的一組巨大而相互連結的標準作業程序。你拿教科書上的練習題給一位物理教師看，他不會像生手一樣，浪費時間慢慢寫下一條條的公式，他的心智模型幾乎能讓他立刻找到解題的方法：「啊哈！這是能量不滅的習題。」發個球給網球名將艾芙特（Chris Evert），她不會花時間辯論如何接球；縱橫球場多年，她的心智程序會讓她本能的回手，打得你措手不及。

賀南和亞瑟的廚房談話一個小時又一個小時的持續下去，從西洋棋談到經濟學，從經濟學談到西洋跳棋，又談到內在模型、遺傳演算法，然後又回到西洋棋。亞瑟覺得他終於開始明白學習和適應的完整含義。他們倆還睡眼惺忪的討論可能解決經濟學理性期望問題的方法：與其假設你的經濟作用體完全理性，為什麼不模擬賀南式分類者系統，讓它們像真正的經濟作用體一樣從經驗中學習呢？

並非每個分類者都有機會贏；布告欄很大，但並非無限大。跑得快的也不一定都贏，即使是「貓王還活著」的假設，如果幸運的話，都有機會張貼信息。但是平均而言，最有力而可信的假設將自動取得系統行為的控制權，而離譜的假設只會偶爾出現，這使系統保有一些自發性。如果有些假設彼此不一致，這不是危機，反而是機會。系統有機會從經驗中學習何者的可信度較高。

賀南笑了，他完全了解這有多荒謬。早在一九四○年電腦才剛發明的時候，研究人員已想過要設計一個可以下西洋棋的「聰明」程式。現代資訊理論之父、貝爾實驗室的夏濃（Claude Shannon）估計，西洋棋中所有可能棋步的總數是十的一二○次方，這個數字大得無法比喻，在我們可觀測到的宇宙中所有的粒子數目也沒那麼大。沒有一種電腦有辦法檢查所有的可能性，當然更沒有一個人做得到。我們人類棋手必須服膺實際經驗的法則，來決定在某種狀況下，採取那種策略最好。即使最超凡入聖的棋手，下棋時也得步步為營，就好像他們要下去很深、很深的洞穴，而只有手上的燈籠微光可以引路。當然，棋手會日益進步。賀南自己也下西洋棋，他曉得一九二○年代的偉大棋手決不願冒險對抗目前的棋聖，例如卡斯帕洛夫（Gary Kasparov）。但即使如此，在無垠的未知領域中，他們只不過是前進了幾碼而已。這是為什麼賀南叫西洋棋為「開放的」系統：它有無限的可能性。

為了模擬這種競爭狀態，賀南決定把信息張貼變成好像大拍賣一樣。他的基本想法是，不要把分類者看成電腦指令，而要看成假設，也就是臆測在任何情況下所能張貼的最佳信息。他針對每一個假設的可信度或強度，給與不同的數值，因此就有了叫價的基礎。在賀南的信息張貼版本中，每個循環開始時正如同以往，所有的分類者都掃瞄公布欄，尋找配對。也和過去一樣，找到配對的分類者就會挺身而出，準備張貼自己的信息。但是，它們並非立即張貼信息，而是首先根據假設的強度喊價。例如根植於「旭日總是由東邊升起」這種經驗的分類者，可能叫價一○○○，而以「貓王還活著」為基礎的分類者，叫價可能只有一。系統會蒐集所有的價碼，並且選出一組贏家，叫價最高的分類者最有可能贏，雀屏中選的分類者會張貼它們的信息，然後再重複這樣的循環。

所以，這個系統又置身於可能性的無垠穹蒼，毫無找到一個最佳位置的希望。演化唯一能做的只是尋求改善，而不是尋求完美。但是，這正是他一直想解答的問題：如何做呢？要了解多基因的演化過程，顯然不只是把費雪的單基因方程式改為多基因方程式那麼簡單。賀南想了解的是，演化過程如何深入可能性的無垠穹蒼、發掘有用的基因組合，而不需要搜尋其中的每一寸空間？

「你看！」他會說，急切的指著整頁滿滿的十六進位的雜亂符號。

巴哈小組成員說到這個故事的時候，眼珠還是骨溜溜的轉。當時，整個校園充斥著各色電腦：VAX、大型電腦、甚至高性能的繪圖工作站，何必用康莫多電腦呢？而且，已經沒有人在用十六進位碼了。如果你真是個電腦高手，想要發揮機器的每一分性能，你可以用一種「組合語言」（assembly language）來寫，至少組合語言會以像MOV、JMZ、SUB等幫助記憶的公式來取代數字。否則，也可以利用更高層次的程式語言，例如福傳、帕斯凱爾、里斯普等，至少一般人比較容易懂。柯亨特別記得他和賀南激辯許久：如果程式是用這種夾雜字母數字的胡言亂語寫成，有誰會相信這個系統真能運作？即使有人相信你，如果這個系統只能在家用電腦上操作，又有誰要用這分類者系統呢？

事實上，如果這種系統真有一天達到均衡，那麼它的狀態將不只是穩定而已，而是死亡。此外，想像系統中的作用體能不能把它們的適應力或效用「發展到極限」，也是毫無意義。因為可能性太大，不可能找到極限。作用體所能做的最多只是相對於其他作用體的表現，儘可能改變或改善自己的行為。簡單的說，複雜適應性系統的特性就是永恆的新奇。

他特別記得其中的一次談話。賀南來參加這次會議的原因是，他渴望了解經濟學有那些重要議題。（賀南曾跟他說：「如果你要作跨學門的研究，進入別人的領域，那麼至少你應該很認真的看待他們的問題。他們花了很多時間來研究。」）當天晚上，當他們圍坐餐桌旁，賀南單刀直入的問他：「亞瑟，經濟學真正的問題是什麼？」

起先，賀南很著迷。「從中學時代起，我就很喜歡閱讀關於遺傳和演化的書，」他說。每一代生物都會再重新組合遺傳自父母的基因，你可以計算像藍眼睛或黑頭髮這些特質，會在後代出現多少次，這些想法都令他大感興趣。「我一直想：哇！真是巧妙！讀這本書使我第一次了解在遺傳學領域除了代數之外，還可以運用很多其他的數學技巧。」的確，費雪就用了很多複雜的數學概念，像微分、積分及或然率理論等。他的書以嚴謹的數學分析說明天擇如何改變基因分布，也因此為關於演化變遷的「新達爾文」理論奠定基礎。二十五年以後，這仍然是當代最先進的理論。

賀南認為這都和主流學派對學習缺乏興趣有關。「所碰到的困難就和你把物種分類，卻不了解他們如何演化一樣。儘管你因此很了解生物的身體結構，但是終究還是不夠。」他仍然相信必須藉由希伯的觀點來了解概念，概念是由更深的神經底質而來的突現結構，不斷因環境中輸入的信息而自我調適。就像從水蒸氣的物理和化學變化中突現的雲一樣，概念也一樣的模糊不清、不斷變動，經常重組並改變形狀。「要了解複雜適應性系統，最重要的是了解如何突現？」

但是，預測的觀念幾乎和基本單位的觀念一樣複雜。例如，我們通常都認為預測是人類有意識的模擬外界狀況後所作的思考，而且在現實世界中，各種具象的模型也確實不虞匱乏。例如超級電腦對氣候變化的模擬就是一例，此外，新公司的經營企畫書或美國聯邦儲備局的經濟預測也都是例子，甚至矗立在英格蘭平原上的史前巨石柱（Stonehenge）都算是一種模型：環繞的巨石讓古代教士能夠粗略但有效的計算春分和秋分的到來。很多時候，模型其實就在我們自己的腦子裏，例如購買家具的人要想像沙發擺在起居室的樣子，或是膽怯的員工要想像冒犯老闆的後果。我們經常說「心智模型」，事實上，許多心理學家相信所有有意識的思維正都奠基於心智模型。

聽到高柏格談他的實驗結果時，賀南興奮極了。自從一九八○年開始，賀南就和密西根三位同事——心理學家何力約克（Keith Holyoak）、尼斯比特（Richard Nisbett）及哲學家沙嘉得（Paul Thagard）通力合作，想要架構一個關於學習、推理及智識的一般性認知理論。在一九八六年合著的「歸納法」（Induction）一書中，他們四個人從各自的研究中，不約而同的指出，像這樣的理論必須奠基於三個基本原則上。而這三個基本原則也正是賀南的分類者系統的基本原則：第一，知識能以類似規則的心智結構來表達；其次，這些規則彼此競爭，所以經驗會令有用的規則力量更強大，無用的規則力量日漸削弱；第三，舊規則會結合成似乎合理的新規則。

「我受寵若驚，」他說：「我真的覺得自己很卑微。直到今天，我還有『誰？我嗎？』這種訝異的感覺。我是說，其他人是像安德森、艾羅這樣的人物，而我也在其中，他們問我對這件事、對那件事的意見，所以我的反應是——他們會不會找錯人了？在我的學術生涯中，從來不曾發生過像這樣的事情。」

亞瑟大吃一驚。科學委員會是聖塔菲研究院的大內，是真正有決策權的地方。「我當然願意！」他說。

賀南原本以為花一、兩年的時間就可以完成他的書，一本解析概型定理、遺傳演算法以及他的適應觀念的書。結果，卻花了十年時間。他一面寫書，一面作研究，不停的發現值得探討的新概念，以及值得分析的新層面。在他的指導下，好幾個研究生拿這個題目作電腦實驗，證明遺傳演算法真的是解決最大值問題的最有效方式。賀南感覺自己正在架構有關適應性的理論和實務，他希望作得一絲不苟，巨細靡遺。

的確，勃克斯的支持使賀南能特別著力於適應性理論的研究。一九六二年，他拋開了其他研究計畫，全力研究適應性理論。他特別決定要以不止一個基因為基礎，來探討天擇的問題。他這麼做不僅僅因為費雪在著作中假設基因互不相關，是困擾他多時的問題，同時，以多數基因為分析基礎也是避免均衡問題的關鍵。

賀南樂於加入的其中一個原因是，他對數學已經完全失去興趣了。密西根大學數學系就像二次大戰後大多數的數學系一樣，服膺法國布巴奇學派（Bourbaki School）的理想，要求數學研究必須具備非人性的純淨和抽象。根據布巴奇的標準，甚至以世俗的繪圖方式說明定理背後的概念，都被視為魯鈍。「他們的想法是要證明數學不需要任何詮釋，」賀南說。但這不是他學數學的目的，他是想藉著數學來了解這個世界。

但是對思維而言，預測和模型的概念要比有意識的思維或是頭腦本身，層次更深。「所有的複雜、適應性系統——經濟、心靈、有機體，都可架構起能讓他們預測的模型。」賀南宣稱。沒錯，甚至連細菌都一樣。許多細菌都有特別的酵素系統，能讓細菌游向葡萄糖濃度更強的地方，這些酵素都模擬細菌世界的重要層面：化學物質從來源擴散出去，離得愈遠，濃度愈淡；酵素同時把隱含的預測譯成密碼：如果你游向濃度較高的地方，你可能就可以找到養分。「這不是一種有意識的模型，遵循這種模式的有機體要比不依規定而行的有機體占上風。」

第三，所有的複雜適應性系統都能預期未來。顯然，經濟學家對這點絲毫不感驚訝。由於大家預期不景氣會持續下去，可能使許多人延後購買新車或度假，結果就更確保了持續的不景氣。石油短缺的預期心理，也可能導致原油市場上出現劇烈的買賣震盪，無論是不是真的會發生石油短缺。

當然，這玩意，現在我們稱為「突現」。但是，早在賀南聽到這個名詞之前，他對突現現象的興趣，已經引發他對科學和數學一輩子的熱愛，再多的科學知識都不能令他滿足。他還記得求學的時候，「我到圖書館去，只要是關於科學和技術的書籍都借回家。中學二年級以前，我已經決定要成為物理學家。」最吸引他的不是科學能讓你把宇宙萬事萬物都簡化成幾個簡單的法則，而是科學能告訴你：幾個簡單法則如何產生極其豐富的行為。賀南說：「我真是樂在其中。科學和數學從一方面來看，是化約論的極致，但是如果你從整體來看，其中蘊含無限出人意料之外的可能性。科學一方面讓宇宙可以為人所理解，另一方面卻讓宇宙永遠是個不解之謎。」

所以，他告訴賀南，簡單的說，這就是經濟的問題。我們要如何把探究無限可能性的不夠聰明的作用體變成科學？

「從此，我不再擔心其他經濟學家的看法，我願意和聖塔菲的這群人分享研究心得，聖塔菲就是我的家！」亞瑟說。

在撰寫博士論文期間，賀南只能把這些想法暫擱一旁，但是他一拿到博士學位，就立定志向要把他的想法轉化成完整而嚴謹的適應性理論，而當時勃克斯已經邀請他繼續留在電腦邏輯小組作博士後研究。「我相信如果我把遺傳適應看成長期的適應過程，把神經系統看成短期的適應過程，那麼兩者的一般性理論架構應該相同。」為了要釐清自己腦中的想法，他甚至在一九六一年七月發表了一份四十八頁的技術報告，題目是「適應性系統的非正式邏輯理論」。

然而，賀南不會回頭去做神經網路的電腦模擬。即使IBM七○一已經誕生了二十五年，電腦的能力仍不足以完成大規模的希伯式模擬。一九六○年代，神經網路因為「知覺子」這個題目而聲名大噪。但是，知覺子只是希伯理論的簡化版本，根本沒有辦法產生相互呼應的細胞集合。一九七○年代末期之後備受矚目的新一代神經網路，也不能打動賀南。賀南說，這些網路比知覺子複雜，但是仍然無法支持細胞集合理論。的確，大部分的神經網路版本都缺少共鳴，訊號只是單向的在網路中流傳。「這些結合論的網路在刺|激—反應行為及形態辨識上表現優異，但是大體卻忽略了內在回饋的需求；而在希伯的理論中，必須要有內在回饋，才會產生細胞集合。除了少數例外，一般的研究都不管內在模型。」

答案在當時還混沌不明。事實上，現在也還混沌不明，但是問題卻問得比過去清楚而精確。而突然成為全國電腦天才重鎮的IBM電腦開發小組，正首當其衝。賀南很喜歡回憶當時有一票人每隔兩個星期左右就會在晚上聚會，討論撲克牌遊戲和圍棋的問題。參加的人當中有一個叫麥卡西（John McCarthy）的暑期實習生，是加州理工學院的研究生，後來成為人工智慧的創始大師之一。

自然，他們在過程中碰到很多困難，不只是因為他們的程式是有史以來第一次模擬神經網路，也是人類第一次用電腦來模擬真實世界，而不只是計算數字或分析數據。賀南非常讚揚IBM的耐心，他和他的同事在電腦上花了數不清的小時來模擬網路，甚至還動用公款，出差到蒙特婁問希伯本人的意見。

所以，到了一九七○年代後期，賀南著手發掘這個理論。

現在看來，希伯的理論和賀南自己的網路模擬可能對他未來三十年的思想形成，有舉足輕重的影響。但是，當時最直接的結果卻是驅使他離開IBM。

對賀南而言，答案顯然是希伯式的加強作用。每當作用體做對了事情，而且從環境得到正回饋，相關的分類者就變得更強。當作用體做錯事，相關的分類者就變得更弱，而不相干的分類者則被忽視。當然，重點是要弄清楚哪些分類者是屬於哪一種。作用體不可能單單獎勵在頒獎的那一刻表現得特別活躍的分類者。這就好像把美式足球贏球的功勞全歸於帶球衝過底線的跑鋒，而對操控全局、傳球給他的四分衛，或是攔截對手、為他開路的前鋒未置一詞。這也好像把西洋棋局的勝利完全歸功於引國王入甕的最後一著棋，無視於前面步步為營，為結局鋪路的策略。

研究院的說法似乎沒錯。當大家開始回座，賀南已經站上台，準備開始。他是個短小精悍、六十開外的中西部人，寬大、紅潤的臉上似乎隨時都掛滿笑容，高昂的聲音使他聽起來像個熱誠的研究生。亞瑟立刻和*圖*書對他產生好感。

難怪對他而言，「均衡」的概念和演化格格不入，甚至不像他十四歲時在地下室玩的戰爭遊戲。均衡暗指終點，但是對賀南而言，演化的本質在於旅程，在於無盡的驚奇。「我愈來愈清楚我想要了解及我所好奇的是什麼東西，均衡絕對不是其中的重要部分。」

此外，還有一件事令賀南不解。費雪一直談到演化會達到穩定的均衡——每個特定的物種都會發展為最理想的大小、牙齒銳利得恰如其分，總而言之，即達到能生存和繁殖的最佳狀態。費雲的論點和經濟學家對經濟均衡的定義如出一轍：一旦物種達到最佳狀態，任何的突變都會降低它自己的適應性，因此，天擇無法再形成改變的壓力。「費雪的論點大半在強調：『好了，因為以下的流程，這個系統會達到哈地—威恩伯格的均衡（Hardy-Weinberg equilibrium）……』但是，這聽起來這不像我心目中的演化論。」

賀南首先指出，經濟學是聖塔菲研究院所謂「複雜適應性系統」的絕佳範例。在大自然的世界裏，這類的系統包括腦子、免疫系統、生態、細胞、胚胎，以及螞蟻群等。在人類的世界裏，則包括像政黨或科學社群等文化及社會體系。一旦你學會如何辨識，你會發現這些體系無所不在。但是，無論在何處，這些系統似乎都有一些重要的共同特性。

平心而論，賀南並沒有大力推銷自己的論點，只是偶爾發表幾篇論文，有人邀請的時候，去作作演講，僅此而已。他沒有到重要學術會議上大力宣揚自己的遺傳演算法，他沒有把遺傳演算法應用到像醫學診斷等會吸引創業投資家的熱門領域，他也沒有到處爭取大筆經費來建立一座遺傳演算「實驗室」，他更沒有藉著出版大眾讀物大聲疾呼：如果要對抗日本人的威脅，政府補助遺傳演算法的研究已是刻不容緩。

他最不需要多費唇舌說服的人就是勃克斯。勃克斯說：「我支持賀南。有一派邏輯學家很不以為然，覺得賀南的研究不是電腦邏輯小組該作的研究，他們的想法比較傳統。但是我告訴他們，這正是我們需要的研究，就爭取經費補助的角度而言，這研究的重要性和他們的研究不相上下。」身為這個研究計畫的創辦人，勃克斯的話深具分量。抱著懷疑態度的人逐漸離開了這個研究小組。一九六四年，在勃克斯大力支持下，賀南得到了終身職。「那幾年多虧了勃克斯當我的擋箭牌。」賀南說。

但是，這些都沒有使賀南忽略了當初他到密西根的目的。事實上，勃克斯的通訊科學計畫正是這類議題可以蓬勃發展的環境，包括：突現是什麼？思考是什麼？思考如何產生？有些什麼法則？系統適應的真正意義是什麼？賀南記下關於這些問題的一些想法，然後有系統的存檔在貼著「Glasperlenspiel一號檔案」、「Glasperlenspiel二號檔案」的檔案夾中。

賀南開始演講。幾分鐘內，亞瑟的瞌睡蟲立刻一掃而空，聚精會神的聆聽賀南演講。

但是，現在當你假定海藻的一千個基因並非各自獨立時，看看會發生什麼事情。為了要確定真的找到最佳的適應能力，天擇過程必須檢查每個可能的基因組合，因為每一種組合都有不同的適應能力。當你檢查過所有組合時，數目不再是二乘以一○○○，而是二自乘一千次，也就是二的一千次方，或是十的三百次方，這數目大得連西洋棋的可能棋步都顯得微不足道。「演化過程根本不可能試驗這麼多種可能性，而且不管電腦多發達，都辦不到！」賀南說。這數字大得即使我們假設宇宙中的每個粒子都是一具超級電腦，從大霹靂之後就不斷在計算這些數字，所得到的解答離實際都還有一段距離。而且要記住，這還只是海藻而已，人類和其他哺乳類的基因差不多是海藻的一百倍，而大多數的基因都有不止兩種特性。

例如，在標準的紐威爾—西蒙觀點中，規則和公告欄上的備忘錄都以「黃色」、「小鳥」等符號撰寫，希望在人類心智中形成類似的觀念。對於從事人工智慧的大多數人而言，以符號代表觀念是不容爭辯的做法，是幾十年來人工智慧學者奉行不悖的標準教條，而紐威爾和西蒙則是箇中翹楚，而且這種做法確實掌握到腦子的運作狀況。電腦中的符號可以連結精密的數據結構來代表複雜的狀況，正如相聯的概念形成心理學家的心智模型。程式則利用這些數據結構來模仿推理或解決問題等心智活動，就好像在思考過程中，我們的心靈會改變心智模式一樣。如果你仔細推敲紐威爾—西蒙的觀點，這種符號處理的過程正是思考。

同時，賀南也反對以規則為基礎的系統中的傳統中央控制觀念。在傳統的觀念中，這類的系統彈性太大，必須有某種中央控制的形式，以避免混亂。由於上百或上千的規則同時觀看塞滿各種信息的布告欄，總是可能會有幾條規則蹦出來，開始爭辯誰能張貼下一筆信息。假定它們不能都如願以償，因為信息可能彼此不一致，（有的說「吃掉皇后」，有的說「吃掉卒子」。）或是這些信息可能導致截然不同的連串規則，因此在系統中產生截然不同的整體行為：所以為了預防電腦罹患精神分裂症，大多數的系統都會執行精妙的「衝突解決」策略，以確定一次只有一個規則發生作用。

所以，賀南幾乎找到答案了，但也不盡然。在以基本規則為基礎的系統之上又構築了「水桶大隊」演算法，使賀南為他的適應性作用體找到了一種學習的形式。但是，另一種形式還付之闕如，也就是「採掘式」和「探險式」學習之間的差異（參見第八章）。「水桶大隊」演算法能強化作用體已經擁有的分類者，能夠磨利已有的技能，能夠鞏固已有的收獲，但是卻無法開創任何新局面。它只能把系統帶到一個最佳的平庸狀態，而不能探索可能的新分類者存在的無垠空間。

幾天後，已經應用報酬遞增觀念在國際貿易理論上作了系列研究的夏克曼，和洛杉磯加州大學（UCLA）的鮑德林（Michele Boldrin），為了使報酬遞增的經濟發展理論成形，一直討論至凌晨三點。

事實上，即使在四十年後的今天，當神經網路模擬程式早就變成人工智慧研究的標準工具時，當年的IBM觀念啟迪者仍然成就非凡。基本的概念在今日看起來仍很熟悉。在程式中，賀南和羅徹斯特把人工神經模擬為「節點」（node），也就是能夠對自己內部狀態有一些記憶的小電腦。他們把人工的突觸模擬為各種節點之間的抽象連結點，每一個連結點對應於突觸的強度，都會有一些「重量」。當網路獲得經驗時，他們也調整強度，以模擬希伯的學習法則。賀南、羅徹斯特和合作的研究人員，納入了許多今天大多數的神經網路模擬所沒有納入的神經生理學細節，包括像每一個模擬的神經元多快起反應，以及如果太常反應，多久會疲乏。

當然，當時沒有人懂得稱這類的想法為「人工智慧」或「認知科學」。儘管如此，為電腦設計程式這種前所未有的嘗試，逼迫人們更仔細的思考：所謂解決問題到底代表什麼意思。電腦基本上像個外星人，你必須教會它每一件事：什麼是資料？資料如何轉換？從這裏到那裏需要哪些步驟？這些問題很快就指向哲學家困惑了幾百年的問題：什麼是知識？如何從感官印象中獲得知識？知識在心智中如何表示？如何借助經驗而修正原有的知識？如何將知識運用於推理？如何將決定轉化為行動？

這些例子多得不勝枚舉，賀南說。DNA本身就是個隱含的模型，基因說：「在這些條件下，我們預期會找到能夠適應得最好的生物。」人類文化也是隱含的模型，錯綜複雜的神話和象徵隱約決定了人們對世界的信念，以及正確的行為規範。因此，薩穆爾的電腦棋手也隱含了一個模型，當電腦棋手愈來愈熟悉對手的棋風以後，它賦予不同棋步的價值就會改變。

其次，你把個別的染色體當成電腦程式一樣運轉，測試它解決問題的能力，然後打個分數。就生物學的角度來看，這個分數決定了個別染色體的「適應能力」。適應能力愈高的數位染色體，愈有可能被遺傳演算法選來繁殖下一代——把基因遺傳給下一代。

第二，複雜適應性系統在組織上有許多不同的層次，每一種層次的作用體都是更高層次作用體的基本單位。蛋白質、脂肪、核酸會組成細胞，一群細胞組成組織，組織集合而成器官，器官組合成有機體，許多的有機體就會形成生態系。在腦部，一群神經元會形成語言中樞，另一群神經元組成運動皮層，另一群再組成視覺皮層。同樣的，一群員工組成部門，許多部門組成公司、進而組成經濟部門（economic sector）、國家經濟、甚至世界經濟。

賀南最感欣慰的是一九八三年由高柏格（David Goldberg）所作的展示。高柏格是個攻讀博士學位的土木工程師，多年前就修過賀南適應性系統的課程。高柏格說服賀南加入他的論文審查委員會，他的論文是證明遺傳演算法和分類者系統如何控制模擬的瓦斯管，這是當時分類者系統處理過的最複雜的問題。

預測就是提前思考。他還記得薩穆爾一再重複這點。「要下一盤好棋，基本上就是要重視不那麼明顯的布局。」賀南說，也就是等一下會讓你占上風的幾著棋。預測能幫助你抓住機會，或避免誤入陷阱，有預測能力的作用體絕對比不能預測的作用體占優勢。

賀南的研究並沒有在密西根以外的電腦科學界激起絲毫迴響。電腦學者喜歡的是優雅、簡潔、證明無誤的演算法，賀南的遺傳演算法太古怪了。人工智慧學者的反應稍微熱烈一點，因此他的書每年還可以賣出去一、兩百本。即使如此，偶爾有人提到這本書，口氣通常是「賀南是個絕頂聰明的傢伙，但是……」

另一方面，也要怪他和自己過不去。他在家裏以康莫多（Commodore）家用電腦，獨力把第一個分類者系統編碼完成，用的是三十年前他為旋風計畫寫的十六進位碼。

第三，你把雀屏中選的染色體拿來藉由兩性|交配，創造新的一代，讓其餘的染色體相繼死亡。當然，在實際操作的時候，遺傳演算法省略了兩性差異、求偶儀式、愛撫動作、精|子和卵子結合等真正交配時的細節，而完全只是遺傳材料的交換。按照計畫，演算法選擇一對分別有ABCDEFG和abcdefg的染色體，再自染色體中間隨意切開，然後互換其中被切割部分，形成一對第二代染色體，例如分別是ABCDefg和abcdEFG。這方法是賀南從真正的染色體得到的靈感，在真正的染色體中，這種交換（crossover）的情形屢見不鮮。

他的確做到了。一九七○年出版的「自然及人工系統的適應問題」（Adaptation in Natural and Artificial Systems）一書中布滿方程式和各種分析，總結了賀南二十年來關於學習、演化和創造的思維，也對遺傳演算法作了細密的鋪陳。

紐威爾—西蒙式系統的內部架構，幾乎就是這種公告欄比喻的翻版，系統內部的數據結構包含了一系列的數位信息，就好像上述的布告欄一樣。系統中還有許多的規則，成百或甚至上千個電腦密碼位元。當系統運作的時候，每個規則都不斷掃瞄布告欄，看看有沒有符合它的「若」部分的條件設定。一旦發現正確的信息，它立刻把代表「則」部分的新數位信息張貼在布告欄上。

真的，為什麼不這麼做呢？就寢前，賀南寫了張紙條提醒自己把一套薩穆爾電腦棋手的投影片找出來。亞瑟對這個能夠學習的遊戲軟體十分著迷，他從來沒有聽過這樣的事情。賀南想，也許他在第二天的會議中可以針對這個題目來一番即席討論。

答案絕對是：「沒有這個人。」因為如果真有一個藏身幕後的設計師——「機器中的魔鬼」，那麼這個解釋等於沒有解釋，你只是把謎團推到另外一個地方。幸運的是，還有一個可能的答案：環境的回饋。這是達爾文的偉大洞見，作用體不需要超感覺的指引，就能改進內在模型。它需要作的只是嘗試，把模型放到真實的世界中，看看預測得準不準；如果模型通過歷練存活下來，下次它就會自我調整，表現得更好。當然，在生物學中，作用體就是個別的有機體，物競天擇提供了環境的回饋，而不斷改進模型就叫做演化。但是在認知科學的領域中，整個流程如出一轍——作用體是個別的心靈，教師和每個人的直接經驗提供了回饋，不斷的自我改進則叫做學習。薩穆爾的電腦棋手正是如此運作。賀南說，無論是哪一種方式，有適應能力的作用體必須能善用外界環境傳達給它的訊息。

簡而言之，他就是不玩學術圈自我推銷的把戲，這似乎是他唯一不喜歡玩的遊戲。說得更清楚一點，他真的不在乎輸贏，他寧可享受和幾個死黨在地下室玩遊戲的樂趣。「這就像打棒球，你是在郊外沙地上玩球或參加哪個球隊並不重要，重要的是打球的樂趣。我的科學研究一直都能讓我樂在其中。」

起初，他只是直覺的認為：某些基因組能一起運作得很好，並形成統一而相互強化的整體。例如一群能指揮細胞如何從葡萄糖分子汲取能量的基因，或是一群控制細胞分裂的基因，或是指導如何組成身體組織的基因群。這種情形很類似希伯關於腦部學習的理論：一組相互共鳴的細胞集合可能會形成像「汽車」的相關觀念，或是像舉起手臂的協調性動作。

賀南認為有兩個必要條件：預測和回饋。這是遠自他在IBM的日子以及他和薩穆爾討論西洋棋遊戲軟體時就有的洞見。

亞瑟發現他和安德森及其他物理學家很有共鳴。「我喜歡他們對電腦實驗的重視，」他說。在一九六○和七○年代，經濟學家對電腦模型評價很低，因為早期許多研究人員都暗中操縱電腦模型來支持他們偏好的政策建議。「所以，我很高興看到在物理學的領域中，電腦模型運用得當。我很喜歡物理學界開放的風氣，大家都願意聽聽新觀念，不會預存定見。」

賀南說，難怪我們很難用傳統的數學方式來分析複雜適應性系統。像微積分或線性分析之類的傳統技巧，很適合描述在固定環境中不變的粒子；但是，如果真要深入了解經濟或複雜適應性系統，你需要的是強調內在模型、新基本單位的突現、以及多種作用體間頻繁互動關係的數學及電腦模擬技巧。

亞瑟喝一口啤酒，找尋適當的字眼來解釋，其實，他自己也不完全明白。經濟學家老是把系統看得封閉而單純：系統很快就會穩定下來，頂多出現兩、三種行為模式，然後，就不再發生什麼事。他們假設經濟的作用體都絕頂聰明，在任何情況中，都能立即察覺最有利的行動是什麼。想想看，如果從西洋棋的角度來看，這代表什麼意義？在博弈遊戲的數學理論中，有個定理告訴你任何有限的、雙人的、零和的遊戲，例如西洋棋，都會有一個最理想的解答。也就是說，有一種選擇棋步的方式能讓黑白棋雙方都有最好的表現。

不幸的是，起初賀南能學到的電腦知識，除了電機課上一些零星的二手資訊外，幾乎乏善可陳。當時電子式的電腦還很新奇，大部分資料都列入保密文件，當然更沒有電腦課可修。但是有一天，當賀南又像平常一樣，在圖書館博覽群籍的時候，他看到一批用簡單的論文封面套住的活頁演講筆記，當他翻閱時，他發現裏面詳細記載著一九四六年在賓州大學電機系所舉辦的學術研討會的討論內容。戰時為了計算大砲的射程表，賓州大學發展出美國第一部數位化電腦——ENIAC。「這些筆記很有名。這是第一次在演講中詳細討論數位化運算，他們從我們現在稱之為電腦架構的觀念一直談到軟體。」其中，演講還提到了像「資訊」、「資訊處理」等嶄新的觀念，並且解釋了一種嶄新的數學藝術：程式設計。賀南立刻自己買了一份演講記錄，從頭到尾讀了好幾遍。

最後，經由基因交換而產生的第二代染色體繼續彼此競爭，並且在新的世代循環中，也和它們的父母競爭。無論在遺傳演算法或在達爾文的物競天擇中，這都是關鍵的一步。如果沒有兩性|交配過程中的基因互換，第二代會和它們的上一代完全一樣，整個物種的發展也就趨於停滯，表現差的會相繼消逝，而表現好的也沒有絲毫改進的跡象。然而，藉由兩性|交配，儘管後代仍然和父母類似，卻有所差異，有時候還比上一代更好。賀南說，當這種情形發生時，有所改進之處很可能會繁衍而普及至整個族群，進而改進整個族群。物競天擇提供了一種向上提升的機制。

何力約克三人從廣泛的觀察和實驗中提出的論點是，從蘋果落地帶給牛頓的發現，到我們日常的理解能力，如了解、比喻等，許多靈光一閃而引發的洞見，都能從這些原則中找到解釋。

「我覺得很興奮，」考夫曼說。和亞瑟漫談了兩個星期之後，他覺得需要補充經濟學知識。「我好像置身於幼稚園，接觸到像用手指畫畫之類各式各樣的新奇事物。也像是一隻小狗，到處東嗅嗅、西嗅嗅，有一種發現的美妙感覺，覺得整個世界都是值得探索的奇境，每一件事都很新鮮。這是我對這個會議的感覺。我很好奇其他人在想些什麼，以及這個新領域的問題是什麼？這是我個人的風格，但是我覺得其他有不少人也是這種作風。所以，我們彼此交談，彼此聆聽。」

無論賀南的回答是不是很粗魯，葛爾曼顯然很喜歡賀南的想法。不久之後，葛爾曼打電話給賀南，問他願不願意加入當時剛成立的聖塔菲諮詢委員會。

他補充：「你知道，科學家很容易會覺得懷才不遇。賀南過去幾十年來的經歷就是如此，我當然也是，直到我走進聖塔菲研究院，碰到這許多絕頂聰明的人，過去在書上讀到的人物，而他們給我的感覺卻是『你怎麼這麼久才來？』」

根據議程，經濟會議的第二場演講會在第一天午餐後開始，然後持續整個下午。主講人是密西根大學的賀南（John H. Holland），講題是「全球經濟的適應性過程」。

亞瑟說，自然大家也會討論到證和_圖_書券市場是不是一個正回饋環，人們因為看到其他投資人進場，而把股價哄抬得愈來愈高。或是相反的，如果人們看到其他投資人都不買，反而引起股市崩盤？「當時正好股市過熱，因此很多人都在討論這個理論是不是可行，是不是過去曾經發生過這種情形，以及是不是很快就會在美國發生。」

「不對！不對！你知道這是什麼意思嗎……？」

但是，還不止於此。里克萊德繼續解釋希伯的第二個假設：選擇性的強化突觸，會使腦子自我組織成一個個「細胞集合」——也就是許多組神經元。流動的神經衝動會在其中自我強化，並繼續流動。希伯認為這些細胞集合是腦部的資訊基本單位，每一個細胞集合都對應於一個聲調、一線光、或一部分的想法。但是，這些集合在生理上並未彼此分開，而是重疊，每一個神經元都同時屬於好幾個細胞集合。因此，刺|激一個細胞集合起反應，不可避免的會引發另外一個集合的反應，於是這些基本單位很快就會自我組織成較大的概念和複雜的行為。簡而言之，細胞集合是思想的基本量子（quantum）或基本單位。

他仍然認為當時家用電腦很管用，學校的電腦必須由大家共用，很不方便。「我喜歡直接在電腦上修改程式，但是沒有人會讓我一口氣用八個小時電腦。」他認為個人電腦革命簡直是上帝的恩典。「我可以在自己的家裏、用自己的機器設計程式，不必仰賴任何人。」

事實上，在一九六○年代，不懂的人還真不少。對賀南的研究存疑的同事至少說對了一件事：賀南最後提出的遺傳演算法真是古怪極了，這演算法不像真正的電腦程式，骨子裏反而更像電腦模擬的生態系統——在其中所有的程式相互競爭、相互交配、繁殖下一代，總是朝著解決問題（由程式設計師所設定的問題）的方向演化。

結果，賀南決定把他的模擬適應性作用體設計成融合兩者優點的混合體。為了計算的效率，他會運用因專家系統而著名的「若—則」規則（if-then rule），但卻是在神經網路的精神之下運作。

里克萊德的演講一結束，賀南就去找他在七○一電腦小組的主管羅徹斯特（Nathaniel Rochester），他說：「好了，我們已經有電腦，我們來寫個神經網路模擬程式吧！」

預測和模型的確無所不在，但是，這些模型是打哪兒來的呢？自然或人工的系統如何學習到關於宇宙的一切，而預測未來的發展？他說，談論「有沒有意識」是白費唇舌，大多數的模型顯然都是沒有意識的，看看尋覓營養的細菌就知道了，細菌根本沒有腦子。就算真有意識，意識又從何而至？誰又是寫程式的設計師？

後來，其他事情占據了賀南的腦子，他把這些想法暫時拋諸腦後。當時，他正為自己的研究計畫——模擬腦部的內在運作，忙得不可開交。這個計畫起源於一九五二年春天，麻省理工學院心理系教授里克萊德（J. C. R. Licklider）造訪波基浦夕實驗室，同時答應作一次演講，講題是當時心理學領域最熱門的話題：蒙特婁麥吉爾大學（McGill University）神經生理學家希伯（Donald O. Hebb）最新的學習及記憶理論。

一九四九年秋天，當賀南開始讀大四、正在尋找畢業論文題目的時候，他發現了旋風計畫（Whirlwind Project）。那是麻省理工學院的研究計畫，想要製造出一部速度快得能追蹤空中交通的「即時」（real-time）電腦。海軍每年補助這個計畫一百萬美元，這在當時是令人咋舌的數目。旋風計畫雇用了七十個左右的工程師和技|師，是當時規模最大、也是最創新的電腦計畫。旋風也是第一個使用磁心記憶體及交互式顯示螢幕的電腦，因此而帶動了電腦網路和多重處理技術的涎生。由於這是第一個即時電腦，它同時也為未來在飛航管制、工業流程控制、及銀行業務的電腦應用鋪路。

此外，為旋風及IBM七○一撰寫程式的經驗，使他一點也不覺得桌上型電腦太過簡單。當他買了康莫多電腦的時候，他還認為是跨了一大步。事實上，他在一九七七年買的第一部個人電腦叫麥克隆邁得（Micromind），當時看起來是蘋果電腦的強勁對手。「這部機器很不錯，」賀南還記得。儘管這部電腦只是在一個黑盒子裏裝幾塊電路板，能夠和打字電報機連接起來輸入或輸出訊息，沒有顯示幕，但是的確有八千個位元組的八位元記憶體。而且價格只要三千美元。

「當我終於整理出概型定理時，我才開始寫書。」賀南說。

賀南喜歡玩遊戲，各式各樣的遊戲。他在安娜堡每個月都去打撲克牌，三十年如一日。他最早的記憶之一，就是在祖父的屋子裏，看著大人玩紙牌戲，恨不得自己也已經大得可以上桌玩牌。一年級的時候，媽媽就教他下棋，她同時也是橋牌高手。賀南的家人全都熱中於駕船，母子倆經常在賽船會中競技。賀南的父親則是一流的體操家，同時酷愛戶外活動。他們全家人總是不斷的變換某種遊戲：橋牌、高爾夫、槌球、西洋棋、圍棋、西洋跳棋，只要你說得出名字的玩意，他們都會玩。

這個事實提示了一個適應的全新機制，適應性系統不是按部就班的在可能性的廣大空間中搜尋，而是重組基本單位，採取大躍進式的突破。

賀南就依照這種布告欄比喻，來設計他自己的適應性作用體。然而在架構建立之後，他在細節部分又打破傳統。

賀南說，麥克隆邁得公司這麼快就破產，真是太糟了。後來，他覺得八千位元組的記憶容量太小，才又買了部康莫多電腦。當時，這是最理想的選擇，康莫多和麥克隆邁得用的是同一種微處理機晶片，賀南不需要修改他的十六進位編碼，就可以在康莫多電腦上操作。康莫多的記憶容量也比較大，還有顯示幕。最棒的一點是，他可以在康莫多電腦上玩遊戲！

但是，二十一歲的賀南對這些內幕一無所知，他只知道自己到了奇妙仙境。「我在這裏，還這麼年輕，卻得到最重要的位置。我屬於曉得七○一電腦在做什麼的極少數人。」IBM的計畫召集人把賀南分配到七人的邏輯計畫小組，負責設計這部新機器的指令組及一般性組織。幸運之神又再次眷顧了，賀南正好可以利用這理想的機會來練習程式設計技巧。「第一階段完成之後，我們有了電腦原型，再來就必須用各種方法來測試原型。所以工程師在白天工作，把機器拆開，然後盡可能在晚上重組回去。我們幾個人則在晚上十一點鐘開始，徹夜跑我們的程式，看看到底行不行得通。」

很複雜？賀南不否認。而且，這種拍賣方式只不過以任意的可信度值取代了任意的衝突解決策略。但暫時假定系統有辦法從經驗中學會可信度值，因此在拍賣過程中可以去除仲裁者，而完全合乎賀南的期望。

當然，實際上沒有人知道這個解答是什麼，以及要如何找出這個解答。但是經濟學家所談論的理想經濟作用體卻能立刻找到解答。遊戲一開始，在棋盤上兩軍對陣，兩個作用體就能在腦中列出所有的可能性，他們能倒推出所有可能逼迫對方的棋步。然後反覆推敲，直到已經考慮過所有可能的棋步，而且發現最理想的第一步棋為止。如此一來，根本不需要真的下棋，無論誰搶得理論的先機，就可以立刻宣告勝利，因為他知道他一定可以贏，而對方也會立刻認輸，因為知道他一定會輸。

財富又從何而至呢？當然來自最終的消費者，也就是環境——系統中一切報酬的來源。除此之外，賀南現在明白，給與恰好在報酬出現的當下表現活躍的分類者獎勵，完全無妨。由於每個分類者都會酬庸供應商，因此市場自然會確定獎賞可及於所有的分類者，因而產生賀南希望看到的自動的獎勵和懲罰。他說：「如果你製造出正確的產品，你就會獲得利潤。如果不然，那麼沒有人要買你的產品，你就破產了。」所有能產生有效反應的分類者都會被強化，而擔任鋪路工作的分類者不會被忽視。事實上，經過一段時間後，當系統獲取經驗，從環境中得到回饋後，每個分類者的強度會剛好吻合它對作用體的價值。

於是，他們就這麼做了。「他寫了一個程式，我寫了另一個程式，兩個程式形式不太一樣，我們把程式叫做：『觀念啟迪者』，我們不是自大！」

幸運又降臨他身上了。當然，密西根無論如何都是個不壞的選擇，不只是因為密大數學系在全美排名首屈一指，而且還有個美式足球隊——對賀南而言，這是個重要的考慮因素。

平心而論，即使這群知識工程師都不得不承認，如果電腦軟體能像人類一樣，從教導和經驗中學到專業技能，而且能想出法子既讓電腦學習，同時又不會使程式變得比現在更複雜，那麼事情就會好辨多了。但是賀南認為，這正是關鍵所在。用「學習模型」草草湊成一堆電腦程式根本無濟於事。學習是認知科學的根本大法，就好像演化是生物學的根本大法一樣。學習必須從一開始就深植於認知架構中，而不是在最後才安裝上去。賀南的理想模式依然是希伯的神經網路——每一個念頭所引起的神經衝動會強化神經連結，而產生思考。在腦中，思考和學習是一體的兩面，賀南希望在他的適應性作用體中也能掌握到像這樣的基本洞見。

賀南在一九七七年左右開始為第一個分類者系統編碼，奇怪的是，這個工作並不像他原本期望的那麼簡單。「我原本以為幾個月內，我就可以用電腦跑出一些對我有用的資料。事實上，做到我完全滿意的程度，花了我大半年的時間，」賀南說。

回到最基本的原理。有適應能力的作用體不斷的和環境玩遊戲，這代表什麼意義？在本質上，玩遊戲的作用體要生存、繁榮，究竟還需要什麼條件？

第一，每一個系統都是許多「作用體」（agent）平行作用的網路。在腦部，作用體就是神經細胞；在生態系統，作用體就是物種；在細胞內，作用體就是像細胞核和粒線體（mitochondria）之類的細胞器（organelle）；在胚胎中，作用體是細胞，以此類推。在經濟體系中，作用體可能是個人或家庭；如果以經濟循環為例，作用體可能是公司；如果以國際貿易為例，作用體甚至可能是整個國家。但是無論在哪一種狀況，每一種作用體身處的環境都是它和系統中其他作用體互動之下的產物。作用體不斷發生作用，或對其他作用體起反應，因此，環境中幾乎沒有一件事是固定不變的。

由於事先已經答應要在九月十八日到舊金山發表一篇論文，亞瑟沒有辦法參加最後一天的會議，也就是十天會議的總結及記者招待會。（瑞得無法分身，寄了一卷錄影帶來表達賀忱。）但是，星期一下午，亞瑟一走進修道院，潘恩斯就帶著微笑迎向他。

「喔！CCB1095E，很好啊，賀南。」

賀南稱適應性作用體的這部分為「水桶大隊」（bucket-brigade）演算法，因為這種把獎賞由每個分類者傳給前面分類者的方式，與大隊接力以桶傳水救火十分類似。這也和希伯關於腦神經的理論中強化突觸的情形如出一轍。想通了這點之後，賀南知道幾乎找到答案了。經由利潤動機而產生的經濟加強作用，是極其有力的組織力量，就好像亞當史密斯的「看不見的手」會對真正的經濟發揮強大的影響力。

然而，他樂在其中。「我喜歡這過程中的邏輯本質，」他回憶，「程式設計和數學的特色一樣，你走了這一步，這一步又會帶你到下一步。」除此之外，為旋風計畫撰寫程式讓他發現電腦並不只是快速的計算機而已，在隱祕的一欄欄數字中，他可以擬想振動的鼓面、旋繞的電場，或任何他想要的東西。在流動的位元（bit）中，他能創造一個想像的宇宙，所需要的只是把適當的法則編成電腦密碼，然後其他的一切就自然開展。

一般而言，每一個複雜適應性系統都會根據它對於外界運作方式的假設，而不斷作預測。而且，這些內在的假設模型不只是被動的藍圖而已，它們其實異常活躍，就好像電腦程式中的副常式（subroutine），能夠在某種狀況下活過來，「執行」（產生）系統的行為。事實上，你可以把這種內在模型想像成行為的基本單位。而它們也就像其他的單位一樣，當系統獲得經驗時，可以被測試、精煉、重組。

舉例來說吧，費雪對天擇的整個分析都著眼於一次分析一個基因的演化，彷彿有機體中的基因完全各自獨立，互不相干。事實上，在費雪的分析中，基因的作用完全是線性的。賀南說：「我知道這絕對錯誤。」除非有數十個或上百個形成眼睛結構的基因共同合作，單獨一個綠眼睛的基因絕對起不了什麼作用。就賀南所了解，每一個基因都必須在團隊中運作，任何理論如果沒有把這點考慮在內，都錯失了整個故事的關鍵。這也正是希伯在精神領域的研究中所一再強調的，希伯的細胞集合和基因有一點相像，細胞集合是思考的基本單位，但是如果單獨存在，細胞集合幾乎沒有任何價值。無論是要傳達一個音調、一束光、或命令肌肉抽動，唯一的方法是細胞集合彼此連結成更大的概念和更複雜的行為。

賀南說，美洲的汎絲蘿蝴蝶（viceroy butterfly）的情形也一樣。汎絲蘿蝴蝶是一種醒目、橘黑相間的昆蟲，而且只要鳥類稍加品嘗，就會發現這種蝴蝶美味無比。但是，汎絲蘿蝴蝶很少成為鳥類的囊中之物，因為汎絲蘿蝴蝶發展出一種與難吃的莫那克蝴蝶（monarch butterfly）極為類似的翅膀圖案，令小鳥避之惟恐不及。所以事實上，汎絲蘿蝴蝶的DNA上有個模型，模型所描繪的世界有小鳥，也有莫那克蝴蝶，而且莫那克蝴蝶很難吃。每天汎絲蘿蝴蝶在花間飛舞的時候，牠同時也在拿生命作賭注，賭牠的模型假設是對的。

亞瑟也很高興報酬遞增的觀念在會議中頗引起震撼。除了他的演講外，也有其他的經濟學家各自想到同樣的概念。例如，有一天，所有與會者都透過電話連線聆聽哈佛大學榮譽教授錢努瑞的演講。錢努瑞因為生病，無法長途跋涉。錢努瑞的演講主題是發展形態——為什麼不同的國家有不同的發展形態，尤其是第三世界國家。他在演講中也提到報酬遞增。亞瑟說：「所以，他一掛斷電話，艾羅就跳到黑板旁邊說：『錢努瑞提到報酬遞增，我來解釋一下，』——於是他發表了一個半小時的即席演講，談到報酬遞增觀念演變的歷史，和貿易理論的關係等等，完全不用筆記。我從來不曉得艾羅對報酬遞增懂那麼多。」

亞瑟就是其中之一。當天下午，當賀南的演講結束後，他就迫不及待的走上前去自我介紹。隨後幾天，兩人立刻變成好友。賀南發現亞瑟很令人愉快。「很少人能夠這麼快的吸收適應的觀念，然後把它完整的融入自己的觀念中。亞瑟對整個想法都很感興趣，很快就抓住要領。」

為了掌握他的適應性作用體的突變，賀南決定他的規則和信息將不以符號表達，而以二元的一和○來表達。一個信息可能是像100010100這樣的序列，就像遺傳演算法中的數位染色體一樣。而規則則是像「若公布欄上有個信息的形態是l###0#00，而#代表『無所謂』，則發出01110101的信息。」

由於賀南的論文從一開始就設定為紙上的練習，他從來沒有機會真的在旋風電腦上執行他的程式。但是這篇論文卻為他帶來另一番豐碩的收穫，使他成為當時全美少數幾個懂得程式設計的人之一。結果，一九五○年他一畢業，就立刻為IBM所網羅。

就某種程度而言，確實行得通。當然，以今天的標準看來，七○一電腦彷彿石器時代的遺物，它的控制板擠滿各式轉盤和開關，沒有電腦螢幕顯示器，輸入和輸出的信息都得經由IBM的標準打孔機。這部機器號稱有四千位元組（byte）的記憶容量（今天在市面上銷售的電腦記憶容量是它的幾千倍），只要三十微秒就可以算出兩個數字相乘的結果。「這部機器也有很多毛病，平均最多三十分鐘便發生失誤，所以我們每個程式都要跑兩遍。」賀南說。更麻煩的是，七○一電腦儲存資料的方式是在一個特別的陰極射線管的表面上產生光點，所以賀南和其他程式設計師必須調整演算邏輯，以避免經常把資料寫在記憶體的同一個位置，否則會增加該部分陰極射線管的表面電荷，而影響了周遭的數據。

另一位是薩穆爾（Arthur Samuel），一個聲音柔和、四十開外的電機工程師。IBM特地從伊利諾大學延攬他來協助研究如何製造可靠的真空管。薩穆爾經常與賀南相伴，度過跑程式的漫漫長夜。老實說，薩穆爾早就對真空管興趣缺缺，他過去五年來一直在寫一個下西洋跳棋的電腦程式——不只會下棋，而且累積經驗以後，會學著下得愈來愈好。現在看來，薩穆爾的下棋程式是人工智慧研究的里程碑之一，當他最後在一九六七年把程式修正完成時，他的下棋軟體棋藝已直追世界冠軍。但是，即使在七○一電腦的年代，這程式也已經很不錯了。賀南印象深刻，特別是這電腦棋手居然有能力因應對手的策略而調整戰術。事實上，這個程式設計了一個「對手」的模型，然後用這個模型來預測最好的因應策略。儘管賀南當時沒有辦法說得清楚，但是他覺得電腦棋手的這部分功能，捕捉到了學習及適應的根本原理。

事實上，原因很多。電腦程式設計師都會把問題分成幾個副常式來處理，因為簡單的小問題要比繁雜的大問題容易解決，這正符合先分化、後征服的古老智慧。像鯨魚和紅木等巨大生物是由不計其數的小細胞所組成，正因為這些細胞比較早出現。當五億七千萬年前，巨大的動植物開始在地球出現的時候，要從已經存在的單細胞生物經由天擇過程而形成巨大生物，顯然要比從頭產生點點滴滴的原形質容易多了。通用汽車（General Motors）把公司分成不計其數的部門和-圖-書，是因為最高主管不想讓五十萬名員工都直接向他報告，否則他的時間根本不夠分配。事實上，就像西蒙在一九四○和五○年代對商業組織的系列研究中指出，設計精良的階層組織是既能完成工作、又不會讓一個人被會議和備忘錄所淹沒的最好方法。

即使賀南不大事宣揚，這些早期的研究成果都備受矚目。例如，一九八○年，匹茲堡大學的史密士（Stephen Smith）造了一個會玩撲克牌的分類者系統，而且還讓這個系統和有學習能力的舊撲克牌遊戲軟體對抗。這幾乎不成個比賽，分類者系統不到一會兒就贏了。一九八二年，拍立得公司（Polaroid Corporation）的威爾遜（Steward Wilson）以分類者系統來協調電視攝影機和機械手臂的動作。他證明了：依序傳遞訊息和遺傳演算法，會使分類者的規則自我組織成一個個小組，發揮控制副常式的功能，並且依照需求產生特定的協調性動作。同年，賀南的學生布克（Lashon Booker）的博士論文中，把分類者系統置於模擬的環境中，系統必須尋找「食物」，避開「毒藥」。這個系統很快的把規則組織成環境的內在模型——簡直就是一幅心靈地圖（mental map）。

西洋棋？賀南摸不著頭緒。

賀南最喜歡以警方繪相師來說明這個觀念。在過去尚未應用電腦的年代，警方如果需要根據目擊證人的描述來畫出嫌疑犯的相貌，他們的做法是，先把臉部分成十個基本單位：髮型、前額、眼睛、鼻子等，然後繪相師在許多紙片上描繪出各個部分的不同形狀，以供選擇，例如十種不同的鼻子、十種不同的髮型，所以總共有一百張紙片。有了這些基本形貌的紙片，繪相師會根據目擊者的描述，把適當的紙片拼湊在一起，很快就能畫出嫌疑犯的肖像。當然，繪相師不可能畫出所有可想像的容貌，但是這麼做雖不中亦不遠矣，因為藉著替換這一百張紙片，繪相師能畫出一百億張不同的臉孔，即使在廣大的可能性空間中，這都有相當的代表性。「所以，如果我能找到發現基本單位的方法，這些組合都將為我所用，而不是變成我的阻礙。我能夠利用少數的基本單位，來描述許多複雜的事物。」賀南說。

然而賀南愈想愈覺得最重要的理由隱藏在更深的層次：階層式、由基本單位組成的結構能改變一個系統學習、演化和適應的能力。想想看包含像紅色、汽車和馬路等概念的認知基本單位吧！一旦像這樣的一組基本概念藉著經驗累積而精煉、修正錯誤，這組概念通常能調整並重組成許多新的概念，例如：「路邊一輛紅色的汽車」，這當然要比一切從頭開始有效率多了。

賀南的演講反應熱烈，尤其是當賀南指出，薩穆爾的西洋跳棋程式在三十年後仍然在同類軟體中獨領風騷時。事實上，這種即席的意見交流在會議中也屢見不鮮。與會者不大記得，什麼時候會議的氣氛開始改變，但是大約在第三天，原本難懂的專業術語和相互之間溝通不良的障礙都掃除了以後，會議開始蹦出火花。

橋牌、高爾夫、槌球、西洋棋、圍棋、西洋跳棋，只要你說得出名字的玩意，他都會玩。但是，很久以前對賀南而言，這些遊戲就已經不只是遊戲而已。他開始注意到有些遊戲有一種特殊的魔力……

時機真是再好不過了。當時，IBM正在紐約州波基浦夕（Poughkeepsie）的工廠設計第一部商業電腦——「國防計算機」，後來重新命名為IBM七○一。當時對IBM而言，電腦代表了一個勝負參半的大賭注，許多保守派認為發展電腦只是浪費錢，還不如投資改良打孔機。事實上，一九五○年一整年，IBM產品企畫部都堅持全美國的電腦需求不會超過十八部。IBM之所以繼續發展國防計算機，只不過是因為一個叫小華生（Tom Junior）的新貴對這計畫情有獨鍾，而小華生是IBM年邁的總裁華生（Thomas B. Watson, Sr）的兒子和當然繼承人。

高柏格因為瓦斯管模擬的研究，而在一九八三年得到了博士學位，同時更因此在一九八五年獲頒美國總統年輕研究人員獎（Presidential Young Investigator Award）。賀南自己都認為高柏格的研究是分類者系統的里程碑。「他的研究很有說服力，證明了分類者系統真的能解決真實的問題，或至少能解決模擬的真實問題。」最諷刺的是，這套最「實際」的分類者系統結果也說明了最多關於基本認知理論的想法。

Glas什麼？他笑著說：「Das Glasperlenspiel!」這是赫曼赫塞（Herman Hesse）的最後一部小說，於一九四三年流亡於瑞士時出版。賀南有一天在室友從圖書館借回來的書堆中發現了這本書，德文原文的意思是「玻璃珠遊戲」，英文版書名則稱「遊戲高手」（Master of the Game）。小說的場景是未來的世界，描繪一種原本是音樂家玩的遊戲：先在一種特別的玻璃珠算盤上設定主旋律，然後藉著撥上撥下玻璃珠而把各種對位旋律和變奏編織進去，經過一段時間，遊戲就會演變為極其複雜的樂器，並由一群有力的教士、知識分子所控制。「最厲害的是你可以任選不同的主旋律組合，一點占星學、一點中國歷史、一點數學，然後想辦法把它們發展成好像音樂的主旋律。」

但是當賀南第一次聽到旋風計畫的時候，這個計畫還只是個實驗。「我知道有個旋風計畫。計畫還沒有完成，電腦還在製造中，但是已經可以用了。」他不知怎的，就是覺得必須參與其事，於是他開始到處叩門。他在電機系找到了一個叫柯帕爾（Zednek Kopal）的捷克天文學家，過去曾經教過他數值分析（numerical analysis）。「我說服他主持我的論文委員會，又說服物理系讓電機系的老師主持我的論文委員會，然後，我再去說服旋風計畫的人讓我參閱他們的操作手冊；操作手冊可是機密文件。」

事實上，主流的人工智慧學者早就很熟悉一種類似「可能性一發不可收拾」的現象。例如，在匹茲堡的卡內基技術學院（現在叫卡內基美崙大學），紐威爾（Allen Newell）和西蒙（Herbert Simon）從一九五○年代中期開始，就在進行一個畫時代的研究——研究人類如何解決問題。他們要求實驗對象在絞盡腦汁玩拼圖和遊戲的時候，說出他們的想法。紐威爾和西蒙的結論是，問題解決是在有廣大可能性的「問題空間」中一步接著一步做心智搜尋。每一個步驟都由經驗法則所引導：「如果情況是這樣，那麼該採取那個步驟。」紐威爾和西蒙把理論架構為「一般問題解答者」（General Problem Solver）的程式，而且以這個程式來解原先的拼圖和遊戲，顯示他們的問題空間方式能充分複製人類的推理風格。他們的觀念已經成為人工智慧領域的金科玉律，而「一般問題解答者」也成為人工智慧發展史上最有影響力的電腦程式。

最後，賀南說，複雜適應性系統通常會有很多利基，使每個作用體都能占得一席之地。因此，在經濟的世界裏，電腦程式設計師、修水管的工人、鋼鐵廠、寵物店都各得其所，而雨林裏的樹獺和蝴蝶也各有其生存的空間。而且，每個位置被填滿的時候，也就為新的寄生蟲、新的掠奪者或被捕食者、新的共生夥伴，開啟了更多的位置。所以，系統不斷開創新的機會。這也就表示，要討論複雜適應性系統的均衡狀態，是毫無意義的事情，這種系統永遠也不會到達均衡狀態，而總是在不斷的發展、轉換。

同時，亞瑟也發現賀南是他在聖塔菲認識的人之中，最複雜而迷人的知識分子。正因為賀南的緣故，經濟會議剩下的幾天議程，他都在極度缺乏睡眠的情況下度過。在許多深夜裏，他和賀南圍坐在廚房的餐桌，喝著啤酒，討論科學的奧祕。

然而，賀南認為這種從上而下解決衝突的方式完全錯誤。難道這個世界居然如此簡單而可預測，以至於你總是能事先預測到最佳規則嗎？幾乎不可能。如果信息預先就被告知該做什麼，那麼就不該稱之為人工智慧：因為智慧並非存於程式之中，而是掌握在程式設計師手中。不，賀南希望系統經由學習而有控制的能力，他希望看到由下而上突現產生控制的機制，就好像腦子的神經底質一樣。如果兩個分類者規則彼此不協調，那麼就根據它們的表現，讓它們一決勝負，讓它們證明自己解決問題的能力；而不是由軟體設計師預先在程式中設定。

你可以在各式各樣的有機體身上，發現同樣的故事。就拿企業作例子吧。假設製造商每天固定接到一千個產品的訂單，因為這是例行的訂單，員工可能根本不會多想，就照著標準作業程序開機生產。賀南說。就好像細菌或汎絲蘿蝴蝶一樣，標準作業程序把企業世界的模型譯成一條條的準則，並且預測：「假如發生ABC的情況，採取XYZ行動會有最好的結果。」執行作業程序的員工不一定曉得這個模型，畢竟他們是靠死背來學會標準作業程序，並不了解背後的原因。假如公司已經營運了好一段時間，很可能沒有一個人記得當初為什麼這麼規定。但是無論如何，只要員工集體遵循標準作業程序，企業就會表現得好像它完全明白這個模型一樣。

「結果，有人謠傳經濟會議在一個月前就預測到股價暴跌，其實不是這樣。但是股市崩盤當然和我們深入討論的正回饋機制有關。」亞瑟說。

賀南認為特別重要的是，當複雜適應性系統累積了相當的經驗後，會不斷的修正或重組它的基本單位。一代又一代的有機體經由演化的過程，修正並重組組織。當個人學習到不同的知識之後，他的腦袋會持續的加強或減弱神經元之間數不清的連繫。一家公司會擢升表現好的員工，並且為提升效率，重新安排組織圖。國家會簽訂新的貿易協定，並且結交新的盟友。

葛爾曼顯然心有戚戚焉。他談到賀南時，用的字眼是「才華洋溢」，這可不是他平常會隨便加諸於任何人的形容詞。但是，葛爾曼也不是經常有大開眼界的感覺。早期，聖塔菲研究院的創辦人如柯文、葛爾曼等人想到複雜科學的時候，幾乎都完全繞著他們早已熟悉的物理概念打轉，像突現、集體行為、自我組織等等。而且，他們原也認為，只要加上這些概念在經濟學和生物學上的應用，也就足以構成非常豐富的研究計畫。然後，賀南跑來發表了他對適應性的分析，更不要提他的電腦模型了。突然之間，葛爾曼和其他人發現他們的研究計畫遺漏了很重要的部分：這些突現的結構實際上在做什麼？它們如何對環境反應，及適應環境？

但是，真正的幸運是，賀南在密西根大學碰到了勃克斯（Arthur Burks），一位非比尋常的哲學家。勃克斯專攻皮爾斯（Charles Peirce）的實用主義哲學，他在一九四一年拿到博士學位的時候，因為戰時的情況，不可能找到哲學教職，所以第二年，他在賓州大學的摩爾學院修了為期十週的電機課程，成為戰時工程師。結果，這是個愉快的選擇。一九四三年，他被摩爾學院網羅，加入最高機密的ENIAC電腦研究計畫。他在摩爾學院認識了馮諾曼，馮諾曼當時經常從普林斯頓高等研究院跑來指導這個計畫。在馮諾曼指導下，勃克斯也參與設計ENIAC電腦的第二代——EDVAC。EDVAC是第一個能以程式的形式將指令電子化儲存的電腦。一九四六年，馮諾曼、勃克斯和數學家高士譚（Herman Goldstine）共同發表的論文「電子計算工具之邏輯設計的初步討論」（Preliminary Discussion of the Logical Design of an Electronic Computing Instrument），被視為現代電腦科學的基石之一。在這篇論文中，他們三位以精確的邏輯形式為程式的概念下定義，並且顯示「藉著從電腦的記憶單位中取得指令、在中央處理單位中執行指令、然後再回頭把結果儲存在記憶體中」這幾個步驟不斷循環之下，一般的電腦如何執行程式。這個「馮諾曼架構」一直到今天幾乎還是所有電腦的基礎。

賀南坐在觀眾席上，聽得目瞪口呆。有別於哈佛的史金納（B. F. Skinner）等行為學家極力推動的呆板的刺|激／反應觀點，希伯討論的是心靈內部的活動。結合論的豐富性和永恆的驚奇使賀南激動不已，他迫不及待要作一些相關的研究。希伯的理論已打開了一扇探索思想本質的窗，他希望好好探究這個問題，他想看看細胞集合如何從一片混沌中自我組織和成長茁壯，他想看看細胞集合彼此互動的情形，看看它們如何融合經驗，而逐漸演化；他也想看看心靈本身的突現，更想看看所有這一切在沒有外界引導之下如何自然發生。

假如不管同事們的激憤，賀南的第一個分類者系統其實運作得十分順暢，他相信這個系統真能照他設計的方式運作，而且能為成熟的認知理論播下種子。在一九七八年和密西根心理學教授萊特曼（Judy Reitman）合作出版的論文中，他們指出，根據測試，當運用遺傳演算法時，作用體能以十倍的速度學會走出模擬的迷宮。這些試驗也證明分類者系統能展現心理學家稱之為「移轉」（transfer）的能力，也就是說，它能把從一個迷宮學到的規則運用在其他迷宮上。

在正式演講差不多告一段落之後，與會的學者開始非正式的分成幾個不同的小組，來討論特定的議題。最受歡迎的議題是混沌，有一組人經常在小會議室中圍繞著惠依討論。他們都知道混沌理論，而且讀過一些文章。有些經濟學家甚至已經作了一些關於混沌的研究。但是當大家看到一些物理學家的模型時，仍然引起好一陣騷動。

此外，由於兩性|交配繁殖能容許數位染色體一代代的重組遺傳材料，整個族群會不斷產生新的基本單位，以及產生現有基本單位的新組合。所以，遺傳演算法很快就會產生擁有雙重或三重優良遺傳特質的個體。如果這些優秀的基本單位又群策群力，集合產生額外的優勢，賀南可以顯示，這些特別優秀的個體會在整個族群中繁衍得更迅速。結果，遺傳演算法很快就能解決你手邊的問題，即使事先對答案一無所知。

這是個好問題。不幸的是，希伯式加強作用太過廣泛，無法解惑。賀南迷惘了一陣子，直到有一天他回想起在麻省理工學院薩孟遜課堂上修的基礎經濟學，才領悟到自己幾乎已經解決了這個問題。事實上，藉著這種大拍賣，他已經創造出系統中的市場。由於他容許分類者依恃各自的強度叫價，也等於創造了通貨；所以，何不就繼續走下去，開創一個成熟的自由市場經濟體系，藉著利潤動機來達到加強作用呢？

遺傳演算法也不能用來模擬人類心靈的適應過程。因為，最初的設計就是純然生物的設計，無法顯示複雜的概念如何在心靈中萌芽、演變以及重組。這件事格外令賀南沮喪，距離他第一次聽到希伯的理論已經二十五年了，他仍然深信心靈的適應過程與大自然的適應過程只不過是一體的兩面，而且兩者其實如出一轍，能夠以同樣的理論來分析。

賀南說，我們可以從高柏格系統組合瓦斯管裂縫相關知識的方式，清楚看到：最初只是讓一組隨機的分類者學習一系列可以廣泛應用在一般瓦斯管的操作規則。例如有個規則是：「永遠傳送『沒有漏氣』的訊息出去。」顯然，這應該只在瓦斯管正常運作時才能出現，卻被過度引申。但是，當高柏格開始在模擬的壓縮器上打出模擬的洞時，系統很快就會發現這點。因此儘管系統的表現一落千丈，但是經由遺傳演算法和依序傳遞訊息，系統自動修正錯誤，同時設計出更明確的規則，例如：「若輸入氣壓很低，輸出氣壓也很低，而且氣壓變動率為負，則送出『漏氣』訊息。」所以，第一個規則管的是正常狀況下不會出現的行為，第二個規則則指出意外狀況下的正確行為。

「那段時間可能是我在麻省理工學院最快樂的一段時光，」他說。柯帕爾建議他的論文題材是：為旋風電腦寫一個能解拉普拉斯方程式（Laplace's equation）的程式。拉普拉斯方程式可描繪許多種不同的物理現象，包括圍繞任何帶電物體的電場分布及緊繃的鼓皮振動。賀南立刻著手進行。

「如果真的都沒有人願意聽我講，我想我會很煩惱，」他補充：「但是我很幸運，一直有很多聰明而興致勃勃的研究生和我腦力激盪。」

但是最後，他們模擬成功了。賀南談起來，仍然難掩興奮之情。「你可以用相同的神經元底質（substrate）開始，然後看著細胞集合形成，發生很多突現的現象。」賀南、羅徹斯特和他們的同事在完成這個研究幾年後，在一九五六年發表了他們的研究結果，這是賀南第一篇在學術期刊上發表的論文。

遺傳演算法正是如此。想要看看這種演算法如何運作，你得先忘掉福傳語言，直接看電腦內部，其中的程式是由一系列二元的一和○所代表：110100111100011001000101011……。以這種形式出現時，電腦程式看起來很像染色體，每一個二元的數字就是單一的「基因」。一旦你開始以生物學的概念來看這些二元密碼，你就可以運用相同的生物學類比來令程式演化。

瓦斯管問題如此複雜難解，賀南惱怒高柏格出的題或許超出了分類者系統的能力範圍。但是，他白操心了，結果，高柏格的系統學會完美的操作模擬的瓦斯管系統：從一組完全隨機的分類者開始，累積了一千天的模擬經驗後，這個系統能達到專家的表現。而且，相對於問題的複雜性，這個系統極其簡單，訊息只有十六個二元數字那麼長，布告欄上一次只有五個訊息，而且總共只包含六十個分類者規則。事實上，高柏格在家裏的蘋果Ⅱ電腦上，以六十四千位元組的記憶容量，就運轉了整個分類者系統再加上瓦斯管模擬。

賀南www.hetubook.com.com說，更重要的是，複雜適應性系統的控制功能非常分散。例如，我們的腦子裏沒有主要的神經元，發展中的胚胎也沒有主要的細胞。如果系統中有任何連貫性的行為，也必然是出於作用體之間的競爭和合作。即使在經濟體系中，亦復如此。問問任何一位想要振興經濟的美國總統吧，他會告訴你，不管華盛頓當局如何在利率、稅政和貨幣供給上大作文章，經濟體系的整體表現仍然依賴於——數以百萬計的個人每天所做的不計其數的經濟決定。

亞瑟花了兩秒鐘才明白，科學委員會邀請他和賀南一起主持這個計畫。他結結巴巴的說道，他快要可以休教授年假，而且這個計畫聽起來很有趣。——呃，他很樂意接受邀請。

賀南想通這點時，非常興奮。但是，在一九六○年代初期，他的聽眾似乎都未感染到他的興奮。當時，電腦科學方興未艾，科學家覺得為傳統的程式設計扎根已經夠他們忙了。而且，就實際的角度來看，程式演化的概念似乎有點衝過頭了。但是，賀南不在乎，這正是他夢寐以求的發現。繁殖及同型染色體的局部交換，提供了基因結群並共同演化的方法，也使群體能以驚人的效率探究可能性的無垠穹蒼。事實上，在一九六○年代中期以前，賀南已經證明了遺傳演算法的基本定理：透過繁殖、同型染色體局部交換及突變，幾乎任何有超水準適應能力的一小群基因，都會在整個族群中成指數比例成長，他稱之為「概型定理」（schema theorem），所謂「概型」是指任何特定的基因形態。

然而，還有其他替代辦法嗎？如果作用體必須預期最正確的分類者受到獎勵，除了預先在程式中設定外，還有什麼辦法？在事先渾然不知的情況下，作用體如何學會布局的價值？

對賀南而言，演化和學習就像遊戲一樣，兩者都有一個和環境對抗的作用體，試圖贏得繼續往下發展所需要的一切。就演化而言，報酬就是生存，以及能把基因遺傳給下一代的機會；就學習而言，報酬是像食物、愉悅的感覺、情緒的滿足等等。在這兩種情況下，報酬正為作用體提供了適當的回饋，讓它們能改進自我表現。如果作用體想要具備適應能力，就必須維持能得到好報酬的策略，而放棄無效的策略。

至於十六進位法——當時這部電腦沒有其他的程式語言，而賀南不想再等了。「我一直習慣用組合程式（assembler），十六進位法對我來說就像組合程式一樣容易。」

當賀南於一九五○年代中期在密西根大學碰到勃克斯的時候，勃克斯的樣子瘦削而優雅，很像他一度嚮往的傳教士。勃克斯也是個熱心的朋友和絕佳的指導老師，他很快把賀南引進他的電腦邏輯小組。這個小組的理論學家專門研究電腦語言，並求證關於轉換網路的定理，而且試圖從最嚴謹而根本的層次來了解這個新機器。

「有些學生真是才華洋溢，作育英才的確是一大樂事，」他說。看過太多教授靠著和學生「共同發表」研究結果而累積了一長串論文名單，而實際上論文全由學生一手完成，賀南於是對學生刻意採取不干涉態度。「他們全跟著自己的感覺走，作自己最感興趣的研究。我們只是每個星期聚會一次，每次都有一個學生報告他的論文進展，再由大家一起批評，每個參加的人都興致盎然。」

「會議最後還不錯吧？」亞瑟問。

但是賀南愈思考這個統一、相互強化的基因群的概念，就愈覺得其中奧妙無窮。類似的例子幾乎隨處可見，電腦程式中的副常式、官僚體系中的部門、西洋棋局戰略中的小戰術皆是。更重要的是，你可以在每一個組織層次有同樣的發現。如果某個群體有足夠的一致性和穩定性，那麼就通常成為更大群體的基本單位（building block）。細胞組成組織，組織組成器官，器官組成有機體，有機體組成生態系。賀南想，這正是「突現」的觀念：一個層次的基本單位組合後，形成更高層次的基本單位。這是世界的基本組織法則，幾乎每個複雜適應性系統都出現這種特性。

下個問題當然就是：怎麼做？賀南和巴哈小組的同事詳細討論他的基本概念，但是最後只有一個辦法能確定這個想法，就是他必須以電腦模擬有適應能力的作用體，就像他十五年前研究遺傳演算法一樣。

賀南說，平心而論，當你討論互不相關的基因時，均衡說的確很有道理。例如，假定有一個物種有一千個基因，差不多就會像海藻一樣複雜。再假定，為了單純化，每一個基因只有兩種特性——綠色相對於褐色，皺摺的葉片相對於平滑的葉片等等。天擇的過程要經過多少次試驗才能找到一組最理想的基因，能賦予海藻最佳的適應能力？

當然，在真正的有機體中，突變和遺傳密碼錯誤排列也都會導致不少差異。賀南說，事實上當遺傳演算法故意把1變成0，或0變成1時，就能夠讓突變偶而出現。但是對他而言，遺傳演算法的核心仍在兩性|交配。不只是因為基因交換能在整個族群中製造差異，而且利用這個方法，可找到能相互合作、產生有超水準適應能力的基因群，也就是基本單位。擁有這些基本單位的染色體會日益蓬勃而且普遍，取代了不具備這類基本單位的染色體。

然而，賀南就是不以為然。「符號處理是很好的著眼點，對了解有意識的思考過程也很有幫助。」但是符號本身太刻板了，遺漏了太多東西。包含了「小—鳥（B-I-R-D）」這幾個字的資料記錄器怎麼有辦法真的掌握到這個概念的微妙差異？如果這些字眼沒有辦法和外面世界裏真實的鳥交互作用的話，這幾個字眼對電腦程式有什麼意義？即使不談這點，這些符號式概念起源自何處？如何從環境的回饋中形成？

但是，賀南對應用不感興趣，他想要研究的是適應性作用體的基本理論。就他所見，過去二十年來人工智慧儘管大有進展，卻忽略了許多重要的研究，例如學習和環境的回饋。對他而言，回饋是根本問題，除了像薩穆爾之類的少數人，人工智慧學者似乎認為不忙著研究學習理論，等他們把對語言、解決問題或其他抽象推理的研究都告一個段落，再來研究學習也不遲。設計專家系統的這批人甚至為此而洋洋自得，他們談論著所謂的「知識工程」，也就是只要坐下來和相關的專家對談幾個月，問他們：「在這種情況下你會怎麼辦？在那種情況下你會怎麼辦？」他們就能設計出幾百條規則，創造出新的專家系統。

對賀南而言，尤其如此。雖然他的書已經完成，但是和巴哈小組的討論凸顯了尚待研究的部分。遺傳演算法和概型定理正確的掌握了演化論中一些根本的道理，但是，連他自己都覺得遺傳演算法所簡化的演化過程似乎太過簡單了，在他的理論中，有機體只是由程式設計師設計出來的單純DNA。這麼簡單的理論一定有缺失，你怎麼用這個理論來顯示複雜的有機體在複雜環境中的演化過程呢？沒有辦法，遺傳演算法很不錯，但是單靠遺傳演算法，找不到真正有適應能力的作用體。

賀南欣然參加所有的會議。他已經沒沒無聞的在適應的概念下了二十五年的苦功。直到現在，他已經五十七歲了，才遇到伯樂。「能夠和葛爾曼、安德森這類的人當面談話，而且被平等對待，真是太棒了！我簡直不敢相信！」如果不是他的妻子因為工作而無法離開安娜堡（她是密西根大學七家科學圖書館的總館長），賀南花在聖塔菲的時間會更多。

賀南對此毫不訝異，遺傳演算法早已在他腦中盤旋了好一段時間。自從他第一次設定了分類者的二元表現方式後，就一直在思考這個問題。如果以語文來陳述一個分類者規則，就會像：「若有兩個訊息形態是1###0#和0#00####，則張貼Oll10101的訊息。」然而在電腦中，不同的部分會連結在一起，而寫成好像一連串位元的形式：「1###0#000#00####01110101。」而對遺傳演算法而言，看起來正好像數位染色體一樣。所以，可以完全以同樣的方式來執行演算法。大半時候，分類者會像過去一樣，快樂的在數位市場中買賣。但是偶爾系統會選擇一對最強的分類者來繁殖。這些分類者會藉著交配來重組它們的數位基本單位，產生一對後代。它們的後代會取代一對較弱的分類者，然後這對第二代分類者會有機會證明它們的價值，並藉著「水桶大隊」演算法成長得更茁壯。

一九四六年秋天，賀南進入麻省理工學院讀大學，他很快就在電腦上發現了同樣令人驚訝的特質。「我不知道為什麼，不過我很早就對『思考過程』著迷，還有你居然可以把一點點資料餵進電腦中，然後叫他做一堆事情。就我看來，似乎你放進去的東西少的不得了，得到的東西卻多的不得了。」

賀南最喜歡的例子是中古時代創造了偉大歌德式教堂的建築師。他們不像現代建築師，能精準的計算出作用力和載重量，在十二世紀，現代物理和結構分析等學問也還未出現。所以，他們靠的是師徒代代相傳的標準作業程序，來建造那些高聳的圓拱形天花板和寬大的拱壁，經驗法則告訴他們哪些結構能持久，哪些結構會崩潰。他們的物理模型完全是不明顯而且依賴直覺的。然而，這些中古世紀工匠所創造的結構，在近一千年之後仍然屹立不搖。

這十天來，他不停的談話和傾聽，他的腦袋中充滿了太多的想法，頭都痛了起來，他精疲力盡，需要大睡三個星期才能恢復過來。但是他覺得好像置身天堂一樣。

但是，賀南是個樂天派。他一直都能做自己想做的事情，也一直訝異於自己的幸運，因此他有一種快樂的人特有的真誠幽默感。見到他的人幾乎不可能不喜歡他。

所以，賀南狼吞虎嚥的讀完這本書。「我真是大開眼界，原來可以把我在數學課上學到的微積分、微分方程、以及其他的數學方法用來掀起一場遺傳學革命。一旦看到這點，我知道我無法放手了，一定要做一點事情。所以，我腦中一直盤旋著這些想法，不時把一些想法記下來。」然而，儘管賀南很讚賞費雪的數學技巧，費雪應用數學的方式卻有些叫他困惑。事實上，他愈深入思索，就愈感困惑。

原則上，你可以用一組完全隨機選擇的分類者去啟動系統，使作用體四處游盪。然後當環境強化某些行為，而且「水桶大隊」發揮功效，你就可以看到分類者自我組織為有連貫性的序列，產生近似於預期的行為。簡單的說，「學習」從一開始就根植於系統之中。

替代方案是以數學方法來分析網路。「但是，結果也很困難。」他嘗試的每個方法都踢到鐵板，成熟的希伯網路不是靠他在麻省理工學院學到的數學就可以應付的，儘管他比其他物理系學生都多修了很多數學課。「對我而言，更精通數學似乎是更深入了解神經網路的關鍵。」他說。所以，一九五二年秋天，帶著IBM的祝福和一紙每個月繼續為IBM作一百個小時顧問工作的合約，賀南來到安娜堡的密西根大學攻讀數學博士。

他也注意到有些同事頻頻皺眉。他們倒不見得有敵意，只是有些人認為他這套適應性理論的玩意兒聽起來荒誕不經，賀南為什麼不花時間作一些比較有收穫的研究呢？

大家的共識是：「也許。」但是潘恩斯似乎深信不疑，所以他打電話給經紀人，叫他幫他賣掉一部分股票。經紀人說服他不要那麼做，結果一個月後，在一九八七年十月十九日，道瓊指數一天內下跌了五○八點。

「喔，我們非常滿意。」潘恩斯說。欣葛尤其興奮，準備回去好好向瑞得報告會議的豐收。同時，會議一結束，研究院就召開了科學委員會會議，結果，他們希望邀請亞瑟加入科學委員會。

賀南告訴同事，既然如此，反正都要靠嘗試錯誤，何不試試大自然嘗試錯誤的方法——物競天擇？與其想寫一個程式來做你自己都還不清楚的工作，何不乾脆讓程式演化！

他們就這樣開了十天的馬拉松會議，只有一個周六下午休會，每個人都筋疲力盡。「會議快結束的時候，我到達了科學的頂峰。難以相信竟然還有這麼多人願意聆聽。」亞瑟說。

賀南一面演說，亞瑟一面振筆疾書。當賀南繼續形容在過去三十年來，他為了使這些概念更精確、更有用而發展出來的各種電腦技巧時，亞瑟作筆記的速度更快了。他說：「真是令人難以置信，整個下午我都目瞪口呆的坐在那裏。」不只是因為賀南的觀念正與他過去八年來研究的報酬遞增經濟學不謀而合，也不只是因為賀南關於利基的觀點，恰好就是他和考夫曼過去兩個星期從自動催化組獲得的啟發；而是賀南看事情的整個統一、清晰、持平的方式，會讓你拍拍額頭說：「當然是這樣！我怎麼沒有想到呢？」賀南的想法能使人有一種頓悟，而開始在腦中爆發更多的想法。

有一陣子，密西根大學的電腦圈子幾乎每個人都看過賀南捧著一堆電腦報表跑來跑去。

賀南大笑：「我們居然能讓這部機器動起來，真是令人驚訝。」事實上，他覺得瑕不掩瑜。「對我們而言，這部機器已經像個巨人，我們覺得能有時間在一部快速機器上試驗我們的東西，真是太棒了。」

的確，假如你把布告欄上的信息看成商品和服務，那麼你可以把分類者想成生產這些商品及服務的公司。當分類者看到滿足規則中「若」的條件，而且出價時，你可以視之為一家公司正在採購製造產品的材料。因此，要讓這個比喻天衣無縫，就要安排每個分類者為它們所使用的材料付費。當某個分類者贏得張貼信息的權利時，它會將它一部分力量（強度）轉移到供應商身上——也就是分類者要負責張貼觸發反應的信息。在這個過程中，分類者力量被削弱，但它會有機會重新恢復，捲土重來，甚至在下一次它的信息出現在市場上時，賺得利潤。

「賀南，真會有人這樣下棋嗎？」亞瑟問。

「啊哈！」賀南說，每當他看到一線曙光時，他就會這麼說。西洋棋！這個比喻他懂。

在更深入而根本的層面上，這一切學習、演化及適應的過程都如出一轍。無論在任何體系中，適應的基本機制之一就是修正和重組基本單位。

他現在需要做的，只是把這些變成一個可行的電腦程式。

亞瑟說，沒錯。「人類真正能觀察到、進而研究的形態，比起『最理想的』狀態，還有一段距離。除非你假設你的作用體比一般經濟學家都聰明。」他說：「但是，這就是我們解決經濟問題的方式。美日貿易問題至少和西洋棋局一樣複雜，然而經濟學家著手解決問題的開場白是：『假設這是個理性的遊戲。』」

但是賀南仍然存疑。他倒不是認為紐威爾和西蒙關於問題空間和經驗法則的觀點錯誤，事實上，賀南拿到博士學位後不久，就建議邀請他們兩位到密西根大學來開人工智慧的課，從此他和紐威爾就成為好友和知識上的諍友。不，只不過是他們的觀點無法幫助他解決生物演化的問題。演化論的整個觀點中沒有經驗法則、沒有任何引導，一代接一代的物種是藉著突變和兩性基因的隨機組合，來探測可能性的廣大空間；簡單的說，它們靠的是嘗試和錯誤。而且，交替的世代並不是按部就班的探索著各種遺傳組合的可能性，而是各種嘗試齊頭並進，每一個個體都有一組稍微不同的基因，嘗試稍微不同的可能組合。

「和主流人工智慧不同的是，我認為競爭比一致性更重要。」賀南說。想要有一致性簡直是癡心妄想，因為在複雜世界裏，不能保證所有的經驗都一致，但是對於與環境相抗衡的作用體而言：永遠存在著競爭。賀南說：「此外，儘管經濟學和生物學都曾探討這個問題，我們還沒有找到競爭的核心。」競爭能促進合作，各個參與競賽者會自動結盟或形成共生關係，以便互通聲氣，相互支持。無論在生物、經濟或政治領域，每一種複雜適應性系統的每個層次，都會發生這種狀況。「競爭與合作看起來背道而馳，但在骨子裏，其實是一體的兩面。」賀南說。

任何瓦斯管系統的目標，都是以最少的成本來滿足瓦斯管末端用戶的需求。但是，瓦斯管系統包含了幾十個或幾百個壓縮器，用來從延伸幾千英里的大型瓦斯管中抽出瓦斯。顧客的瓦斯需求量可能每個小時或每一季都在變動，而壓縮器和瓦斯管有時會有裂縫，影響整個系統在適度氣壓下供給瓦斯的能力，而安全管制又要求氣壓和流動速度都必須保持在適當的範圍內。每一件事都和其他事情息息相關，想要找到簡單瓦斯管的最大效益，簡直複雜得遠超出數學分析的能力所及。操作瓦斯管系統的人經由長期的師徒相傳而學會控制的技巧，他們靠本能和感覺來下判斷、操作系統，就像我們開車子一樣。

而這正是解開多基因謎團之鑰。演化的過程之所以會有割愛及嘗試錯誤，並非為了要創造出一個最佳物種，而是為了試煉出最佳的基本單位，以便組合出許許多多的優秀物種。目前的挑戰是要精確而嚴謹的顯示整個過程如何發生，而他決定第一步就是建立一個電腦模型，一個既能說明這個過程，又能幫助他釐清腦中種種想法的「遺傳演算法」（genetic algorithm）。

這絕不是麻省理工學院最容易的畢業論文。當時，還沒有人聽說過像C語言、帕斯凱爾（Pascal）、或福傳之類的程式設計語言，事實上，程式設計語言的概念直到一九五○年才發明。因此，賀南必須以機械語言來寫他的程式，也就是得把電腦指令編碼成數字，而且還不是一般的十進位數字，而是十六進位。他花在論文上的時間比他原本估計的要長，最後不得不要求學校寬限兩倍的時間來完成。

賀南最後不得不讓步，不過等到他同意把分類者系統交由研究生編碼時，已經是一九八○年代初期了，研究生里歐羅（Rick Riolo）把賀南的編碼轉換為幾乎能適用於所有電腦的語言。賀南承認：「這不是我的本意。我喜歡自己動手，直到完成後，我才會失去興趣，回去作我的理論。」

當然聖塔菲研究院的想法也一樣。無論在出席經濟會議的學者眼中，賀南的觀念是多麼新奇古怪，事實上，賀南早就成為聖塔菲核心分子熟悉而深具影響力的人物。

勃克斯也邀請賀南參與一項由他ｈｅtｕｂｏｏｋ•cｏｍ.cｏｍ協助籌畫的博士班研究計畫，主要是廣泛的探討電腦和資訊處理的隱含意義——即所謂的「通訊科學」（communication science），後來的正式名稱叫「電腦通訊科學」。但是當時，勃克斯覺得他只是繼續馮諾曼未完成的志業，馮諾曼在一九五四年因癌症去世。「馮諾曼認為電腦有兩種應用方式，一種是作為一般電腦，另一種就是作為自動機的一般理論基礎。」勃克斯認為像這樣的研究計畫很適合那些不按牌理出牌的學生，賀南顯然就是其中之一。

他回過頭去，重新閱讀達爾文和希伯的理論。不，費雪的均衡觀念一點也不像演化論，費雪的論調似乎是要達到某種純淨而永恆的完美。「但是，在達爾文的理論中，隨著時間演進，物種的發展會愈來愈寬廣，愈來愈多樣，費雪的數學分析沒有提到這點。」希伯探討的是學習，而不是演化，但是依稀可以看到相同的脈絡：當心靈從外界累積愈來愈多的經驗時，它會變得更豐富、更靈巧、更令人訝異。

因此，重點在於這些規則會隨著時間改變及演化，經常探索可能性空間中的新領域。賀南在以規則為基礎的系統上加上「水桶大隊」演算法，再加上第三層遺傳演算法之後，他的適應性作用體不但能從經驗中學習，而且是自動自發、創意十足的。

在那幾個月內，他們一直在討論研究院是不是應該不只是研究複雜系統，而是研究複雜適應性系統。而賀南個人的研究計畫——了解突現和適應相互牽連的過程，也就變成研究院的主要研究計畫。在研究院最早的幾次大型會議之一——由柯文和費德曼於一九八六年籌畫的複雜適應性系統研討會中（也就是考夫曼第一次參加的研討會），他更成為主角。第二天，潘恩斯把賀南帶去參加與瑞得的討論會。安德森也邀請他參加一九八七年九月的這次大型經濟會議。

這種表達方式太不合常規了，賀南為它取了個新名稱：「分類者」（classifier），因為這種「假若某種條件存在」的方式，會根據位元的特定形態來區分不同的信息。但是，他認為這種抽象的表達方式是必要的，因為他看過太多的人工智慧學者自欺的認為：以符號為基礎的程式真的「知道」自己在做什麼。在他的分類者系統中，信息的意義之所以突現，是因為信息引發了某一個分類者的規則去啟動另一個規則，或是因為偵測器感知了真實世界的狀況，而直接修改了某些位元。觀念和心智模型便是由分類者自力集結而突現出來，像自動催化組一樣，可以自我組織及識別。

不幸的是，他發現在一九七七年人工智慧仍和十五年前一樣，幫不上什麼忙：儘管人工智慧在當時已經有了一些重要的進展。例如史丹福大學的人工智慧小組創造了專家系統，可應用數以百計的規則來模擬醫師的專業知識。

的確，這表現出他遊戲人間態度的另一面。他投注很多精力指導學生，隨時都有六或七名研究生跟著他作研究，遠超過平均數。事實上，從一九六○年代中期開始，他平均每年都想辦法讓一個學生拿到博士學位。

一般的程式通常不是這樣寫的，所以要讓同事明白其中的道理，賀南往往以非常實際的名詞來解釋。他說：我們通常把電腦程式想成以福傳或里斯普（LISP）等特殊程式語言所撰寫的一連串指令，的確，程式設計的藝術就是要確定你寫的指令完全正確，而且完全依照正確的次序排列。如果你已經知道你想要電腦做什麼事，這顯然是最有效率的方法。

另外有一本書也給了賀南很多啟發。有一天他在數學系圖書館瀏覽書籍時發現了費雪（R. A. Fisher, 1890-1962）在一九二九年出版的遺傳學巨著——「天擇的遺傳理論」（The Genetical Theory of Natural Selection）。

如果你假定所有的基因真的各自獨立，每個基因你只需要試驗兩次就能發現哪一種特性比較好，然後一千個基因中的每一個基因你都要各試驗兩次，所以總共需要做二千次試驗，這並不算多。事實上，比較起來，這算是個小數目。因此，你可以預期這海藻很快就會達到最佳的適應能力，這時候，這個物種確實達到了演化的均衡狀態。

更重要的是，以腦部神經架構的角度來看，這種以「若—則」規則為基礎的系統很有道理。例如，在電腦中，一個規則就等於一個希伯的共振細胞集合。他說：「希伯認為，每個細胞集合都有個簡單的宣言：如果某某事件發生，我就會起激烈反應。」規則之間的互動，以及由一個規則啟動一連串其他規則，與腦子裏神經系統的緊密連結有異曲同工之妙。「希伯的每一個細胞集合包含了一千到一萬個神經元，每一個神經元又有一千到一萬個連結神經元的突觸。所以，每個細胞集合都會接觸到其他許多細胞集合。」事實上，刺|激一個細胞集合起反應，等於在腦子內部的布告欄張貼公告，通知其他絕大部分的細胞集合：「二九五八三四號細胞集合現在起反應了！」這個信息出現後，和第一個細胞集合連結的細胞集合將會同樣的起反應，並且通知其他細胞集合，導致像這樣的循環一再重複。

但事實上，預期和預測的意義不只是人類的先見之明而已。從小小的細菌開始，每一種生物的基因中都隱含了預測的密碼：「在某種環境中，這種遺傳藍本所指定的有機體可能會表現得比較好。」同理，每一個有腦子的生物也都有數不清的隱含性預測，被譯成密碼存放在學習的資料庫中：在ABC的情況下，採取XYZ反應會比較有利。

賀南禁不住想到薩穆爾的西洋跳棋遊戲軟體，這個軟體正充分利用了這種回饋作用：當電腦棋手累積經驗，而且對對手了解更多之後，它會不斷更新戰術。現在，賀南才了解薩穆爾把重心放在遊戲是多麼有先見之明，這種遊戲的比喻似乎適用於任何的適應性系統。在經濟中，報酬就是金錢；在政治中，報酬就是選票。在某種層次上，所有的適應性系統基本上都一樣，也就是說，它們基本上都像西洋棋或西洋跳棋一樣，可能性的空間都大到超乎想像之外。作用體可以藉著學習，把遊戲玩得愈來愈好，但是如果想要找到最理想的狀態，找到遊戲的穩定平衡點，就會和我們下西洋棋一樣，只能在無限大的可能性中大海撈針。

亞瑟說：「賀南一句一句的回答了多年來我一直自問的各種問題：什麼是適應？什麼是突現？還有很多我自己都不曉得的疑惑。」亞瑟還不清楚這一切要如何應用在經濟學上，事實上，當他環顧四周，他看到其他一些經濟學家如果不是根本懷疑，就是露出困惑的表情。（至少有一個人正在夢周公。）「但是，我相信賀南的研究要比我的研究複雜太多了。」他覺得，賀南的想法一定非常的重要。

亞瑟不加思索就回答：「像西洋棋一樣。」

賀南說，首先讓電腦創造出大約一百個「數位染色體」，每一個染色體之間都有些隨機的差異。我們可以說，每一個染色體都代表一群斑馬中的一隻斑馬。（為了簡單化，也因為賀南想要產生絕對的演化，遺傳演算法省略了像馬蹄、胃、腦子等細節，而把個別生物模擬為單一的DNA。同時，考慮到實際演算的可能性，賀南的二元染色體必須只有十來個二元數字那麼長，所以這些染色體並不是完整的程式，而只是一部分程式。事實上，在賀南早期的實驗中，染色體只代表單一的變數。但是，這些變動都不影響演算法的基本原則。）

現在，亞瑟已經作完演講，他開始對下一場演講感到好奇，不只是因為題目聽起來很有趣。那年秋天，賀南是聖塔菲研究院的另一名訪問學者，他們兩個人被安排同屋而居。但是賀南直到前一天深夜才抵達聖塔菲，當時亞瑟正好抓住最後機會，到修道院反覆練習第二天的演講。亞瑟沒有看到賀南，他只知道賀南是個電腦科學家，而且根據研究院的說法，他是個「非常好的人」。

但是，為什麼呢？這種階層式、由基本單位層層上推的結構，簡直像空氣一樣平常而普遍，因此我們從來不會多加思索。但是，當你深入思考這個問題的時候，卻發現需要有個解釋：世界為什麼如此架構呢？

有太多東西可以實驗了。在電腦剛出現的那段古早、令人興奮的日子裏，關於資訊、調控學、自動機等新觀念風起雲湧，誰知道何處是極限呢？幾乎每一個新嘗試都可能打開一片新的天地。除此之外，對於像賀南之類偏愛哲學思考的開路先鋒而言，這種擠滿線路和真空管的龐大、笨拙的資料庫，已為思考「思考」開闢了新蹊徑。電腦或許不像星期天的報紙副刊所形容的「巨腦」般利害，事實上，從電腦的結構和運作細節來看，它一點都不像腦子。但是，如果更深一層來看，可能電腦與人腦一樣，都是資訊處理的裝置。如此，我們也可以從資訊處理的形式來理解思考。

「柯亨是媒介，」賀南回憶。在賀南的書出版之後不久，柯亨曾經旁聽賀南的課，有一天下課後柯亨跑來自我介紹，他說：「你真該和愛梭羅德談談。」賀南照做了，而透過愛梭羅德，他很快又認識了漢彌頓。於是，包括勃克斯、愛梭羅德、柯亨、漢彌頓以及賀南的巴哈小組（BACH分別是四人姓氏的第一個字母）旋即成立。（起先他們也想延攬考夫曼加入，但是因為他去了賓州大學而作罷。）「我們都有很強的數學背景，也都強烈覺得演化和適應問題比其他問題牽涉的層面都要廣。我們開始定期聚會，有人讀到一篇值得討論的論文時，我們都來一起討論，激發出很多突破性的思考。」

一九四九年，希伯已在他的名著「行為組織」（The Organization of Behavior）中，提出答案。他的基本想法是，假設腦子經常在「突觸」（synapse）上作些細微的改變。突觸是軸突和樹突的連接點，神經衝動經由突觸，從一個神經細胞傳遞到另一個神經細胞。希伯的假設很大膽，因為當時他還沒有確實的證據。但是，他辯稱，這些突觸的變化正是所有學習與記憶的基礎。例如，從眼睛而來的感官衝動會強化沿路所有的突觸，因此在神經網路上留下痕跡。當衝動來自耳朵或腦部其他的精神活動時，也會發生同樣的情況。希伯說，結果，原本隨機啟動的網路會迅速自我組織，經驗會經由正回饋而不斷累積；也就是說，強壯、經常被使用的突觸會愈長愈壯，而微弱、很少被使用的突觸會日益萎縮。常用的突觸強大到某個程度，記憶就被鎖定。這些記憶會轉而在腦中廣泛分布，每個記憶都對應於一個複雜的突觸形態，其中包含了數以千計或甚至百萬計的神經元。希伯是最早描述這種記憶形態、並稱之為「結合論」（connectionism）的少數人之一。

在一九七○年代中期，賀南開始和一群志同道合的同事每個月聚會一次，自由討論任何和演化或適應相關的題目。這個小組除了勃克斯之外，還包括政治學家愛梭羅德（Robert Axelrod），他想要了解人們為什麼合作，以及什麼時候才會以合作取代從背後刺別人一刀的行為；另一位政治學家是柯亨（Michael Cohen），他的專長是人類組織的社會動力學；還有演化生物學家漢彌頓（William Hamilton），他和愛梭羅德一起研究共生、社會行為、以及其他各種生物合作的形式。

諷刺的是，原本物理學家對於經濟學裏的抽象數學抱著懷疑的態度，然而數學卻提供了共同的語言。欣葛原本很失望艾羅沒有邀請社會學家及心理學家與會，但是她說：「回想起來，我覺得艾羅的決定很正確。他邀請了他所能找到的受過最嚴格技術訓練的經濟學家，因此很有公信力。物理學家非常訝異於這些經濟學家的技術背景，他們對許多技術觀念，甚至一些物理模型，都很熟悉。所以，大家終於開始用一些共同的名詞和語言來討論。如果當初他們請了一大堆沒有技術背景的社會科學家來參加，我不相信他們能跨越這道鴻溝。」

但是，儘管有這些差異，儘管演化花的時間比較長，演化過程所產生的創意和驚奇與人類的精神活動並無二致。對賀南而言，這意味適應性的真正大一統原理隱藏在更深的層次中，但是，到底在哪裏呢？

賀南決定，這該是遺傳演算法的工作。當你思考這個問題的時候，事實上達爾文和亞當史密斯所用的比喻恰好相輔相成：企業會隨時間演化，那麼分類者為什麼不會呢？

「我們還有更進一步的想法。我們很著急，不想錯過這個大好機會。每個人對這次會議的結果都非常興奮，想把它擴展為真正的研究計畫。我們一直在討論這件事，而且很想知道你和賀南明年（也就是下一個學年度）能不能來聖塔菲實際執行這個計畫？」潘恩斯說。

「問題是，這真的只是胡思亂想嗎？」賀南說。不過他欣然承認，如果換做是他，他也會懷疑。「我作的研究沒有辦法照一般人熟悉的領域來歸類。它既不完全是關於硬體，也不純然是軟體的研究，在當時，這當然也還不能叫人工智慧，所以你沒有辦法以任何的標準尺度來下判斷。」

問題出在電腦模擬有一些必然的限制，而在七○一電腦上作模擬，限制尤其多。真正的神經網路上的細胞集合，有一萬個神經元分布在腦部的大部分區域，每一個神經元又有一萬個左右的突觸。但是，賀南等人在七○一電腦上所能模擬的網路只有一千個神經元，每個神經元只有十六個連結點，無論他們用各種程式設計技巧，想辦法加快速度，都只能得到這麼多。賀南說：「我愈作實驗，愈覺得我們能測試的與我真正想看到的，差距實在太大了。」

賀南第一次到聖塔菲是在一九八五年，受邀參加法默和派卡德所籌畫的學術研討會，主題是「演化、遊戲和學習」（Evolution, Games, and Leaming）。（也就在這次會議中，法默、派卡德和考夫曼報告了他們模擬自動催化組的結果。）賀南的演講是談突現，演講進行得很順利，但是他記得有一位聽眾接二連三的問他一些尖銳的問題。那個傢伙頭髮花白，專注而略帶嘲諷的臉上，炯炯目光透過黑邊眼鏡直射過來。「我回答問題的時候有點不客氣。我不認識他，如果我知道他是誰，我大概早就嚇死了！」賀南說。這個人是葛爾曼。

賀南同意了。「我一看到這個地方就喜歡，」他說：「我喜歡他們談論的話題，他們做事的方式，我的立即反應是：我希望這些傢伙喜歡我，因為這地方很適合我！」

賀南欣然同意。「他們的想法是一方面開一些很困難的生物學、語言學、心理學課程，同時也提供很多標準課程，例如資訊理論。他們找不同領域的教授來講課，因此學生能夠把這些學問和電腦模型連起來。修過課的學生對於這些領域的基本理論會有深入的了解，例如主要的問題是什麼？為什麼這個問題這麼困難？電腦可以幫什麼忙？而不會只學到皮毛而已。」賀南說。

同時，安德森和亞瑟也參加了在天台上的一組人，討論像技術鎖定或區域經濟差異等經濟形態的問題。「我幾乎累得沒有辦法說太多或聽太多，」亞瑟說：「所以我趁著這個機會考考安德森數學技巧。」

里克萊德解釋：問題是這樣的，透過顯微鏡，腦袋中大部分呈現混沌一片的景象，每一個神經細胞都自由伸展出數以千計的軸突和樹突，與其他神經細胞數以千計的軸突和樹突雜亂相連。然而，這緊密相連的神經網路顯然不是隨意組成，健康的腦子能前後一致的產生感覺、思想及行動，絕非偶然。而且，腦子顯然不是靜止的，它能藉由經驗來改正自己的行為、想辦法適應不同狀況，它還會學習。問題是，腦子究竟如何學習？

當然，赫塞並沒有明講確實是怎麼做的，但是賀南並不在乎，玻璃珠遊戲比他過去所知道的任何事物都能捕捉到他所要追求的東西，這也正是西洋棋、科學、電腦或腦子之所以令他目眩神迷的地方。這個遊戲代表了他這一輩子都在追求的奧祕：「我希望能夠從萬物中擷取不同的主題，然後看看把它們整合在一起時，會發生什麼事。」

他笑著說，而且從此，不管採用的是哪一種方式，他都不斷發明遊戲。「我喜歡看著情況不斷演變，然後我說：『嘿，那真的是從這些假設演變出來的嗎？』因為如果我的設計沒錯，如果支配整個情勢發展的是遊戲主題的潛在規則逐漸演化的結果，而不是由我一手控制，那麼結局將會令我很驚訝。而如果我一點也不感到驚訝，那麼我就不太開心，因為我知道這表示一切都照我最初的設定發展。」

所以，我們又回到學習的問題。分類者該如何證明自己的價值，贏得可信度呢？

所以，當勃克斯建議賀南轉到通訊科學研究計畫時，他毫不遲疑就答應了，放棄了幾乎完成的數學論文，重新開始。「也就是說，我的論文會更接近我想作的研究，」他說，也就是神經網路的研究。（他後來決定的論文題目——「邏輯網路循環」（Cycles in Logical Nets）是關於網路開關情形的分析。他在這篇論文中證明的許多定理，居然正是年輕的醫科學生考夫曼四年後在柏克萊奮力想證明的定理。）當賀南在一九五九年拿到博士學位時，他是通訊科學計畫第一個出爐的博士。

賀南說，事實上，這種「若—則」規則有很多討喜之處。早在一九六○年代末期，還沒有人聽過專家系統的時候，紐威爾和西蒙就把以「若—則」規則為基礎的系統，用來作為人類認知的電腦模型。紐威爾和西蒙視每個規則為對應於一組知識或技能：例如「若牠們是鳥，則牠們有翅膀。」或「若可以選擇吃掉對手的卒或吃掉皇后，則選擇吃掉皇后。」此外，他們還指出，如果程式的知識是以這種方式表達，程式就會自動具備認知的彈性。每一條規則的「條件—行動」結構——「若是這樣，則做那件事」，正表示這規則不會像福傳或帕斯凱爾的副常式一樣，一直在固定的序列下執行指令。而是惟有在條件符合的時候，規則才會發生作用。一旦一個規則開始發生作用，就很可能依序啟動整個序列的規則：「若A則B，」「若B則C，」「若C則D，」以此類推，為手邊的問題量身訂製的全新程式，就此匆匆誕生了。